New insights into template-based protein modeling techniques
Notice bibliographique
Résumé
introduction: While the development of genomic sequencing methods has greatly improved the efficiency of collecting sequence data, experimental methods to obtain structure information have been lagging significantly. In order to elucidate protein structures, researchers have developed computational structural modeling techniques such as homology modeling and fold recognition (threading). The general consensus is that homology modeling is a superior approach with templates of high sequence similarity to the desired target (>30%), whereas threading is better suited for lower (<30%) sequence similarity templates. We compared recently improved threading algorithms with homology modeling to test the validity of this consensus. Methods: The most current versions of moDelleR and I-TasseR were used for model generation. We then used common assessment criteria (n-Dope, Q-mean and pRoCheCK) to verify the validity of the models. structure comparisons were also made using Chimera’s Cα root-mean-square deviation. results: Contrary to our prior expectations, the model determined by threading showed similar or even better assessment results in some criteria compared to the model generated from homology modeling. Furthermore, the structure analysis showed that homology modeling and threading protocols yield models with root-mean-square deviations of under 2 Å when used on protein sequences that share sequence identities of at least 30% to the experimentally determined protein template. discussion: We believe that recent improvements in threading algorithms will allow for broader applications of this methodology in large-scale modeling efforts. The fully automated steps could provide time efficacy. In contrast to popular belief in the modeling community, we have shown that threading could be a competitive means of modeling rather than a mere backup method.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».