nELISA: A high-throughput, high-plex platform enables quantitative profiling of the inflammatory secretome
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
We present the nELISA, a high-throughput, high-fidelity, and high-plex protein profiling platform. DNA oligonucleotides are used to pre-assemble antibody pairs on spectrally encoded microparticles and perform displacement-mediated detection. Spatial separation between non-cognate antibodies prevents the rise of reagent-driven cross-reactivity, while read-out is performed cost-efficiently and at high-throughput using flow cytometry. nELISA can measure both protein concentration and their post-translational modifications. We assembled an inflammatory panel of 191 targets that were multiplexed without cross-reactivity nor impact on performance vs 1-plex signals, with sensitivities as low as 0.1 pg/mL and measurements spanning 7 orders of magnitude. We then performed a large-scale inflammatory-secretome perturbation screen of peripheral blood mononuclear cells (PBMCs), with cytokines as both perturbagens and readouts, measuring 7,392 samples and generating ~1.4M protein data points in under a week; a significant advance in throughput compared to other highly multiplexed immunoassays. We uncovered 447 significant cytokine responses, including multiple putatively novel ones, that were conserved across donors and stimulation conditions. We validate nELISA for phenotypic screening, where its capacity to faithfully report hundreds of proteins make it a powerful tool across multiple stages of drug discovery.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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