Peptide retention time prediction for electrostatic repulsion-hydrophilic interaction chromatography
Notice bibliographique
Résumé
Electrostatic Repulsion-Hydrophilic Interaction Chromatography (ERLIC) is one of the legacy separation tools developed by Dr. Andrew Alpert and has been used for developing unique separation methods of hydrophilic compounds, including peptides. In the past it has been studied using designed peptide libraries to elucidate major features of its separation mechanism, while comprehensive peptide retention modeling for ERLIC is still lacking. In this work we employed a proteomics-derived ∼170,000 peptide retention datasets to evaluate major ERLIC retention features using the framework of our Sequence-Specific Retention Calculator model. The separation conditions were adjusted to obtain a wider proteome coverage, particularly for non-modified peptides, resulting in a superior separation orthogonality for a 2D LC combination with reversed-phase C18 LC-MS in the second dimension. The SSRCalc ERLIC model presents a consistent theme with the existing ERLIC retention mechanism, reflecting a dependence on peptide orientation and the position of charged and hydrophilic residues across the peptide backbone. R 2 values of 0.935 and 0.955 accuracy were demonstrated for the standard interpretable SSRCalc model and machine learning algorithm, respectively. The effects of various PTMs on peptide retention were evaluated in this study, covering spontaneous (oxidation, deamidation) and enzymatic (N-terminal acetylation, phosphorylation, glycosylation) modifications.
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) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».