Enrichment of Low-Abundance and Low-Molecular-Weight Proteins in Human Milk Using Mass Spectrometry-Based Proteomics
Notice bibliographique
Résumé
Human milk is a uniquely complex biological fluid, rich in bioactive components such as proteins, antibodies, enzymes, and hormones that are critical for immunity, development, and disease prevention. However, studying these trace proteins requires specialized depletion methods to counteract the dominance of abundant proteins. In this study, we systematically evaluated five different protein depletion methods: centrifugation, organic solvent-based approaches, acid precipitation, and a commercial kit (CK) to assess their efficacy in enriching low-abundance proteins (LAPs) for LC-MS/MS analysis. The comparative analysis of different depletion methods selectively enriched the sequencing depth of LAPs, highlighting the necessity of method selection in milk proteomics research. Our results further revealed that perchloric acid (PerCA) precipitation was the most effective method for identifying unique low-molecular-weight proteins (LMWPs), and optimization of the abundant protein depletion strategy could greatly increase (>10%) the extraction of LMWPs from milk samples. Additionally, several new proteins were found in our investigation when compared to publicly available milk proteome data. Thus, expanding the list of human milk proteomes enriched the data set and offered valuable insights into the complex biological functions of human milk and its impact on neonatal 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».