Toward an Ultimate Solution for Peptide Retention Time Prediction: The Effect of Column Temperature on Separation Selectivity
Notice bibliographique
Résumé
We studied the effect of the column temperature on the selectivity of reversed-phase peptide separation in bottom-up proteomics. The number of peptide identifications from 2 h liquid chromatography with tandem mass spectrometry (LC-MS/MS) acquisitions reaches a plateau at 45-55 °C, driven simultaneously by improved separation efficiency, a gradual decrease in peptide retention, and possible on-column degradation of peptides at elevated temperatures. Performing 2D LC-MS/MS acquisitions at 25, 35, 45, and 55 °C resulted in the identification of ∼100,000 and ∼120,000 unique peptides for nonmodified and tandem mass tags (TMT)-labeled samples, respectively. These peptide collections were used to investigate the temperature-driven retention features. The latter is governed by the specific temperature response of individual residues, peptide hydrophobicity and length, and amphipathic helicity. On average, peptide retention decreased by 0.56 and 0.5% acetonitrile for each 10 °C increase for label-free and TMT-labeled peptides, respectively. This generally linear response of retention shifts allowed the extrapolation of predictive models beyond the studied temperature range. Thus, (trap) column cooling from room temperature to 0 °C will allow the retention of an additional 3% of detectable tryptic peptides. Meanwhile, the application of 90 °C would result in the loss of ∼20% of tryptic peptides that were amenable to MS/MS-based identification.
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 | 0,003 | 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 | 0,001 |
| 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 ».