Empirical prediction of protein p<i>K</i><sub>a</sub>values with residue mutation
Notice bibliographique
Résumé
A fast, empirical method, Mut-pKa, is presented for predicting the pKa values of ionizable residues in proteins based on mutation. The method compares the effect of mutating each residue that may act as a hydrogen bond donor or acceptor for the ionizable residue. The energetic effect of each type of mutation, along with a desolvation measure and the overall background charge, is fit against pKa data for histidine and carboxyl residues. A total of 214 residues from 35 different proteins were used in the dataset. Using 11 parameters for each type of ionizable residue, a root mean squared error (RMSE) of 0.78 and 1.12 pH units were obtained for carboxyl and histidines residues, respectively, using leave one out cross validation (LOOCV). The results were particularly promising for buried residues, which had RMSE values of 0.99 and 1.13 for carboxyl and histidine residues, respectively. A number of desolvation measures were tested. The simplest measure, the number of atoms surrounding the residue, was found to work best. The effect of using dynamics was also studied using short molecular dynamics runs, followed by minimization of the structures. Mut-pKa has significantly fewer parameters than, but similar performance to, other empirical methods. Because of this and the LOOCV results, we believe the model is robust and that overfitting is not a problem.
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) | 0,000 | 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 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 ».