SAINTq: Scoring protein‐protein interactions in affinity purification – mass spectrometry experiments with fragment or peptide intensity data
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
SAINT (Significance Analysis of INTeractome) is a probabilistic method for scoring bait-prey interactions against negative controls in affinity purification - mass spectrometry (AP-MS) experiments. Our published SAINT algorithms use spectral counts or protein intensities as the input for calculating the probability of true interaction, which enables objective selection of high-confidence interactions with false discovery control. With the advent of new protein quantification methods such as Data Independent Acquisition (DIA), we redeveloped the scoring method to utilize the reproducibility information embedded in the peptide or fragment intensity data as a key scoring criterion, bypassing protein intensity summarization required in the previous SAINT workflow. The new software package, SAINTq, addresses key issues in the interaction scoring based on intensity data, including treatment of missing values and selection of peptides and fragments for scoring each prey protein. We applied SAINTq to two independent DIA AP-MS data sets profiling the interactome of MEPCE and EIF4A2 and that of 14-3-3β, and benchmarked the performance in terms of recovering previously reported literature interactions in the iRefIndex database. In both data sets, the SAINTq analysis using the fragment-level intensity data led to the most sensitive detection of literature interactions at the same level of specificity. This analysis outperforms the analysis using protein intensity data summed from fragment intensity data that is equivalent to the model in SAINTexpress.
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) | 0,000 | 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 | 0,001 |
| Science ouverte | 0,001 | 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