Umbrella Sampling MD Simulations for Retention Prediction in Peptide Reversed-phase Liquid Chromatography
Notice bibliographique
Résumé
Reversed-phase liquid chromatography (RPLC) is an essential tool for separating complex mixtures such as proteolytic digests in bottom-up proteomics. There is growing interest in methods that can predict the RPLC retention behavior of peptides and other analytes. Already, existing algorithms provide excellent performance based on empirical rules or large sets of RPLC training data. Here we explored a new type of retention prediction strategy that relies on first-principles modeling of peptide interactions with a C18 stationary phase. We recently demonstrated that molecular dynamics (MD) simulations can provide atomistic insights into the behavior of peptides under RPLC conditions ( Anal . Chem . 2023, 95, 3892). However, the current work found that it is problematic to use conventional MD data for retention prediction, evident from a poor correlation between experimental retention times and MD-generated “fraction bound” values. We thus turned to umbrella sampling MD, a complementary technique that has previously been applied to probe noncovalent contacts in other types of systems. By restraining the peptide dynamic motions at various positions inside a C18-lined pore, we determined the free energy of the system as a function of peptide-stationary phase distance. Δ G binding values determined in this way under various mobile phase conditions were linearly correlated with experimental retention times of tryptic test peptides. This work opens retention prediction avenues for novel types of stationary and mobile phases, and for peptides (or other analytes) having arbitrary chemical properties, without the need for RPLC reference data. Umbrella sampling can be used as a stand-alone tool, or it may serve to enhance existing retention prediction algorithms.
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) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,003 | 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 ».