A convenient analytic method for gel quantification using ImageJ paired with Python or R
Notice bibliographique
Résumé
In recent years, due to the COVID-19 pandemic, there was a surge of research on mRNA therapeutics. The applications are broad and include vaccination, cancer therapy, protein replacement, and immune modulation. mRNA therapeutics have advantages over other nucleic acid therapies because of the reduced risk of mutagenesis. On the other hand, mRNA therapeutics have a large caveat due to its inherent instability, which makes it susceptible to degradation throughout all stages of production, storage, and in vivo application. Decades ago, agarose gel electrophoresis was developed to separate and resolve nucleic acids based on size. Since then, the evolution of image analysis tools, such as ImageJ, has facilitated semi-quantitative evaluation of concentration based on band intensity, and qualitative observation of RNA integrity from gel electrophoresis. Instruments utilizing capillary electrophoresis, like the Agilent 2100 Bioanalyzer, that use microchip linear acrylamide gel electrophoresis have been demonstrated to be superior to agarose gel electrophoresis in studying RNA quality. Due to the higher cost of usage, they are less accessible to the average lab than agarose electrophoresis. In this work, we review the fundamentals of mRNA assessment and propose a full-lane quantification (FLQ) method, which is a fast, simple, and inexpensive method to analyze RNA degradation from agarose gels using ImageJ paired with Python and R. This measures the area under the curve of the product peak, degradation zone, and a combined score to provide sensitive means to evaluate the degradation of mRNA. This method provides measures of the degradation profile within each lane comparable to an RNA integrity number from bioanalyzers. Using this cost-effective method, we demonstrate that the degradation index is a sensitive measure that reflects the degradation and preservation of mRNA patterns.
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 | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,098 | 0,058 |
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 ».