Functional characterization of drug-protein interactions network
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
Understanding the molecular mechanism that govern drug protein interactions is essential for efficient drug design. The progress in drug development is very slow compared to the rising variation in human genomes and the discovery of new diseases. Thus the need to have more efficient and effective d rug discovery pipelines is becoming essential. In this paper, we study and analyze the relationships between drugs and proteins that they target. We consider some properties of the proteins that can be used to give weight to protein-protein relationships. We aim to identify protein properties that might guide the drug to proteins. Amino acid enrichment in target clusters is analyzed to assess if certain drugs prefer particular amino acids. The correlation between the net charge of the drug with the amino acids in the target protein is studies as well. Moreover, characterizing the functional components in drug target clusters is necessary to find drug preference. Sequence motifs and domains, post-translational modification and biological pathways of target proteins are analyzed to understand drug preference. This characterizes the drug target proteins from sequence and functional angles. Finally, we realized the importance of the social network model in analyzing any problem that can be modeled as a network. Fortunately, the problem tackled in this paper fits well the network requirement of the social network model. Hence, we analyze the correlations using the social network model where actors are drugs and proteins; our aim is to analyze the relations between drugs and proteins by benefiting from the rich metrics developed to analyze social networks. In this paper, we briefly mention the social network technique in order to demonstrate its applicability which will be detailed in a future publication.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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