Ultra-Fast Multi-Organ Proteomics Unveils Tissue-Specific Mechanisms of Drug Efficacy and Toxicity
Notice bibliographique
Résumé
Rapid and comprehensive analysis of complex proteomes across large sample sets is vital for unlocking the potential of systems biology. We present UFP-MS, an ultra-fast mass spectrometry (MS) proteomics method that integrates narrow-window data-independent acquisition (nDIA) with short-gradient micro-flow chromatography, enabling profiling of >240 samples per day. This optimized MS approach identifies 6,201 and 7,466 human proteins with 1- and 2-min gradients, respectively. Our streamlined sample preparation workflow features high-throughput homogenization, adaptive focused acoustics (AFA)-assisted proteolysis, and Evotip-accelerated desalting, allowing for the processing of up to 96 tissue samples in 5 h. As a practical application, we analyzed 507 samples from 13 mouse tissues treated with the enzyme-drug L-asparaginase (ASNase) or its glutaminase-free Q59L mutant, generating a quantitative profile of 11,472 proteins following drug treatment. The MS results confirmed the impact of ASNase on amino acid metabolism in solid tissues. Further analysis revealed broad suppression of anticoagulants and cholesterol metabolism and uncovered numerous tissue-specific dysregulated pathways. In summary, the UFP-MS method greatly accelerates the generation of biological insights and clinically actionable hypotheses into tissue-specific vulnerabilities targeted by ASNase.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».