<i>N</i>-Glycosylation Analysis Using the StrOligo Algorithm
Notice bibliographique
Résumé
N-glycosylation of proteins is the predominant glycosylation in mammals and confers specific conformations, localization, and functions to proteins. High-throughput proteomics techniques have focused on the identification of proteins through amino acid sequence determination, with little attention paid to their post-translational modification, in particular, glycosylation. High-throughput mass spectrometric data often contain information about glycosylation, but this is systematically discarded by proteomic search engines. We have developed an algorithm, StrOligo (for STRucture of OLIGOsaccharides), capable of automated analysis of oligosaccharide composition and possible structures by mass spectrometry. The algorithm analyzes tandem mass spectrometry (MS/MS) data in an automated three-step process and provides possible structures and a discrimination score. In the first step, the algorithm constructs a relationship tree of the monosaccharide moiety losses observed in the MS/MS spectrum. In the second step, the algorithm uses the tree to propose possible compositions and structures from combinations of adduct and fragment ions as well as a discrimination score, which reflects the fit with the experimental results. Finally, an interface is available to visualize the proposed structures and their scores. As well, the MS/MS spectrum is displayed with relevant peaks labeled for the proposed structure with the highest discrimination score, using a modified nomenclature.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».