Machine Learning of Global Phosphoproteomic Profiles Enables Discrimination of Direct versus Indirect Kinase Substrates
Notice bibliographique
Résumé
Mass spectrometry allows quantification of tens of thousands of phosphorylation sites from minute amounts of cellular material. Despite this wealth of information, our understanding of phosphorylation-based signaling is limited, in part because it is not possible to deconvolute substrate phosphorylation that is directly mediated by a particular kinase versus phosphorylation that is mediated by downstream kinases. Here, we describe a framework for assignment of direct in vivo kinase substrates using a combination of selective chemical inhibition, quantitative phosphoproteomics, and machine learning techniques. Our workflow allows classification of phosphorylation events following inhibition of an analog-sensitive kinase into kinase-independent effects of the inhibitor, direct effects on cognate substrates, and indirect effects mediated by downstream kinases or phosphatases. We applied this method to identify many direct targets of Cdc28 and Snf1 kinases in the budding yeast Saccharomyces cerevisiae. Global phosphoproteome analysis of acute time-series demonstrated that dephosphorylation of direct kinase substrates occurs more rapidly compared with indirect substrates, both after inhibitor treatment and under a physiological nutrient shift in wt cells. Mutagenesis experiments revealed a high proportion of functionally relevant phosphorylation sites on Snf1 targets. For example, Snf1 itself was inhibited through autophosphorylation on Ser 391 and new phosphosites were discovered that modulate the activity of the Reg1 regulatory subunit of the Glc7 phosphatase and the Gal83 -subunit of SNF1 complex. This methodology applies to any kinase for which a functional analog sensitive version can be constructed to facilitate the dissection of the global phosphorylation network.
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 | 0,001 | 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 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 ».