High-Field Asymmetric Waveform Ion Mobility Spectrometry Interface Enhances Parallel Reaction Monitoring on an Orbitrap Mass Spectrometer.
High-Field Asymmetric Waveform Ion Mobility Spectrometry Interface Enhances Parallel Reaction Monitoring on an Orbitrap Mass Spectrometer.
复制标题
DOI：
10.1021/acs.analchem.2c01287
复制
发表时间：
2022-11-22
影响因子：
7.4
通讯作者：
Wohlschlegel, James
中科院分区：
文献类型：
--
作者：
Deng, Weixian;Sha, Jihui;Xue, Fanglei;Jami-Alahmadi, Yasaman;Plath, Kathrin;Wohlschlegel, James
高场不对称波形离子迁移谱 (FAIMS) 能够在色谱时间尺度上进行气相分离，并已成为蛋白质组学应用的有用工具。然而，尽管 FAIMS 的实用性不断显现，但其肽分离的分子决定因素尚未得到系统研究。在这里，我们表征了 FAIMS 设备中在广泛的补偿电压 (CV) 范围内的肽传输，并使用机器学习来识别电荷状态和三维 (3D) 静电肽电位作为给定 CV 下肽强度的主要贡献者。我们还证明，机器学习模型可用于预测肽的优化 CV 值，这显着改进了平行反应监测工作流程。总之，这些数据提供了对 FAIMS 肽分离的深入了解，并强调了其在目标蛋白质组学应用中的实用性。
High-field asymmetric waveform ion mobility spectrometry (FAIMS) enables gas-phase separations on a chromatographic time scale and has become a useful tool for proteomic applications. Despite its emerging utility, however, the molecular determinants underlying peptide separation by FAIMS have not been systematically investigated. Here, we characterize peptide transmission in a FAIMS device across a broad range of compensation voltages (CVs) and used machine learning to identify charge state and three-dimensional (3D) electrostatic peptide potential as major contributors to peptide intensity at a given CV. We also demonstrate that the machine learning model can be used to predict optimized CV values for peptides, which significantly improves parallel reaction monitoring workflows. Together, these data provide insight into peptide separation by FAIMS and highlight its utility in targeted proteomic applications.
登录
查看更多内容
DOI：
10.1002/qsar.200630145
发表时间：
2007-06-01
期刊：
QSAR & COMBINATORIAL SCIENCE
影响因子：
--
作者：
Liang, Guizhao;Li, Zhiliang
通讯作者：
Li, Zhiliang
影响因子：
7
作者：
Bekker-Jensen, Dorte B.;Martinez-Val, Ana;Olsen, Jesper, V
通讯作者：
Olsen, Jesper, V
影响因子：
2.9
作者：
BJELLQVIST, B;HUGHES, GJ;HOCHSTRASSER, D
通讯作者：
HOCHSTRASSER, D
DOI：
10.1007/s13361-019-02288-2
发表时间：
2019-11-01
影响因子：
3.2
作者：
Dodds, James N.;Baker, Erin S.
通讯作者：
Baker, Erin S.
影响因子：
48
作者：
Reiter, Lukas;Rinner, Oliver;Aebersold, Ruedi
通讯作者：
Aebersold, Ruedi