Développements de stratégies de spectrométrie de masse sur tissu pour l’identification, la quantification et la cartographie
Bibliographic record
Abstract
L’imagerie par spectrométrie de masse est une technique sans marquage permettant la détection et la localisation de protéines à partir de coupes de tissus. Afin de répondre à des problématiques biologiques, le nombre de protéines identifiées doit être amélioré. Une stratégie consiste à réaliser une micro-jonction liquide sur des régions particulières des coupes de tissus afin d’extraire les peptides issus de la digestion in situ des protéines. Plus de 1500 protéines ont identifié sur une zone de 650µm, correspondant à environ 1900 cellules. Une corrélation entre ces données avec celles générées par MSI a augmenté le nombre de protéines localisées. Afin d’obtenir dans le même temps, la localisation et l’identification de protéines, une méthode consiste à réaliser la microdissection de l’ensemble de la coupe après l’avoir déposée sur une lame recouverte de parafilm. PAM a également été appliquée à l’étude de l'expression différentielle de protéines dans des tumeurs de prostate. Les résultats ont permis d’identifier des biomarqueurs potentiels tels que des protéines complexées avec des petits ARN nucléolaires. Enfin, la faisabilité des méthodes MS appliquées à l’étude structurale de protéines, tel que l'échange deutérium ou le pontage chimique, ont été examinés directement sur tissu. Les résultats préliminaires suggèrent qu’une étude structurale de protéines est possible afin de déterminer des changements de structures entrainés par la modification du microenvironnement. Réunis ensemble, ces méthodes MS d'analyses directes fournissent un moyen robuste d’étude de protéines dans leur état natif afin de fournir des indications sur leur rôle dans des systèmes biologiques.
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 | 0.004 | 0.002 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 0.002 |
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".