Apta FastZ: An Algorithm for the Rapid Identification of Aptamers with Defined Binding Affinities
Notice bibliographique
Résumé
Real-time biomolecular monitoring requires biosensors based on affinity reagents, such as aptamers, with moderate to low affinities for the best binding dynamics and signal gain. We recently reported Pro-SELEX, an approach that utilizes parallelized SELEX and high-content bioinformatics for the selection of aptamers with predefined binding affinities. The Pro-SELEX pipeline relies on an algorithm, termed AptaZ, that can predict the binding affinities of selected aptamers. The original AptaZ algorithm is computationally complex and slows the overall throughput of Pro-SELEX. Here, we present Apta FastZ, a rapid equivalent of AptaZ. The Apta FastZ algorithm considers the spare nature of the sequences from SELEX and is coded to avoid unnecessary comparison between sequences. As a result, Apta FastZ achieved a 10 to 40-fold faster computing speed compared to the original AptaZ algorithm while maintaining identical outcomes, allowing the bioinformatics to be completed within 1-10 h for large-scale data sets. We further validated the affinity of myeloperoxidase aptamers predicted by Apta FastZ by experiments and observed a high level of linear correlation between predicted scores and measured affinities. Taken together, the implementation of Apta FastZ could greatly accelerate the current Pro-SELEX workflow, allowing customized aptamers to be discovered within 3 days using preselected DNA libraries.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».