MétaCan
Menu
Retour à la cohorte
Enregistrement W2953167359 · doi:10.1002/pro.3667

The role of protein complexes in human genetic disease

2019· review· en· W2953167359 sur OpenAlexfundno aff
L. Therese Bergendahl, Lukas Gerasimavicius, Jamilla Miles, Lewis Macdonald, Jonathan N. Wells, Julie P. I. Welburn, Joseph A. Marsh

Notice bibliographique

RevueProtein Science · 2019
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGenomics and Rare Diseases
Établissements canadiensnon disponible
Organismes subventionnairesMedical Research CouncilLister Institute of Preventive MedicineMedical Research Council CanadaWellcome Trust
Mots-clésHuman diseaseDiseaseGeneticsComputational biologyChemistryBiologyEvolutionary biologyMedicineGeneInternal medicine

Résumé

récupéré en direct d'OpenAlex

Many human genetic disorders are caused by mutations in protein-coding regions of DNA. Taking protein structure into account has therefore provided key insight into the molecular mechanisms underlying human genetic disease. Although most studies have focused on the intramolecular effects of mutations, the critical role of the assembly of proteins into complexes is being increasingly recognized. Here, we review multiple ways in which consideration of protein complexes can help us to understand and explain the effects of pathogenic mutations. First, we discuss disorders caused by mutations that perturb intersubunit interactions in homomeric and heteromeric complexes. Second, we address how protein complex assembly can facilitate a dominant-negative mechanism, whereby mutated subunits can disrupt the activity of wild-type protein. Third, we show how mutations that change protein expression levels can lead to damaging stoichiometric imbalances. Finally, we review how mutations affecting different subunits of the same heteromeric complex often cause similar diseases, whereas mutations in different interfaces of the same subunit can cause distinct phenotypes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,003

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,312
Écart entre enseignants0,290 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations100
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProtein ScienceMême sujetGenomics and Rare DiseasesTravaux en français237 207