Digital Microfluidics for Microproteomic Analysis of Minute Mammalian Tissue Samples Enabled by a Photocleavable Surfactant
Notice bibliographique
Résumé
Proteome profiles of precious tissue samples have great clinical potential for accelerating disease biomarker discovery and promoting novel strategies for early diagnosis and treatment. However, tiny clinical tissue samples are often difficult to handle and analyze with conventional proteomic methods. Automated digital microfluidic (DMF) workflows facilitate the manipulation of size-limited tissue samples. Here, we report the assessment of a DMF microproteomics workflow enabled by a photocleavable surfactant for proteomic analysis of minute tissue samples. The surfactant 4-hexylphenylazosulfonate (Azo) was found to facilitate fast droplet movement on DMF and enhance the proteomics analysis. Comparisons of Azo and n -Dodecyl β- d -maltoside (DDM) using small samples of HeLa digest standards and MCF-7 cell digests revealed distinct differences at the peptide level despite similar results at the protein level. The DMF microproteomics workflow was applied for the sample preparation of ∼3 μg biopsies from murine brain tissue. A total of 1969 proteins were identified in three samples, including established neural biomarkers and proteins related to synaptic signaling. Going forward, we propose that the Azo-enabled DMF workflow has the potential to advance the practical clinical application of DMF for the analysis of size-limited tissue samples.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».