Trace Sample Proteome Quantification by Data-Dependent Acquisition without Dynamic Exclusion
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Despite continuous technological improvements in sample preparation, mass-spectrometry-based proteomics for trace samples faces the challenges of sensitivity, quantification accuracy, and reproducibility. Herein, we explored the applicability of turboDDA (a method that uses data-dependent acquisition without dynamic exclusion) for quantitative proteomics of trace samples. After systematic optimization of acquisition parameters, we compared the performance of turboDDA with that of data-dependent acquisition with dynamic exclusion (DEDDA). By benchmarking the analysis of trace unlabeled human cell digests, turboDDA showed substantially better sensitivity in comparison with DEDDA, whether for unfractionated or high pH fractionated samples. Furthermore, through designing an iTRAQ-labeled three-proteome model (i.e., tryptic digest of protein lysates from yeast, human, and E. coli ) to document the interference effect, we evaluated the quantification interference, accuracy, reproducibility of iTRAQ labeled trace samples, and the impact of PIF (precursor intensity fraction) cutoff for different approaches (turboDDA and DEDDA). The results showed that improved quantification accuracy and reproducibility could be achieved by turboDDA, while a more stringent PIF cutoff resulted in more accurate quantification but less peptide identification for both approaches. Finally, the turboDDA strategy was applied to the differential analysis of limited amounts of human lung cancer cell samples, showing great promise in trace proteomics sample analysis.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».