Carrier-Guided Proteome Analysis in a High Protein Background: An Improved Approach to Host Cell Protein Identification
Notice bibliographique
Résumé
Many shotgun proteomics experiments are negatively influenced by highly abundant proteins, such as those measuring residual host cell proteins (HCP) amidst highly abundant recombinant biotherapeutic or plasma proteins amidst albumin and immunoglobulins. While western blotting and ELISAs can reveal the presence of specific low abundance proteins from highly abundant background proteins, mass spectrometry approaches are required to define the low abundance protein composition in these scenarios. The challenge in detecting low abundance proteins in a high protein background by standard shotgun approaches is that spectra are often not triggered on their peptides in data dependent acquisition methods but rather on the highly abundant background peptides. Here, we use tandem mass tags (TMT) to introduce a carrier proteome approach to enhance the detection of proteins, such as from residual host cell proteomes amidst a highly abundant background. Using a mixture of bovine serum albumin (BSA) and E. coli as a mock high background/low abundance target protein formulation, we demonstrate proof-of-principle experiments allowing the improved detection of target proteins amidst a high protein background. While we observed significant coisolation interference, we mitigated it by using a spike-in interference detection TMT channel. Finally, we use the approach to identify 300 residual E. coli proteins from a protein A pulldown of a human IgG antibody, demonstrating that it may be applicable to analysis of HCPs in biotherapeutic protein formulations.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».