How to Develop and Prove High-Efficiency Selection of Ligands from Oligonucleotide Libraries: A Universal Framework for Aptamers and DNA-Encoded Small-Molecule Ligands
Notice bibliographique
Résumé
Screening molecular libraries for ligands capable of binding proteins is widely used for hit identification in the early drug discovery process. Oligonucleotide libraries provide a very high diversity of compounds, while the combination of the polymerase chain reaction and DNA sequencing allow the identification of ligands in low copy numbers selected from such libraries. Ligand selection from oligonucleotide libraries requires mixing the library with the target followed by the physical separation of the ligand-target complexes from the unbound library. Cumulatively, the low abundance of ligands in the library and the low efficiency of available separation methods necessitate multiple consecutive rounds of partitioning. Multiple rounds of inefficient partitioning make the selection process ineffective and prone to failures. There are continuing efforts to develop a separation method capable of reliably generating a pure pool of ligands in a single round of partitioning; however, none of the proposed methods for single-round selection have been universally adopted. Our analysis revealed that the developers' efforts are disconnected from each other and hindered by the lack of quantitative criteria of selection quality assessment. Here, we present a formalism that describes single-round selection mathematically and provides parameters for quantitative characterization of selection quality. We use this formalism to define a universal strategy for development and validation of single-round selection methods. Finally, we analyze the existing partitioning methods, the published single-round selection reports, and some pertinent practical considerations through the prism of this formalism. This formalism is not an experimental protocol but a framework for correct development of experimental protocols. While single-round selection is not a goal by itself and may not always suffice selection of good-quality ligands, our work will help developers of highly efficient selection approaches to consolidate their efforts under an umbrella of universal quantitative criteria of method development and assessment.
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 | 0,006 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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.
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 ».