Proteomic Profiling of the Human Tissue and Biological Fluid Proteome
Notice bibliographique
Résumé
In-depth analysis of the human genome sequence has led to the annotation of approximately 20,000 human protein-coding genes. Although mass spectrometry (MS)-based workflows have made a great headway in achieving near genome-wide coverage, an equivalent complete map of the human proteome remains elusive. Delineating the spatial distribution of all human proteins at the organ, tissue, and cellular level can offer insight into health and disease and represents an excellent reference for the discovery of biomarkers and therapeutic targets. Here, we performed label-free liquid chromatography coupled to tandem MS (LC-MS/MS) to profile the normal human proteome. In total, we analyzed 117 samples from 46 normal tissues and organs at autopsy. Our high-resolution MS approach allowed for the quantification of 10,438 unique proteins. In order to expand our coverage of the human proteome, we combined our previously published biological fluid proteomic data from healthy individuals. We considered data from seven biological fluids, including urine, cerebrospinal fluid, synovial fluid, seminal plasma, sweat, cervical vaginal fluid, and nipple aspirate fluid. Overall, we generated tandem mass spectra corresponding to 13,028 unique human protein-coding genes. Although our analysis did not accomplish complete proteome coverage, it should be an important complementary resource for future biomarker discovery.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».