Effective detection of proteins following electrophoresis using extracts of locally available food species
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 | 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 découle