E2EDNA 2.0: Python Pipeline for Simulating DNA Aptamerswith Ligands
Notice bibliographique
Résumé
DNA aptamers are short sequences of single-stranded DNA with untapped potential in molecular medicine, drug design, and materials design due to their strong and selective and most importantly tunable binding affinity to target molecules (Tucker et al., 2012;Zhou & Rossi, 2017).For instance, DNA aptamers can be used as therapeutics (Corey et al., 2021) for a wide range of diseases such as epilepsy (Zamay et al., 2020) and cancer (Morita et al., 2018).They can also be used to detect a wide variety of molecular ligands, including antibiotics (Mehlhorn et al., 2018), neurotransmitters (Sinha & Das Mukhopadhyay, 2020), metals (Qu et al., 2016), proteins (Kirby et al., 2004), nucleotides (Shen et al., 2007) and metabolites (Dale, 2021;Dauphin-Ducharme et al., 2022) in real time, even in harsh environments (McConnell et al., 2020).We present E2EDNA 2.0: End-2-End DNA 2.0, a Python simulation pipeline that offers a unified and automated solution to computational modeling of DNA aptamers with molecular ligands.It is broadly aimed at researchers developing therapeutics and sensors based on DNA aptamers who require detailed atomistic information on the behavior of aptamers and ligands in realistic media.Similar to its predecessor E2EDNA (Kilgour et al., 2021), E2EDNA 2.0 predicts DNA aptamers' secondary and tertiary structures, and if a ligand is present, the configuration of the solvated aptamer-ligand complex.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,041 | 0,009 |
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 ».