Label-Free Quantitative Proteomics Workflow for Discovery-Driven Host-Pathogen Interactions
Notice bibliographique
Résumé
The technological achievements of mass spectrometry (MS)-based quantitative proteomics opens many undiscovered avenues for analyzing an organism's global proteome under varying conditions. This powerful strategy applied to the interactions of microbial pathogens with the desired host comprehensively characterizes both perspectives towards infection. Herein, the workflow describes label-free quantification (LFQ) of the infectome of Cryptococcus neoformans, a fungal facultative intracellular pathogen that is the causative agent of the deadly disease cryptococcosis, in the presence of immortalized macrophage cells. The protocol details the proper protein preparation techniques for both pathogen and mammalian cells within a single experiment, resulting in appropriate peptide submission for liquid-chromatography (LC)-MS/MS analysis. The high throughput generic nature of LFQ allows a wide dynamic range of protein identification and quantification, as well as transferability to any host-pathogen infection setting, maintaining extreme sensitivity. The method is optimized to catalogue extensive, unbiased protein abundance profiles of a pathogen within infection-mimicking conditions. Specifically, the method demonstrated here provides essential information on C. neoformans pathogenesis, such as protein production necessary for virulence and identifies critical host proteins responding to microbial invasion.
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 | 0,000 | 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 | 0,000 | 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 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 ».