P05.04.B ENRICHMENT AND ANALYTICAL METHODS IN CSF PROTEOMICS: EACH NAIL NEEDS A DIFFERENT HAMMER
Notice bibliographique
Résumé
Abstract BACKGROUND While proteomic analysis of CSF is emerging as a promising field in neuro-oncology, numerous enrichment and analytical approaches are possible and one size does not fit all. Leveraging the high volume of CSF available through our multi-agent intraventricular therapy program for CNS tumors, we report a systematic technical comparison of various proteomic analytic methods. MATERIAL AND METHODS Samples: Cohort 1: 5 patients (3 CNS lymphoma, 2 CNS leukemia); Cohort 2: 15 CNS lymphoma; Cohort 3: 19 CNS lymphoma.EV isolation: Volume optimization (1.5-9mL ranges) for EV isolation was conducted on Cohort 1. Nanoparticle tracking was used to measure concentration and size distribution of EV fractions. Reproducibility of the fractionation process was evaluated in pooled samples from Cohort 2 (6mL replicates). Evaluation of enrichment methods: Cohort 3 samples were used for evaluation of peptide detection profiles across MStern (50μL), Seer (250μL), N-glycoproteomics (N-Gp, 200μL), P150 and P20 (both EV isolation techniques, 6mL). Bias toward specific biophysical properties based on method was evaluated. RESULTS EV isolation: Based on EV-specific peptides detected, 6mL was established as the lowest feasible input volume. The P20 fractions showed consistently higher protein detection and particle concentration than P150. Evaluation of enrichment methods: Quantitative analysis revealed substantial variation in detection capacity; Seer had the greatest average peptide identification (17,000), followed by P20 (9000), MStern (5,500), P150 (5,000) and N-Gp (1,000). Seer had the greatest number of unique peptides. Principle component analysis showed assay led to greater variance than patient differences. Seer had highest reproducibility, followed by MStern & P20 > P150 > N-Gp. Biophysical properties were similar with all methods except N-Gp, which showed slight preferential enrichment of acidic glycopeptides and preponderance for larger, hydrophilic peptides. Cellular compartment enrichment was complementary: P20 (mitochondrial), N-GP (lysosomal), and Seer (nuclear). Pathway and functional enrichment patterns were complementary across methods as well. CONCLUSION In CSF proteomics, one size does not fit all, and each enrichment method yields complementary information. EV analysis can be conducted on as little as 6mL of CSF. While Seer demonstrates greatest yield and reproducibility, cost is very high. MStern may represent a balance of moderate peptide detection, limited input volume and cost, and high throughput for discovery proteomics. Future optimization will evaluate different mass spectrometry scan modes, such as data intendent acquisition (DIA-MS) to further enhance throughput and quantitative precision.
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 | 0,024 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,009 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,035 | 0,037 |
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 ».