Secretomic analysis of large cell lung cancer cell lines using two-dimensional gel electrophoresis coupled to mass spectrometry
Notice bibliographique
Résumé
The secretome of cancer cells is a valuable source of biomarkers that can ultimately reach the serum or other body fluids. Cancer biomarkers can facilitate early diagnosis and monitoring of the disease, contribute to our understanding of tumor biology, and support the development of more efficient therapies. Recently, high-throughput proteomic analysis of the conditioned media of cancer cell lines has shown potential to identify novel biomarkers in cancer. We used two-dimensional gel electrophoresis coupled to liquid chromatography tandem mass spectrometry to identify the secretome of the large cell lung cancer cell lines QU-DB and Mehr-80, which they were established from a Canadian and a Persian patient, respectively. A total of 130 distinct protein species were identified. Of these, 124 were previously found in serum or other body fluids, the membrane compartment or conditioned media of other cancer cell lines. Some of the proteins that we identified, e.g. IL-6, triosephosphate isomerase, PGP9.5, α-enolase, Dickkopf-1, and peroxiredoxin-1 are known putative serum markers for lung cancer, whereas others might be candidate markers for further validation in lung cancer body fluids such as IL-25, stathmin, vimentin, peptidyl-prolyl cis-trans isomerase A, transgelin-2, and chloride intracellular channel protein 4.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».