Evaluating the capabilities of the Astral mass analyzer for single-cell proteomics
Notice bibliographique
Résumé
Abstract The complexity of human physiology arises from well-orchestrated interactions between trillions of single cells in the body. While single-cell RNA sequencing (scRNA-seq) has enhanced our understanding of cell diversity, gene expression alone does not fully characterize cell phenotypes. Additional molecular dimensions, such as proteins, are needed to define cellular states accurately. Mass spectrometry (MS)-based proteomics has emerged as a powerful tool for comprehensive protein analysis, including single-cell applications. However, challenges remain in terms of throughput and proteomic depth, in order to maximize the biological impact of single-cell proteomics by Mass Spectrometry (scp-MS) workflows. This study leverages a novel high-resolution, accurate mass (HRAM) instrument platform, consisting of both an Orbitrap and an innovative HRAM Asymmetric Track Lossless (Astral) analyzer. The Astral analyzer offers high sensitivity and resolution through lossless ion transfer and a unique flight track design. We evaluate the performance of the Thermo Scientific Orbitrap Astral MS using Data-Independent Acquisition (DIA) and assess proteome depth and quantitative precision for ultra-low input samples. Optimal DIA method parameters for single-cell proteomics are identified, and we demonstrate the ability of the instrument to study cell cycle dynamics in Human Embryonic Kidney (HEK293) cells, and cancer cell heterogeneity in a primary Acute Myeloid Leukemia (AML) culture model.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 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 ».