Going with the Flow: Mechanistic Insights into Slow Mixing Mode Native Mass Spectrometry
Notice bibliographique
Résumé
Slow mixing mode native mass spectrometry (SLOMO-nMS), which monitors the mixing of layered solutions within a nanoflow electrospray ionization (nanoESI) emitter, enables robust quantification of biomolecular complexes in vitro, even when absolute concentrations are unknown. The method relies on mass balance principles, assuming that the concentration of one of interacting species remains constant throughout the mixing process. While this condition is typically achieved by using identical starting concentrations in both solutions, deviations may arise due to non-uniform mass transport within the emitter. Here, we report the first quantitative investigation of the factors governing solution mixing and analyte transport in a nanoESI emitter under an applied electric field. Using a dual-emitter setup and a panel of dyes varying in size and charge, we dissected the contributions of diffusion, advection, and electrophoresis. Our results reveal that diffusion is the primary driver of mixing and, with advection, bulk transport. In contrast, electrophoretic displacement of analyte is negligible at typical nanoESI voltages. Notably, the effective flow rate associated with diffusion is comparable to the overall solution flow rates under low-voltage conditions, highlighting the importance of low-flow regimes for maintaining steady-state concentrations. These findings provide mechanistic validation for the mass balance assumptions underlying SLOMO-nMS and have broader implications for other long-duration nMS experiments that rely on stable solution-phase composition.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».