Quantitative Comparison and Clustering of Circular Dichroism Spectra Using a Symmetrized Weighted Spectral Difference
Notice bibliographique
Résumé
Spectroscopy (UV-visible, circular dichroism, infrared, Raman, fluorescence, etc.) is of fundamental importance to determine the structures of macromolecules and monitor their stability, especially for drug products, based on proteins or nucleic acids. In their 2014 article, Dinh et al. proposed Weighted Spectral Difference (WSD) as a method to quantitatively compute the dissimilarity of a given spectrum to a reference one. Despite the various properties of this method, its lack of symmetry and dependence on the selection of a reference limits the range of possible applications. Here, we propose a reference-free, symmetrized version of WSD (SWSD) that allows the computation of a semi-distance between two spectra. SWSD can be applied to perform group comparisons, track spectral kinetics, or construct a SWSD matrix leading to the hierarchical clustering of spectra. This method was tested on circular dichroism spectra from a split-virus-based (influenza) vaccine and a recombinant spike protein (COVID-19 vaccine). This approach resulted, first, in a perfect clustering of influenza A and B viruses into two distinct clusters, and second, in the detection of the change of secondary structure of the spike protein during a heating experiment, identifying two main temperatures of denaturation (Tm) by SWSD kinetics, in agreement with results obtained by conventional DSC. In summary, we have shown that SWSD is a versatile and efficient tool for quantitative spectral comparison, tracking spectral kinetics and enabling relevant unsupervised classification.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».