Using Redox Proteomics to Gain New Insights into Neurodegenerative Disease and Protein Modification
Notice bibliographique
Résumé
Antioxidant defenses in biological systems ensure redox homeostasis, regulating baseline levels of reactive oxygen and nitrogen species (ROS and RNS). Oxidative stress (OS), characterized by a lack of antioxidant defenses or an elevation in ROS and RNS, may cause a modification of biomolecules, ROS being primarily absorbed by proteins. As a result of both genome and environment interactions, proteomics provides complete information about a cell's proteome, which changes continuously. Besides measuring protein expression levels, proteomics can also be used to identify protein modifications, localizations, the effects of added agents, and the interactions between proteins. Several oxidative processes are frequently used to modify proteins post-translationally, including carbonylation, oxidation of amino acid side chains, glycation, or lipid peroxidation, which produces highly reactive alkenals. Reactive alkenals, such as 4-hydroxy-2-nonenal, are added to cysteine (Cys), lysine (Lys), or histidine (His) residues by a Michael addition, and tyrosine (Tyr) residues are nitrated and Cys residues are nitrosylated by a Michael addition. Oxidative and nitrosative stress have been implicated in many neurodegenerative diseases as a result of oxidative damage to the brain, which may be especially vulnerable due to the large consumption of dioxygen. Therefore, the current methods applied for the detection, identification, and quantification in redox proteomics are of great interest. This review describes the main protein modifications classified as chemical reactions. Finally, we discuss the importance of redox proteomics to health and describe the analytical methods used in redox proteomics.
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 ».