Proteome Birthdating: A Single-Sample Approach for Measuring Global Turnover Dynamics and “Protein Age”
Notice bibliographique
Résumé
Within a cell, proteins have distinct and highly variable half-lives. As a result, the molecular ages of proteins can range from seconds to years. How the age of a protein influences its environmental interactions is a largely unexplored area of biology. To facilitate such studies, we recently developed a technique termed "proteome birthdating" that differentially labels proteins based on their time of synthesis. Proteome birthdating enables analyses of age distributions of the proteome by tandem mass spectrometry (LC-MS/MS) and provides a methodology for investigating the protein age selectivity of diverse cellular pathways. Proteome birthdating can also provide measurements of protein turnover kinetics from single, sequentially labeled samples. Here, we provide a practical guide for conducting proteome birthdating in in vitro model systems. The outlined workflow covers cell culture, isotopic labeling, protein extraction, enzymatic digestion, peptide cleanup, mass spectrometry, data processing, and theoretical considerations for interpretation of the resulting data. Key features • Proteome birthdating barcodes the proteome with isotopically labeled precursors based on time of synthesis or "age." • Global protein turnover kinetics can be analyzed from single, sequentially labeled biological samples. • Protein age distributions of subsets of the proteome can be analyzed (e.g., ubiquitinated proteins). • Age selectivity of protein properties, cellular pathways, or disease states can be investigated.
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 | 0,000 | 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 ».