Barcode fusion genetics-protein-fragment complementation assay (BFG-PCA): tools and resources that expand the potential for binary protein interaction discovery
Notice bibliographique
Résumé
Barcode fusion genetics (BFG) utilizes deep sequencing to improve the throughput of protein-protein interaction (PPI) screening in pools. BFG has been implemented in Yeast two-hybrid (Y2H) screens (BFG-Y2H). While Y2H requires test protein pairs to localize in the nucleus for reporter reconstruction, dihydrofolate reductase protein-fragment complementation assay (DHFR-PCA) allows proteins to localize in broader subcellular contexts and proves to be largely orthogonal to Y2H. Here, we implemented BFG to DHFR-PCA (BFG-PCA). This plasmid-based system can leverage ORF collections across model organisms to perform comparative analysis, unlike the original DHFR-PCA that requires yeast genomic integration. The scalability and quality of BFG-PCA were demonstrated by screening human and yeast interactions for >11 000 bait-prey pairs. BFG-PCA showed high-sensitivity and high-specificity for capturing known interactions for both species. BFG-Y2H and BFG-PCA capture distinct sets of PPIs, which can partially be explained based on the domain orientation of the reporter tags. BFG-PCA is a high-throughput protein interaction technology to interrogate binary PPIs that exploits clone collections from any species of interest, expanding the scope of PPI assays.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,004 |
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 ».