Peptide arrays for kinome analysis: New opportunities and remaining challenges
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
Phosphorylation is the predominant mechanism of post-translational modification for regulation of protein function. With central roles in virtually every cellular process, and strong linkages with many diseases, there is a considerable interest in defining, and ultimately controlling, kinase activities. Investigations of human cellular phosphorylation events, which includes over 500 different kinases and tens of thousands of phosphorylation targets, represent a daunting challenge for proteomic researchers and cell biologists alike. As such, there is a priority to develop tools that enable the evaluation of cellular phosphorylation events in a high-throughput, and biologically relevant, fashion. Towards this objective, two distinct, but functionally related, experimental approaches have emerged; phosphoproteome investigations, which focus on the sub-population of proteins which undergo phosphorylation and kinome analysis, which considers the activities of the kinase enzymes mediating these phosphorylation events. Within kinome analysis, peptide arrays have demonstrated considerable potential as a cost-effective, high-throughput approach for defining phosphorylation-mediated signal transduction activity. In particular, a number of recent advances in the application of peptide arrays for kinome analysis have enabled researchers to tackle increasingly complex biological problems in a wider range of species. In this review, recent advances in kinomic analysis utilizing peptides arrays including several of the biological questions studied by our group, as well as outstanding challenges still facing this technology, are discussed.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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