Efficient generation of low-energy folded states of a model protein. II. Automated histogram filtering
Notice bibliographique
Résumé
A number of short, Monte Carlo simulated annealing runs are performed on a highly frustrated 69-mer off-lattice model protein, consisting of a chain of 69 beads that are either hydrophobic, hydrophilic, or neutral in nature, and which demonstrably folds into a six-stranded β-barrel structure. We employ an iterative, consensus-based scheme to cluster the 725 nonbonded distances between the hydrophobic beads using, in tandem, Ward’s method for hierarchical clustering and k-means partitional clustering. We also independently analyze the same data using computer-automated histogram filtering, a technology designed to cluster high-dimensional data, without the tedium and subjectivity required by our iterative implementation of the two classical clustering methods. The memberships of low-energy clusters obtained from both classical clustering and automated histogram filtering approaches are remarkably similar. Nonbonded distance constraints are derived from these clusters and from small sets of the original unclustered conformations obtained by simulated annealing. Employing a distance geometry approach, we efficiently generate novel, low-energy conformations from each set of distance constraints, including the apparent native structure, up to 40 times faster than by doing additional simulated annealing runs. Over 33 000 unique locally optimized conformations are generated in total, substantially augmenting the number of low-energy states located by the original simulated annealing runs.
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 ».