Evaluation of Fast and Sensitive Proteome Profiling of FF and FFPE Kidney Patient Tissues
Notice bibliographique
Résumé
The application of proteomics to fresh frozen (FF) and formalin-fixed paraffin-embedded (FFPE) human tissues is an important development spurred on by requests from stakeholder groups in clinical fields. One objective is to complement current diagnostic methods with new specific molecular information. An important goal is to achieve adequate and consistent protein recovery across and within large-scale studies. Here, we describe development of several protocols incorporating mass spectrometry compatible detergents, including Rapigest, PPS, and ProteaseMax. Methods were applied on 4 and 15 μm thick FF tissues, and 4 μm thick FFPE tissues. We evaluated sensitivity and repeatability of the methods and found that the protocol containing Rapigest enabled detection of 630 proteins from FF tissue of 1 mm2 and 15 μm thick, whereas 498 and 297 proteins were detected with the protocols containing ProteaseMax and PPS, respectively. Surprisingly, PPS-containing buffer showed good extraction of the proteins from 4 μm thick FFPE tissue with the average of 270 protein identifications (1 mm2), similar to the results on 4 μm thick FF. Moreover, we found that temperature increases during incubation with urea on 4 μm thick FF tissue revealed a decrease in the number of identified proteins and increase in the number of the carbamylated peptides.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».