Comparative assessment of quantification methods for tumor tissue phosphoproteomics
Notice bibliographique
Résumé
Abstract With increasing sensitivity and accuracy in mass spectrometry, the tumor phosphoproteome is getting into reach. However, the selection of quantitation techniques best-suited to the biomedical question and diagnostic requirements remains a trial and error decision as no study has directly compared their performance for tumor tissue phosphoproteomics. We compared label-free quantification (LFQ), spike-in-SILAC (stable isotope labeling by amino acids in cell culture) and TMT isobaric tandem mass tags technology for quantitative phosphosite profiling in tumor tissue. TMT offered the lowest accuracy and the highest precision and robustness towards different phosphosite abundances and matrices. Spike-in-SILAC offered the best compromise between these features but suffered from a low phosphosite coverage. LFQ offered the lowest precision but the highest number of identifications. Both spike-in-SILAC and LFQ presented susceptibility to matrix effects. Match between run (MBR)-based analysis enhanced the phosphosite coverage across technical replicates in LFQ and spike-in-SILAC but further reduced the precision and robustness of quantification. The choice of quantitative methodology is critical for both study design such as sample size in sample groups and quantified phosphosites, and comparison of published cancer phosphoproteomes. Using ovarian cancer tissue as an example, our study builds a resource for the design and analysis of quantitative phosphoproteomic studies in cancer research and diagnostics.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».