Large scale identification of protein SUMOylation by mass spectrometry in HEK293 cells
Bibliographic record
Abstract
Une large gamme d’événements cellulaires est régulée par la SUMOylation des protéines. Cette modification post-traductionnelle est impliquée dans le cancer notamment dans la leucémie promyélocytaire aigue. À ce jour, peu d’études à grande échelle ont porté sur l’identification des sites de modification. Ce mémoire présente une approche protéomique quantitative unique qui combine une double purification par affinité au niveau des protéines cibles ainsi que des peptides modifiés. L’approche la plus répandue de purification des protéines SUMOylés implique l’utilisation d’une forme de SUMO modifié avec une étiquette (His6-SUMO). A ce jour, les approches permettant l’enrichissement au niveau peptidique nécessite une forme mutante de SUMO. Notre analyse consiste à premièrement enrichir en protéines SUMOylés dans les cellules humaines vierges ou sur exprimant His6-SUMO-1/3 en présence ou pas de trioxyde de diarsenic, un traitement de leucémie promyélocytaire aigue. Par la suite, les échantillons sont digérés et les peptides obtenus des protéines SUMOylés conservent un branchement caractéristique. Les peptides sont soit immunoprécipités avec un anticorps spécifique au branchement SUMO ou directement analysés par nano LC/LC-MS/MS par un spectromètre de masse LTQ-Orbitrap. Une analyse manuelle des données révèle des fragments caractéristiques correspondant à la chaîne latérale de SUMO. L’originalité de l’approche réside dans l’identification quantitative et sans ambigüité des sites de SUMOylation. Cette approche a permis l’identification de 17 et 3 sites de SUMO-3 et SUMO-1 respectivement dans les cellules HEK293. Finalement, la SUMOylation de PML est induite suite au traitement d’arsenic.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".