At the Intersection of Proteomics and Big Data Science
Notice bibliographique
Résumé
As in other areas of big data science, a major bottleneck in proteomics is data analysis and data management. The primary technology used in proteomics is LC-MS/MS, which is used to resolve and collect fragment spectra of many thousands of peptides in a protease-digested proteome. To get a sense for the sheer volume of data generated by such experiments, imagine the data generated by a routine clinical LC-MS/MS method quantifying a single analyte and scale up by a factor of 100000. From LC-MS/MS proteomics experiments, proteins must first be identified from peptide fragment spectra, followed by relative quantification of all peptides, all the while trying to adhere to common quality metrics. There are dozens of search engines available for these steps, including MaxQuant, Mascot, SEQUEST, Byonic, and X!Tandem. Once a proteome profile has been generated, further data mining, including machine learning, is required to derive biological insight from the systems level view of the proteome. These steps can vary greatly and depend on the type of experiment performed (e.g., differential protein expression, protein interaction partners, posttranslational modifications) and the organism/tissue/cell type/etc. under study. Finally, the data must be archived, annotated, and shared publicly in adherence with community standards—now a requirement for publication in many top-tier journals.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,021 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,003 | 0,011 |
| Communication savante | 0,018 | 0,037 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,008 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».