A Peptidisc-Based Survey of the Plasma Membrane Proteome of a Mammalian Cell
Notice bibliographique
Résumé
Membrane proteins play critical roles at the cell surface and their misfunction is a hallmark of many human diseases. A precise evaluation of the plasma membrane proteome is therefore essential for cell biology and for discovering novel biomarkers and therapeutic targets. However, the low abundance of this proteome relative to soluble proteins makes it difficult to characterize, even with the most advanced proteomics technologies. Here, we apply the peptidisc membrane mimetic to purify the cell membrane proteome. Using the HeLa cell line as a reference, we capture 500 different integral membrane proteins, with half annotated to the plasma membrane. Notably, the peptidisc library is enriched with several ABC, SLC, GPCR, CD, and cell adhesion molecules that generally exist at low to very low copy numbers in the cell. We extend the method to compare two pancreatic cell lines, Panc-1 and hPSC. Here we observe a striking difference in the relative abundance of the cell surface cancer markers L1CAM, ANPEP, ITGB4, and CD70. We also identify two novel SLC transporters, SLC30A1 and SLC12A7, that are highly present in the Panc-1 cell only. The peptidisc library thus emerges as an effective way to survey and compare the membrane proteome of mammalian cells. Furthermore, since the method stabilizes membrane proteins in a water-soluble state, members of the library, here SLC12A7, can be specifically isolated.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 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 ».