Computational prediction of proteotypic peptides
Notice bibliographique
Résumé
Evaluation of: Mallick P, Schirle M, Chen SS et al. Computational prediction of proteotypic peptides for quantitative proteomics. Nat. Biotechnol. 25(1), 125–131 (2007).Mass spectrometry, the driving analytical force behind proteomics, is primarily used to identify and quantify as many proteins in a complex biological mixture as possible. While there are many ways to prepare samples, one aspect that is common to a vast majority of bottom-up proteomic studies is the digestion of proteins into tryptic peptides prior to their analysis by mass spectrometry. As correctly highlighted by Mallick and colleagues, only a few peptides are repeatedly and consistently identified for any given protein within a complex mixture. While the existence of these proteotypic peptides (to borrow the authors’ terminology) is well known in the proteomics community, there has never been an empirical method to recognize which peptides may be proteotypic for a given protein. In this study, the investigators discovered over 16,000 proteotypic peptides from a collection of over 600,000 peptide identifications obtained from four different analytical platforms. The study examined a number of physicochemical parameters of these peptides to determine which properties were most relevant in defining a proteotypic peptide. These characteristic properties were then used to develop computational tools to predict proteotypic peptides for any given protein within an organism.
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) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».