CAVES: A Novel Tool for Comparative Analysis of Variant Epitope Sequences
Notice bibliographique
Résumé
In silico methods for immune epitope prediction have become essential for vaccine and therapeutic design, but manual intra-species comparison of putative epitopes remains challenging and subject to human error. Created initially for analyzing SARS-CoV-2 variants of concern, comparative analysis of variant epitope sequences (CAVES) is a novel tool designed to carry out rapid comparative analyses of epitopes amongst closely related pathogens, substantially reducing the required time and user workload. CAVES applies a two-level analysis approach. The Level-one (L1) analysis compares two epitope prediction files, and the Level-two (L2) analysis incorporates search results from the IEDB database of experimentally confirmed epitopes. Both L1 and L2 analyses sort epitopes into categories of exact matches, partial matches, or novel epitopes based on the degree to which they match with peptides from the compared file. Furthermore, CAVES uses positional sequence data to improve its accuracy and speed, taking only a fraction of the time required by manual analyses and minimizing human error. CAVES is widely applicable for evolutionary analyses and antigenic comparisons of any closely related pathogen species. CAVES is open-source software that runs through a graphical user interface on Windows operating systems, making it widely accessible regardless of coding expertise. The CAVES source code and test dataset presented here are publicly available on the CAVES GitHub page.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».