Effective detection of proteins following electrophoresis using extracts of locally available food species
Notice bibliographique
Résumé
Procedures in life sciences research laboratories often require chemicals and plasticware that are costly, toxic or pose a risk to the environment. Therefore, sustainable alternatives would be of interest, provided that they generate suitable data quality. Coomassie blue and silver staining are the most widely used methods for detecting proteins following electrophoresis in the laboratory. However, their use presents challenges in terms of safety and waste management. In the current study, aqueous extracts were prepared from a series of common food species and evaluated as alternative stains for protein detection. Beets, blueberries, purple cabbage, raspberries and strawberries were employed to stain identical proteins separated under the same conditions in electrophoresis gels. Extracts of the first two species resulted in protein bands that were detectable through visible light transillumination, whereas extracts from all five species generated specific protein bands under ultraviolet light. The raspberry-derived extract was selected for further study based on the brightness of the fluorescent protein bands and minimal background staining. For both bovine serum albumin and lysozyme at 2.5 μg and 0.5 μg protein per band, the mean signal intensities obtained with raspberry extract staining were just below half of those obtained with Coomassie blue. Furthermore, the mean intensities using raspberry extract were equivalent to those obtained using Coomassie blue in the detection of 0.1 μg protein. Therefore, raspberry could be used to produce an effective stain for the routine laboratory analysis of proteins.
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) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».