Acetic Acid Ion Pairing Additive for Reversed-Phase HPLC Improves Detection Sensitivity in Bottom-up Proteomics Compared to Formic Acid
Notice bibliographique
Résumé
Despite the general acceptance of formic acid as the additive of choice for peptide reversed-phase LC-MS/MS applications, some still argue that the selection of acetic acid represents a better option. To settle this debate, we investigated both the difference in MS sensitivity and chromatographic behavior of peptides between these two systems. This interlaboratory study was performed using different MS setups and C18 separation media employing both 0.1% formic and 0.5% acetic acid as ion pairing modifiers. Relative to formic acid, we find an overall ∼2.2-2.5× increase in MS signal and a slight decrease in RP LC retention (-0.7% acetonitrile on average) for acetic acid conditions. While these two features have opposing effects on peptide detectability, we find that acetic acid produces up to 60% higher peptide ID output depending on the type of sample. The drop in RPLC retention increases with peptide net charge at acidic pH. MS signal is dependent on the difference between the charge of the precursor ion and the charge of the peptide in solution, favoring species with a low pI. Lower peptide retention under acetic acid conditions demonstrates its higher hydrophilicity and, as expected, leads to composition and sequence-dependent character of the observed retention shift.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».