SIGNIFICANT IMPACT OF CONSUMABLE MATERIAL AND BUFFER COMPOSITION FOR LOW-CELL NUMBER PROTEOMIC SAMPLE PREPARATION
Notice bibliographique
Résumé
Proteomics, essential for understanding gene and cell functions, faces challenges with peptide loss due to adsorption onto vial surfaces, especially in samples with low peptide quantities. Using HeLa tryptic digested standard solutions, we demonstrate preferential adsorption of peptides, particularly hydrophobic ones, onto polypropylene (PP) vials, leading to nonuniform signal loss. This phenomenon can alter protein quantification (e.g., Label-Free Quantification, LFQ) if no appropriate data processing is applied. Our study is based on understanding this adsorption phenomenon to establish recommendations for minimizing peptide loss. To address this issue, we evaluated the nature of surface material and buffer additives to reduce peptide-surface noncovalent binding. Here, we report that using vials made from polymer containing polar monomeric units such as poly(methyl methacrylate) (PMMA) or polyethylene terephthalate (PET) drastically reduces the hydrophobic peptide loss, increasing the global proteomics performance (4-fold increase in identified peptides for the single-cell equivalent peptide content range). Additionally, the incorporation of nonionic detergents like poly(ethylene oxide) (PEO) and n-Dodecyl-Beta-Maltoside (DDM) at optimized concentrations (0.0001% and 0.0075%, respectively) improves the overall proteomic performance and consistency, even across different vial materials. Implementing these recommendations on 0.2 ng/μL HeLa tryptic digest results in a 10-fold increase in terms of peptide signal. Application to True Single-Cell sample preparation without specialized instrumentation dramatically improves the performance, allowing for the identification of approximately 650 proteins, a stark contrast to none detected with classical protocols.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».