Monitoring Functional Posttranslational Modifications Using a Data‐Driven Proteome Informatic Pipeline
Notice bibliographique
Résumé
Posttranslational modifications (PTMs) are of significant interest in molecular biomedicine due to their crucial role in signal transduction across various cellular and organismal processes. Characterizing PTMs, distinguishing between functional and inert modifications, quantifying their occupancies, and understanding PTM crosstalk are challenging tasks in any biosystem. Studying each PTM often requires a specific, labor-intensive experimental design. Here, we present a PTM-centric proteome informatic pipeline for predicting relevant PTMs in mass spectrometry-based proteomics data without prior information. Once predicted, these in silico identified PTMs can be incorporated into a refined database search and compared to measured data. As a practical application, we demonstrate how this pipeline can be used to study glycoproteomics in oral squamous cell carcinoma based on the proteome profile of primary tumors. Subsequently, we experimentally identified cellular proteins that are differentially expressed in cells treated with multikinase inhibitors dasatinib and staurosporine using mass spectrometry-based proteomics. Computational enrichment analysis was then employed to determine the potential PTMs of differentially expressed proteins induced by both drugs. Finally, we conducted an additional round of database search with the predicted PTMs. Our pipeline successfully analyzed the enriched PTMs, and detected proteins not identified in the initial search. Our findings support the effectiveness of PTM-centric searching of MS data in proteomics based on computational enrichment analysis, and we propose integrating this approach into future proteomics search engines.
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 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».