Assigning protein subcellular distributions of vesicle associated tail‐anchored membrane proteins by image‐based machine learning
Notice bibliographique
Résumé
Subcellular localization of proteins is a key feature of eukaryotes. Traditionally, co‐staining with known marker proteins (antibody based or fluorescence fusion protein) or organelle‐specific dyes (e.g., MitoTracker TM ) have been used to study subcellular localization of proteins of interest, followed by, a final inspection of the fluorescence microscope images by an experimentalist. However, human visual examination is inclined to bias and membrane proteins are trafficked in vesicles between subcellular locations such that assignment to a specific organelle can be misleading. As an alternative way to assign localization we generated a reference library of confocal micrographs of EGFP fusion proteins localized at key subcellular organelles in murine and human cell lines. Rather than assign the localization of an unknown protein to a specific organelle we consider which reference protein has the most similar subcellular distribution from image sets that are optically validated and comprise 789,011 and 523,319 individual human and murine cell images, respectively. Both morphology and statistical features were computed to enable automated assignment of the subcellular distribution for query proteins by machine learning algorithms with high accuracy. By means of this tool we investigate subcellular transport and distribution for model tail‐anchored proteins with randomly mutated C‐terminal targeting sequences for the endoplasmic reticulum and through out the secretory pathway.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».