Revealing Protein Structures by Co-Occurrence Clustering of Aligned Pattern Clusters
Notice bibliographique
Résumé
Proteins can be represented in several ways, including primary protein sequence, where the protein is represented as a string of amino acids, and three-dimensional structure, where the sequence is folded into a structure. By analyzing proteins from the same protein family, we can find conserved protein regions that are common within that protein family, gaining biological knowledge. Compared to the amount of protein three-dimensional structures available, there is an abundance of protein sequences, hence, making analysis of protein sequence to find characteristics in its three-dimensional structures crucial. Through sequence pattern discovery and alignment, statistically significant sequence patterns in protein families are found and represented as Aligned Pattern Clusters (APCs). When two or more APCs occur frequently together on the same protein, this implies that they together have important relationship in the protein. A co-occurrence score is used to quantify such relationship between the APCs, which are further used to cluster APCs into APC clusters. The purpose of this paper is to examine the validate of the proposed method by applying our method to two protein families, triosephosphate isomerase and G-alpha. The results are then verified using three-dimensional structures to check both to examine whether the results comply with the structure and how often with different known structures. The results for both protein families comply in majority with the known structures, and their APCs were close in three-dimensional distance. We found three characteristics that are common in the resulting APC clusters from both sets of protein data: the APC cluster forming a complete graph, the APC cluster having a high co-occurrence score, and the APC cluster containing APCs with more than one patterns. Furthermore, our method and results are currently being verified by important proteins crystallized from an immunology lab.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,012 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».