深度等离子体蛋白质学与数据独立获取:临床研究协议优化与COVID-19队列
Bradley Ward1, Sébastien Pyr Dit Ruys1, Jean-Luc Balligand1
1Integrated Pharmacometrics, Pharmacogenomics and Pharmacokinetics Group (PMGK), Louvain Drug Research Institute (LDRI), UCLouvain, Université Catholique de Louvain, 1200 Brussels, Belgium.
Journal of proteome research
|August 19, 2024
概括
本研究提出了一种具有成本效益的血蛋白学方法,该方法结合了预分和数据独立获取 (DIA). 这种方法提高了蛋白质组覆盖范围和深度,以改善COVID-19等疾病中的生物标志物发现.
科学领域:
- 蛋白质组学是指蛋白质组学.
- 生物标志物发现发现
- 质谱测量质量谱测量
背景情况:
- 血蛋白质组学对于疾病研究至关重要,但传统上需要大量的样本准备.
- 数据依赖采集 (DDA) 对等离子体等复杂样品的蛋白质组覆盖和深度有局限性.
研究的目的:
- 开发和验证用于深度血蛋白质组分析的简化,经济高效的方法.
- 通过预分和数据独立获取 (DIA) 改进蛋白质组覆盖范围和生物标志物发现深度.
主要方法:
- 使用中度血预分离与数据独立获取 (DIA) 相结合.
- 采用标准消耗,样本准备和分离技术.
- 在20名COVID-19患者队列中进行了3次LC-MS/MS注射,DIA运行时间为360分钟.
主要成果:
- 平均每位患者检测到1321种蛋白质,整个队列中检测到2031种独特的蛋白质.
- 确定了数百种不同丰富的蛋白质,包括那些度低至47 ng/L的蛋白质.
- 证明分化显著改善了蛋白质定量,增强了蛋白质组深度.
结论:
- 联合预分和DIA方法为深度血蛋白质组分析提供了具有成本效益的方法.
- 这种技术扩大了血蛋白质组学的实用性,超出了临床应用的传统研究环境.
- 增强的蛋白质组覆盖面有助于对COVID-19等疾病进行全面的生物标志物发现.
关键词:
在 COVID-19 疫情中,迪亚尼尼 (DIA-NNN) 是一个生物标志物 生物标志物临床蛋白质组学数据独立的获取采集.深度蛋白质组分析分割法 分割法 分割法 分割法 分割法血蛋白质组学研究更多相关视频
09:00A Streamlined Approach for Mass Spectrometry-Based Proteomics Using Selected Tissue Regions
Published on: April 18, 2025
370
10:37Deep Proteome Profiling by Isobaric Labeling, Extensive Liquid Chromatography, Mass Spectrometry, and Software-assisted Quantification
Published on: November 15, 2017
11.9K
