Methods for the Computational Prediction of Periplasmic Proteins
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This chapter addresses several different computational methods for the identification of periplasmic proteins from sequence information alone. The benefits, pitfalls, and performance of the methods are discussed, and an approach for the optimal computational identification of periplasmic proteins from a sequenced genome is presented. Recognizing that PSORT I could be significantly improved, the authors' group set out to develop a new method, PSORTb, for the prediction of protein subcellular localization in bacteria. Indeed, many of the other methods described in the chapter use ePSORTdb as a source of training and testing data. By parsing the remaining records into an easy-to-manipulate format such as tab-delimited text format, researchers can then identify periplasmic proteins by either manually reviewing each annotated localization site or extracting any records with an instance of the word “periplasm”. The former approach is slow, but has the advantage of allowing the researchers to incorporate their own expert knowledge into the review process. Of all the methods developed for signal peptide prediction, the suite of tools developed at the Technical University of Denmark has consistently been ranked as the best by several independent evaluations. These programs include SignalP, LipoP, and TatP, which are discussed individually. The chapter has presented an overview of a selection of methods for the computational identification of periplasmic proteins. While the analytical pipeline described in the chapter will identify a large proportion of periplasmic proteins with a moderate to high degree of confidence, the need still exists for improved localization prediction methods.
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.
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) | 0,000 | 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 découle