Quantitative proteomic analysis of trypsin‐treated extracellular vesicles to identify the real‐vesicular proteins
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Extracellular vesicles (EVs) are nano-sized vesicles surrounded by a lipid bilayer and released into the extracellular milieu by most of cells. Although various EV isolation methods have been established, most of the current methods isolate EVs with contaminated non-vesicular proteins. By applying the label-free quantitative proteomic analyses of human colon cancer cell SW480-derived EVs, we identified trypsin-sensitive and trypsin-resistant vesicular proteins. Further systems biology and protein-protein interaction network analyses based on their cellular localization, we classified the trypsin-sensitive and trypsin-resistant vesicular proteins into two subgroups: 363 candidate real-vesicular proteins and 151 contaminated non-vesicular proteins. Moreover, the protein interaction network analyses showed that candidate real-vesicular proteins are mainly derived from plasma membrane (46.8%), cytosol (36.6%), cytoskeleton (8.0%) and extracellular region (2.5%). On the other hand, most of the contaminated non-vesicular proteins derived from nucleus, Golgi apparatus, endoplasmic reticulum and mitochondria. In addition, ribosomal protein complexes and T-complex proteins were classified as the contaminated non-vesicular proteins. Taken together, our trypsin-digested proteomic approach on EVs is an important advance to identify the real-vesicular proteins that could help to understand EV biogenesis and protein cargo-sorting mechanism during EV release, to identify more reliable EV diagnostic marker proteins, and to decode pathophysiological roles of EVs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle