Optimization of bottom-up proteomic sample preparation by design of experiments for absolute quantification of 257 proteins in human plasma using UPLC-MRM-MS
Notice bibliographique
Résumé
INTRODUCTION: Targeted protein absolute quantification using mass spectrometry holds promise for identifying biomarkers for diagnosis, prognosis, and personalized medicine. However, complex and time-consuming workflows, particularly during sample preparation, present significant bottlenecks. Addressing these challenges is critical for the applicability of absolute quantification of proteins in clinical research settings. AREAS COVERED: We explore optimization strategies for protein digestion in bottom-up proteomics sample preparation. Design of experiments (DoE), a statistical approach for systematically evaluating multiple experimental factors, was used for simultaneous optimization of digestion time, temperature, enzyme-to-protein substrate ratio, and denaturing agent. Furthermore, the lower limit of quantification (LLOQ) for our platform was improved by using the Waters Xevo TQ-XS UPLC-MRM-MS. The integration of automated sample preparation into the workflow enabled reproducible absolute quantification of 257 proteins in human plasma. EXPERT OPINION: We successfully reduced protein digestion time from 18 hours (overnight) to 4 hours while maintaining relative digestion efficiency. We improved the sensitivity of the assay via the optimized workflow and were able to quantify proteins that previously fell below the LLOQ. These advancements, combined with automation, provide a practical, efficient, and reproducible workflow suitable for clinical research.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».