High-Efficiency Enrichment by Saturating Nanoliters of Protein Affinity Media
Notice bibliographique
Résumé
Affinity-purification mass spectrometry (AP-MS) is an established technique for identifying protein-protein interactions (PPIs). The basic technology involves immobilizing a high-specificity ligand to a solid-phase support (e.g., an agarose or magnetic bead) to pull down protein(s) of interest from cell lysates. Although these supports are engineered to minimize interactions with background protein, the conventional method recovers mostly nonspecific binders. The law of mass action for dilute solutions has taught us to use an excess of beads to capture all target proteins, especially weakly interacting ones. However, modern microbead technology presents a binding environment that is much different from a dilute solution. We describe a fluidic platform that captures and processes ultralow nanoliter quantities of magnetic particles, simultaneously increasing the efficiency of PPI detection and strongly suppressing nonspecific binding. We demonstrate the concept with synthetic mixtures of tagged protein and illustrate performance with a variety of AP-MS experiment types. These include a BioID experiment targeting lamin-A interactors from HeLa cells and pulldowns using GFP-tagged proteins associated with a double-strand DNA repair mechanism. We show that efficient extraction requires saturation of the solid-phase support and that <10 nL of beads is sufficient to generate comprehensive protein interaction maps.
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 | 0,000 | 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) | 0,000 | 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 ».