Benchmarking computational tools for de novo motif discovery
Notice bibliographique
Résumé
Background: Over the past twenty years, numerous motif discovery bioinformatic tools have been developed for discovering short linear motifs (SLiMs) from high-throughput experimental data on domain-peptide interactions. However, these tools are generally evaluated individually and mostly using synthetic data that do not accurately capture the motif context observed within proteomic data. Consequently, it is unclear how these tools perform in real-world use cases and how they perform compared to each other. Results: Here, we benchmarked five motif discovery tools and seven general sequence alignment tools on their capacity to find SLiMs. For this purpose we have built MEP-Bench, a benchmarking dataset of peptides of varying complexity from curated SLiM instances from the Eukaryotic Linear Motif database. MEP-Bench allows tools to be tested for the effect of dataset size, peptide length, background noise level and motif complexity on motif discovery. The main metric used to compare all tools was the percentage of correctly aligned SLiM containing peptides. Two motif discovery tools (DEME and SLiMFinder) and a sequence alignment tool (Opal) outperformed the rest of the tools when benchmarked with this metric, averaging over 70% correctly aligned motif-containing peptides. The performance of the motif discovery tools and Opal were not affected by the sizes of the datasets. However, increasing peptide lengths and noise levels decreased all tools' performances. While all tools performed well for N-/C-terminal motifs, for low-complexity motifs only DEME and SLiMFinder returned correctly aligned motifs for 50% or more of the datasets. Conclusions: This study highlights DEME, SLiMFinder and Opal as the best performing tools for finding motifs in short peptides, and it indicates experimental parameters that should be considered given the limitations of the available tools. However, there is room for improvement, as no tool was able to identify all motif types. We propose that MEP-Bench can serve as a valuable resource for the SLiM community to compare new motif discovery methods with those benchmarked here.
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 | 0,008 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».