Effect of Sample Preprocessing and Size-Based Extraction Methods on the Physical and Molecular Profiles of Extracellular Vesicles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Extracellular vesicles (EVs) are nanometric lipid vesicles that shuttle cargo between cells. Their analysis could shed light on health and disease conditions, but EVs must first be preserved, extracted, and often preconcentrated. Here we first compare plasma preservation agents, and second, using both plasma and cell supernatant, four EV extraction methods, including (i) ultracentrifugation (UC), (ii) size-exclusion chromatography (SEC), (iii) centrifugal filtration (LoDF), and (iv) accousto-sorting (AcS). We benchmarked them by characterizing the integrity, size distribution, concentration, purity, and expression profiles for nine proteins of EVs, as well as the overall throughput, time-to-result, and cost. We found that the difference between ethylenediaminetetraacetic acid (EDTA) and citrate anticoagulants varies with the extraction method. In our hands, ultracentrifugation produced a high yield of EVs with low contamination; SEC is low-cost, fast, and easy to implement, but the purity of EVs is lower; LoDF and AcS are both compatible with process automation, small volume requirement, and rapid processing times. When using plasma, LoDF was susceptible to clogging and sample contamination, while AcS featured high purity but a lower yield of extraction. Analysis of protein profiles suggests that the extraction methods extract different subpopulations of EVs. Our study highlights the strengths and weaknesses of sample preprocessing methods, and the variability in concentration, purity, and EV expression profiles of the extracted EVs. Preanalytical parameters such as collection or preprocessing protocols must be considered as part of the entire process in order to address EV diversity and their use as clinically actionable indicators.
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.
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 | 0,001 | 0,001 |
| 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 découle