A semi-automated workflow for DIA-based global discovery to pathway-driven PRM analysis
Notice bibliographique
Résumé
Targeted proteomics, which includes parallel reaction monitoring (PRM), is typically utilized for more precise detection and quantitation of key proteins and/or pathways derived from complex discovery proteomics datasets. Initial discovery-based analysis using data independent acquisition (DIA) can obtain deep proteome coverage with low data missingness while targeted PRM assays can provide additional benefits in further eliminating missing data and optimizing measurement precision. However, PRM method development from bioinformatic predictions can be tedious and time-consuming because of the DIA output complexity. We address this limitation with a Python script that rapidly generates a PRM method for the TIMS-TOF platform using DIA data and a user-defined target list. To evaluate the script, DIA data generated from HeLa cell lysate (200 ng, 45-minute gradient method) as well as canonical pathway information from Ingenuity Pathway Analysis was utilized to generated a pathway-driven PRM method. Subsequent PRM analysis of targets within the example pathway, regulation of apoptosis, resulted in improved chromatographic data and enhanced quantitation precision (100% peptides below 10% CV with a median CV of 2.9%, n=3 technical replicates). The script is freely available at https://github.com/StevensOmicsLab/PRM-script and provides a framework that can be adapted to multiple DDA/DIA data outputs and instrument-specific PRM method types.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,021 |
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 source (Gemma direct ou Codex distillé), 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 ».