Comparative Cross-Kingdom DDA- and DIA-PASEF Proteomic Profiling Reveals Novel Determinants of Fungal Virulence and a Putative Druggable Target
Notice bibliographique
Résumé
Accurate and reliable detection of fungal pathogens presents an important hurdle to manage infections, especially considering that fungal pathogens, including the globally important human pathogen, Cryptococcus neoformans, have adapted diverse mechanisms to survive the hostile host environment and moderate virulence determinant production during coinfections. These pathogen adaptations present an opportunity for improvements (e.g., technological and computational) to better understand the interplay between a host and a pathogen during disease to uncover new strategies to overcome infection. In this study, we performed comparative proteomic profiling of an in vitro coinfection model across a range of fungal and bacterial burden loads in macrophages. Comparing data-dependent acquisition and data-independent acquisition enabled with parallel accumulation serial fragmentation technology, we quantified changes in dual-perspective proteome remodeling. We report enhanced and novel detection of pathogen proteins with data-independent acquisition-parallel accumulation serial fragmentation (DIA-PASEF), especially for fungal proteins during single and dual infection of macrophages. Further characterization of a fungal protein detected only with DIA-PASEF uncovered a novel determinant of fungal virulence, including altered capsule and melanin production, thermotolerance, and macrophage infectivity, supporting proteomics advances for the discovery of a novel putative druggable target to suppress C. neoformans pathogenicity.
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 | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».