Epitope Effect Prevalence in Affinity-based pQTL studies
Notice bibliographique
Résumé
Abstract Affinity-based proteomics platforms Olink and SomaScan have enabled population-wide human proteogenomic studies, linking genetic variants to protein abundances. However, sequence alterations in the binding site of the detection reagent may introduce platform-specific measurement bias unrelated to protein levels, referred to as the epitope effect. In this study, we investigated the prevalence of epitope effects using cis protein quantitative trait loci (pQTL) discovered in three of the largest proteogenomic studies: UK Biobank, deCODE, and Fenland. Across 5,817 protein targets assayed in these studies, cis -pQTL were identified for 914 proteins by both platforms, 301 (33%) of which were linked to a missense variant. We identified 37 proteins with opposing effect directions in two platforms for the same missense pQTL, and 85 proteins where a missense pQTL was significant in only one platform. We present examples where such discrepancies reflect differences in isoform or proteoform targeting, as well as examples where the discordance appears to result from true platform-specific detection bias. Further structural analyses reveal that missense cis -pQTL are more likely to be detected when they alter residues located on accessible protein surfaces - regions most likely to interfere with reagent binding in affinity-based assays. Overall, our findings suggest that missense-mediated epitope effects influence only a minority (12% or less) of cis -pQTL results. We also highlight the need for detailed assay annotations and structural context to improve result interpretation in proteogenomic studies.
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 | 0,010 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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) | 0,001 | 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 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 ».