MétaCan
Menu
Retour à la cohorte
Enregistrement W3184226986 · doi:10.3390/separations8080110

Quantitative Capillary Electrophoresis for Analysis of Extracellular Vesicles (EVqCE)

2021· article· en· W3184226986 sur OpenAlexafffund
Yuchu Dou, Lixuan Ren, Prabir Kumar Kulabhusan, Emil Zaripov, Maxim V. Berezovski

Notice bibliographique

RevueSeparations · 2021
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueExtracellular vesicles in disease
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversity of Ottawa
Mots-clésNucleic acidCapillary electrophoresisExtracellular vesiclesMicrovesiclesNanoparticle tracking analysisChemistryChromatographyLysisRNAExtracellularSonicationExtracellular vesicleDegradation (telecommunications)Gel electrophoresisElectrophoresisVesicleBiochemistryBiologymicroRNACell biologyGene

Résumé

récupéré en direct d'OpenAlex

Extracellular Vesicles (EVs) gained significant interest within the last decade as a new source of biomarkers for the early detection of diseases and a promising tool for therapeutic applications. In this work, we present Extracellular Vesicles Quantitative Capillary Electrophoresis (EVqCE) to measure an average mass of RNA in EVs, determine EV concentrations and the degree of EV degradation after sample handling. We used EVqCE to analyze EVs isolated from conditioned media of three cancer cell lines. EVqCE employs capillary zone electrophoresis with laser-induced fluorescent detection to separate intact EVs from free nucleic acids. After lysis of EVs with a detergent, the encapsulated nucleic acids are released. Therefore, the initial concentration of intact EVs is calculated based on a nucleic acid peak gain. EVqCE works in a dynamic range of EV concentrations from 108 to 1010 particles/mL. The quantification process can be completed in less than one hour and requires minimum optimization. Furthermore, the average mass of RNA was found to be in the range of 200–400 ag per particle, noting that more aggressive cancer cells have less RNA in EVs (200 ag per particle) than non-aggressive cancer cells (350 ag per particle). EVqCE works well for the degradation analysis of EVs. Sonication for 10 min at 40 kHz caused 85% degradation of EVs, 10 freeze-thaw cycles (from −80 °C to 22 °C) produced 40%, 14-day storage at 4 °C made 32%, and vortexing for 5 min caused 5% degradation. Presently, EVqCE cannot separate and distinguish individual EV populations (exosomes, microvesicles, apoptotic bodies) from each other. Still, it is tolerant to the presence of non-EV particles, protein-lipid complexes, and protein aggregates.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,320
Écart entre enseignants0,297 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSeparationsMême sujetExtracellular vesicles in diseaseTravaux en français237 207