MétaCan
Menu
Retour à la cohorte
Enregistrement W4295067759 · doi:10.1016/j.csbj.2022.08.021

Integrating knowledge of protein sequence with protein function for the prediction and validation of new MALT1 substrates

2022· article· en· W4295067759 sur OpenAlexafffund
Peter A. Bell, Sophia Scheuermann, Florian Renner, Christina L. Pan, Henry Y. Lu, Stuart E. Turvey, Frédéric Bornancin, Catherine H. Régnier, Christopher M. Overall

Notice bibliographique

RevueComputational and Structural Biotechnology Journal · 2022
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMachine Learning in Bioinformatics
Établissements canadiensBC Children's HospitalUniversity of British Columbia
Organismes subventionnairesCanada Research ChairsCanadian Institutes of Health ResearchInstitute of Neurosciences, Mental Health and AddictionGenome British ColumbiaDeutscher Akademischer AustauschdienstMichael Smith Health Research BC
Mots-clésBiologyComputational biologyImmunoprecipitationCell biologyDrug discoveryFunction (biology)TransfectionGeneticsGeneBioinformatics

Résumé

récupéré en direct d'OpenAlex

We developed a bioinformatics-led substrate discovery workflow to expand the known substrate repertoire of MALT1. Our approach, termed GO-2-Substrates, integrates protein function information, including GO terms from known substrates, with protein sequences to rank substrate candidates by similarity. We applied GO-2-Substrates to MALT1, a paracaspase and master regulator of NF-κB signalling in adaptive immune responses. With only 12 known substrates, the evolutionarily conserved paracaspase functions and phenotypes of Malt1 –/– mice strongly implicate the existence of undiscovered substrates. We tested the ranked predictions from GO-2-Substrates of new MALT1 human substrates by co-expression of candidates transfected with the oncogenic constitutively active cIAP2-MALT1 fusion protein or CARD11/BCL10/MALT1 active signalosome. We identified seven new MALT1 substrates by the co-transfection screen: TANK, TAB3, CASP10, ZC3H12D, ZC3H12B, CILK1 and ILDR2. Using catalytically inactive cIAP2-MALT1 (Cys464Ala), a MALT1 inhibitor, MLT-748, and noncleavable P1-Arg to Ala mutant versions of each substrate in dual transfections, we validated the seven new substrates in vitro. We confirmed the cleavage of endogenous TANK and the RNase ZC3H12D in B cells by Western blotting and mining TAILS N-terminomics datasets, where we also uncovered evidence for these and 12 other candidate substrates by endogenous MALT1. Thus, protein function information improves substrate predictions. The new substrates and other high-ranked MALT1 candidate substrates should open new biological frontiers for further validation and exploration of the function of MALT1 within and beyond NF-κB regulation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,003
Bibliométrie0,0050,003
Études des sciences et des technologies0,0010,000
Communication savante0,0030,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,003

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,248
Écart entre enseignants0,237 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueComputational and Structural Biotechnology JournalMême sujetMachine Learning in BioinformaticsTravaux en français237 207