Mouse Model of Fragile X Syndrome Analyzed by Quantitative Proteomics: A Comparison of Methods
Notice bibliographique
Résumé
Multiple methods for quantitative proteomics are available for proteome profiling. It is unclear which methods are most useful in situations involving deep proteome profiling and the detection of subtle distortions in the proteome. Here, we compared the performance of seven different strategies in the analysis of a mouse model of Fragile X Syndrome, involving the knockout of the fmr1 gene that is the leading cause of autism spectrum disorder. Focusing on the cerebellum, we show that data-independent acquisition (DIA) and the tandem mass tag (TMT)-based real-time search method (RTS) generated the most informative profiles, generating 334 and 329 significantly altered proteins, respectively, although the latter still suffered from ratio compression. Label-free methods such as BoxCar and a conventional data-dependent acquisition were too noisy to generate a reliable profile, while TMT methods that do not invoke RTS showed a suppressed dynamic range. The TMT method using the TMTpro reagents together with complementary ion quantification (ProC) overcomes ratio compression, but current limitations in ion detection reduce sensitivity. Overall, both DIA and RTS uncovered known regulators of the syndrome and detected alterations in calcium signaling pathways that are consistent with calcium deregulation recently observed in imaging studies. Data are available via ProteomeXchange with the identifier PXD039885.
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 | 0,002 | 0,001 |
| 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 | 0,000 | 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 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 ».