Comparison of methods for pre-processing, exosome isolation, and RNA extraction in unpasteurized bovine and human milk
Notice bibliographique
Résumé
Milk is a highly complex, heterogeneous biological fluid that contains non-nutritive, bioactive extracellular vesicles called exosomes. Characterization of milk-derived exosomes (MDEs) is challenging due to the lack of standardized methods that are currently being used for milk pre-processing, storage, and exosome isolation. In this study, we tested: 1) three pre-processing methods to remove cream, fat, cellular debris, and casein proteins from bovine milk to determine whether pre-processing of whole milk prior to long-term storage improves MDE isolations, 2) the suitability of two standard exosome isolation methods for MDE fractionation, and 3) four extraction protocols for obtaining high quality RNA from bovine and human MDEs. MDEs were characterized via Transmission Electron Microscopy (TEM), Nanoparticle Tracking Analysis (NTA), and western immunoblotting for CD9, CD63, and Calnexin protein markers. We also present an optimized method of TEM sample preparation for MDEs. Our results indicate that: 1) Removal of cream and fat globules from unpasteurized bovine milk, prior to long-term storage, improves the MDE yield but not purity, 2) Differential ultracentrifugation (DUC) combined with serial filtration is better suited for bovine MDE isolation compared to ExoQuick (EQ) combined with serial filtration, however both methods were comparable for human milk, and 3) TRIzol LS is better suited for RNA extraction from bovine MDEs isolated by EQ and DUC methods. 4) TRIzol LS, TRIzol+RNA Clean and Concentrator, and TRIzol LS+RNA Clean and Concentrator methods can be used for RNA extractions from human MDEs isolated by EQ, yet the TRIzol LS method is better suited for human MDEs isolated by DUC. The QIAzol + miRNeasy Mini Kit produced the lowest RNA yield for bovine and human MDEs.
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 | 0,000 |
| 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 ».