Comprehensive Prostate Fluid-Based Spectral Libraries for Enhanced Protein Detection in Urine
Notice bibliographique
Résumé
Biofluids contain molecules in circulation and from nearby organs that can be indicative of disease states. Characterizing the proteome of biofluids with DIA-MS is an emerging area of interest for biomarker discovery; yet, there is limited consensus on DIA-MS data analysis approaches for analyzing large numbers of biofluids. To evaluate various DIA-MS workflows, we collected urine from a clinically heterogeneous cohort of prostate cancer patients and acquired data in DDA and DIA scan modes. We then searched the DIA data against urine spectral libraries generated using common library generation approaches or a library-free method. We show that DIA-MS doubles the sample throughput compared to standard DDA-MS with minimal losses to peptide detection. We further demonstrate that using a sample-specific spectral library generated from individual urines maximizes peptide detection compared to a library-free approach, a pan-human library, or libraries generated from pooled, fractionated urines. Adding urine subproteomes, such as the urinary extracellular vesicular proteome, to the urine spectral library further improves the detection of prostate proteins in unfractionated urine. Altogether, we present an optimized DIA-MS workflow and provide several high-quality, comprehensive prostate cancer urine spectral libraries that can streamline future biomarker discovery studies of prostate cancer using DIA-MS.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».