Filling the Gaps in Peptide Maps with a Platform Assay for Top-Down Characterization of Purified Protein Samples
Notice bibliographique
Résumé
LC-MS intact mass analysis and LC-MS/MS peptide mapping are foundational assays for developing biologic drugs and other commercial protein products. Certain PTM types, such as truncation and oxidation, increase the difficulty of precise proteoform characterization owing to inherent limitations in peptide and intact protein analyses. Top-down MS (TDMS) can resolve this ambiguity via fragmentation of specific proteoforms. We optimized our existing flow-programmed denaturing online buffer exchange ((fp)dOBE) approach to improve ESI sensitivity and increase TDMS sampling time for industrial applications. Using bovine alpha-lactalbumin (αLac), we tested data-dependent (DDA) and targeted strategies with 14 different MS/MS scan types featuring combinations of collisional- and electron-based fragmentation as well as proton transfer charge reduction. This large dataset was processed using a new software platform, named TDAcquireX, that improves proteoform characterization through TDMS data aggregation. (fp)dOBE-based DDA-TDMS analysis readily identified truncated proteoforms. For targeted TDMS, we used Sliding Window fragment ion deconvolution to analyze composite proteoform (cPrSM) results. This strategy facilitates probability-based noise filtering of individual fragments, simultaneously increasing matched fragments while decreasing total fragment masses. Using this strategy, we characterized oxidation positional isomers on αLac, finding ETD fragmentation uniquely provided accurate relative occupancy ratios by oxidation-specific challenges.
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 | 0,000 | 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 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 ».