PeSA: A Software Tool for Peptide Specificity Analysis
Notice bibliographique
Résumé
ABSTRACT The discovery of molecular interactions is crucial towards a better understanding of complex biological functions. Particularly protein-protein interactions (i.e., PPIs), which are responsible for a variety of cellular functions from epigenetic modifications to enzyme-substrate specificity, have been studied extensively over the past decades. Position-specific scoring matrices (PSSM) in particular are used extensively to help determine interaction specificity or candidate interaction motifs. However, not all studies successfully report their results as a candidate interaction motif. In many cases, this is the result of a lack of analysis tools for simple analysis and motif generation. Peptide Specificity Analyst (PeSA) is developed with the goal of filling this gap and providing an analysis software to aid peptide array analysis and subsequent motif generation. PeSA utilizes two models of motif creation: (1) frequency-based using a peptide list, and (2) weight-based using a quantified matrix. The ability to generate motifs effortlessly will make analyzing, interpreting and sharing peptide specificity study results in a simple and straightforward process. GRAPHICAL ABSTRACT HIGHLIGHTS Biological motifs are widely used representations for peptide specificity analysis. PeSA populates a list of peptides matching a set threshold from a quantified matrix. Frequency-based motif using a peptide list to spot residue patterns. Use of quantified matrices to create weight-based motifs using residue positions.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».