Abstract 4357414: Towards More Sensitive Detection of Cardiovascular Proteolytic Signals: A Substrate Phage-Display Based Approach
Notice bibliographique
Résumé
Introduction: Dysregulated protease activity is a key early contributor to cardiovascular diseases, with neutrophil serine proteases (NSPs) implicated in the pathogenesis of stroke, chronic inflammation, atherosclerosis, and coronary ectasia. However, detecting protease activity in complex biological mixtures is limited, because current substrate-based probes may lack sufficient specificity and require prior knowledge of protease content to select probes. Objective: Our study aims to develop Deep Protease Profiling as a high-resolution method for the specific and functional characterization of protease activity in mixtures and validate its use with activated neutrophil supernatants. Methods: A random 5 amino acid substrate phage display library was constructed and screened against 3 NSPs: elastase, cathepsin G (CSG), and human proteinase 3 (hPR3). The library was also screened against the supernatant of phorbol myristate acetate (PMA)-activated neutrophils alone or in the presence of protease inhibitors. Each condition was conducted in triplicate. Cleaved phages were isolated, and cleaved sequences were identified by high-throughput sequencing. Sequencing data were analyzed by adapting algorithms used for RNAseq applications. Results: Substrate specificities for each NSP aligned with existing literature, prior protease screens, and known active site architecture. Proteolysis detected in the activated neutrophil supernatant was attributable to elastase (62%), CSG (22%), and hPR3 (3%). Peptides identified from the purified NSP reactions captured 66% of total activity in the neutrophil supernatants. Deconvolution algorithms objectively captured substrate profiles of >1M peptides to quantify protease activity across neutrophil mixtures, with significantly reduced elastase, CSG, and hPR3 activity identified in neutrophil supernatants treated with AEBSF. Results across two algorithms tested (CibersortX, EPIC) were highly congruent. We further found unique substrates distinct for each protease and classified physiologically relevant cleavage motifs, with validation by MEROPs databases. Conclusion: We demonstrated a global, unbiased, and systematic method of unprecedented breadth to detect and deconvolute protease activity in complex biological mixtures. Future studies will expand Deep Protease Profiling to other proteases, mixtures, and clinical samples, with promise as an emerging platform for developing novel diagnostic tools to manage disease in patients.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».