BoxCar and Library-Free Data-Independent Acquisition Substantially Improve the Depth, Range, and Completeness of Label-Free Quantitative Proteomics
Notice bibliographique
Résumé
Data-dependent acquisition (DDA) methods are the current standard for quantitative proteomics in many biological systems. However, DDA preferentially measures highly abundant proteins and generates data that is plagued with missing values, requiring extensive imputation. Here, we demonstrate that library-free BoxCarDIA acquisition, combining MS1-level BoxCar acquisition with MS2-level data-independent acquisition (DIA) analysis, outperforms conventional DDA and other library-free DIA (directDIA) approaches. Using a combination of low- (HeLa cells) and high- (Arabidopsis thaliana cell culture) dynamic range sample types, we demonstrate that BoxCarDIA can achieve a 40% increase in protein quantification over DDA without offline fractionation or an increase in mass-spectrometer acquisition time. Further, we provide empirical evidence for substantial gains in dynamic range sampling that translates to deeper quantification of low-abundance protein classes under-represented in DDA and directDIA data. Unlike both DDA and directDIA, our new BoxCarDIA method does not require full MS1 scans while offering reproducible protein quantification between replicate injections and providing more robust biological inferences. Overall, our results advance the BoxCarDIA technique and establish it as the new method of choice for label-free quantitative proteomics across diverse sample types.
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 | 0,001 | 0,003 |
| 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 ».