Exploring Options for Proximity-Dependent Biotinylation Experiments: Comparative Analysis of Labeling Enzymes and Affinity Purification Resins
Notice bibliographique
Résumé
Proximity-dependent biotinylation (PDB) techniques provide information about the molecular neighborhood of a protein of interest, yielding insights into its function and localization. Here, we assessed how different labeling enzymes and streptavidin resins influence PDB results. We compared the high-confidence interactors of the DNA/RNA-binding protein transactive response DNA-binding protein 43 kDa (TDP-43) identified using either miniTurbo (biotin ligase) or APEX2 (peroxidase) enzymes. We also evaluated two commercial affinity resins for purification of biotinylated proteins: conventional streptavidin sepharose versus a new trypsin-resistant streptavidin conjugated to magnetic resin, which significantly reduces the level of contamination by streptavidin peptides following on-bead trypsin digestion. Downstream analyses involved liquid chromatography coupled to mass spectrometry in data-dependent acquisition mode, database searching, and statistical analysis of high-confidence interactors using SAINTexpress. The APEX2-TDP-43 experiment identified more interactors than miniTurbo-TDP-43, although miniTurbo provided greater overlap with previously documented TDP-43 interactors. Purifications on sepharose resin yielded more interactors than magnetic resin in small-scale experiments using a range of magnetic resin volumes. We suggest that resin-specific background protein binding profiles and different lysate-to-resin ratios cumulatively affect the distributions of prey protein abundance in experimental and control samples, which impact statistical confidence scores. Overall, we highlight key experimental variables to consider for the empirical optimization of PDB experiments.
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 | 0,002 | 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 ».