Proteomic workflows for deep phenotypic profiling of 3D organotypic liver models
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
Organotypic human tissue models constitute promising systems to facilitate drug discovery and development. They allow to maintain native cellular phenotypes and functions, which enables long-term pharmacokinetic and toxicity studies, as well as phenotypic screening. To trace relevant phenotypic changes back to specific targets or signaling pathways, comprehensive proteomic profiling is the gold-standard. A multitude of proteomic workflows have been applied on 3D tissue models to quantify their molecular phenotypes; however, their impact on analytical results and biological conclusions in this context has not been evaluated. The performance of twelve mass spectrometry-based global proteomic workflows that differed in the amount of cellular input, lysis protocols and quantification methods was compared for the analysis of primary human liver spheroids. Results differed majorly between protocols in the total number and subcellular compartment bias of identified proteins, which is particularly relevant for the reliable quantification of transporters and drug metabolizing enzymes. Using a model of metabolic dysfunction-associated steatotic liver disease, we furthermore show that critical disease pathways are robustly identified using a standardized high throughput-compatible workflow based on thermal lysis, even using only individual spheroids (1500 cells) as input. The results increase the applicability of proteomic profiling to phenotypic screens in organotypic microtissues and provide a scalable platform for deep phenotyping from limited biological material.
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 | 0,000 | 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 découle