PPICT: an integrated deep neural network for predicting inter-protein PTM cross-talk
Notice bibliographique
Résumé
Post-translational modifications (PTMs) fine-tune various signaling pathways not only by the modification of a single residue, but also by the interplay of different modifications on residue pairs within or between proteins, defined as PTM cross-talk. As a challenging question, less attention has been given to PTM dynamics underlying cross-talk residue pairs and structural information underlying protein-protein interaction (PPI) graph, limiting the progress in this PTM functional research. Here we propose a novel integrated deep neural network PPICT (Predictor for PTM Inter-protein Cross-Talk), which predicts PTM cross-talk by combining protein sequence-structure-dynamics information and structural information for PPI graph. We find that cross-talk events preferentially occur among residues with high co-evolution and high potential in allosteric regulation. To make full use of the complex associations between protein evolutionary and biophysical features, and protein pair features, a heterogeneous feature combination net is introduced in the final prediction of PPICT. The comprehensive test results show that the proposed PPICT method significantly improves the prediction performance with an AUC value of 0.869, outperforming the existing state-of-the-art methods. Additionally, the PPICT method can capture the potential PTM cross-talks involved in the functional regulatory PTMs on modifying enzymes and their catalyzed PTM substrates. Therefore, PPICT represents an effective tool for identifying PTM cross-talk between proteins at the proteome level and highlights the hints for cross-talk between different signal pathways introduced by PTMs.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».