A computationally driven analysis of the polyphenol-protein interactome
Notice bibliographique
Résumé
Polyphenol-rich foods are part of many nutritional interventions aimed at improving health and preventing cardiometabolic diseases (CMDs). Polyphenols have oxidative, inflammatory, and/or metabolic effects. Research into the chemistry and biology of polyphenol bioactives is prolific but knowledge of their molecular interactions with proteins is limited. We mined public data to (i) identify proteins that interact with or metabolize polyphenols, (ii) mapped these proteins to pathways and networks, and (iii) annotated functions enriched within the resulting polyphenol-protein interactome. A total of 1,395 polyphenols and their metabolites were retrieved (using Phenol-Explorer and Dictionary of Natural Products) of which 369 polyphenols interacted with 5,699 unique proteins in 11,987 interactions as annotated in STITCH, Pathway Commons, and BindingDB. Pathway enrichment analysis using the KEGG repository identified a broad coverage of significant pathways of low specificity to particular polyphenol (sub)classes. When compared to drugs or micronutrients, polyphenols have pleiotropic effects across many biological processes related to metabolism and CMDs. These systems-wide effects were also found in the protein interactome of the polyphenol-rich citrus fruits, used as a case study. In sum, these findings provide a knowledgebase for identifying polyphenol classes (and polyphenol-rich foods) that individually or in combination influence metabolism.
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 | 0,001 |
| 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 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 ».