MétaCan
Menu
← Retour à la cohorte
Enregistrement W2968003329

High-throughput screening of interacting proteins and their modulators in living cells

2008· article· en· W2968003329 sur OpenAlexaff
Jian-Ping Lu, Laura Beatty, Jehonathan H. Pinthus

Notice bibliographique

RevueCancer Research · 2008
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueBioinformatics and Genomic Networks
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésProtein-fragment complementation assayComputational biologyFörster resonance energy transferHigh-throughput screeningBimolecular fluorescence complementationProtein–protein interactionDrug discoveryBiologyTarget proteinScreening techniquesIn vivoORFSThroughputProteomeComplementationBioinformaticsCell biologyGeneticsComputer scienceGeneFluorescencePhysics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

1539 One of the main limitations with genome-proteome based anti-cancer drug development is the lack of understanding of the complicated interaction networks between various proteins and the target. Accordingly, it is very difficult to predict the potential adverse effects of the drug under design. High throughput screening is required to confirm protein interactions as well as to identify molecules that can either promote or inhibit these interactions as early as at the pre-clinical phases of drug development. Unfortunately, the current methods used for the screening of protein interactions both in vitro (e.g. protein array) and in vivo (e.g. yeast two-hybrid) have many limitations. These include multiple costly and time-consuming complicated procedures, non-specific interactions, along with high rate of false positive/negative findings. We have developed a high throughput screening approach using a high efficiency recombinase-based expression plasmid vector library, each plasmid expressing two tagged-ORFs of interest. Consequently, high throughput screening and verification of novel protein interactions can be easily performed based on FRET (fluorescence resonance energy transfer), PFC (protein fragment complementation) or BiFC (bimolecular fluorescence complementation). This novel method overcomes the aforementioned limitations and presents a unique route for the investigation of protein functions of intact proteins in their native state in vivo. Using this method, we achieved increased transformation efficiency, higher stringency detection, decreased false positive results and high-throughput formats.
 Our lab is currently applying the technology in screening and confirmation of
 Novel protein interactions in living prokaryotic and eukaryotic cells.
 Setting up high throughput protocols for the screening and verification of protein interactions.
 Identification of potential drug candidates (small molecular chemicals, peptides etc.) that can modulate protein interactions towards the development of new anti-cancer agents.
 For more information, contact: Sunita Asrani, Industrial Liaison Officer, Health Sciences, McMaster University Tel: (905) 525-9140 Ext. 28641 Fax: (905) 546-1372; Email: asranis@mcmaster.ca; JianPing Lu, Jehonathan Pinthus, Fax 001-905-575-6330 E-mail: jianping.lu@hrcc.on.ca; jehonathan.pinthus@hrcc.on.ca

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)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,042
Tête enseignante GPT0,322
Écart entre enseignants0,280 · 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'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCancer Research→Même sujetBioinformatics and Genomic Networks→Travaux en français237 207→