MAGPIE: A Machine Learning Approach to Decipher Protein–Protein Interactions in Human Plasma
Notice bibliographique
Résumé
Immunoprecipitation coupled to tandem mass spectrometry (IP-MS/MS) methods are often used to identify protein-protein interactions (PPIs). While these approaches are prone to false positive identifications through contamination and antibody nonspecific binding, their results can be filtered using negative controls and computational modeling. However, such filtering does not effectively detect false-positive interactions when IP-MS/MS is performed on human plasma samples. Therein, proteins cannot be overexpressed or inhibited, and existing modeling algorithms are not adapted for execution without such controls. Hence, we introduce MAGPIE, a novel machine learning-based approach for identifying PPIs in human plasma using IP-MS/MS, which leverages negative controls that include antibodies targeting proteins not expected to be present in human plasma. A set of negative controls used for false positive interaction modeling is first constructed. MAGPIE then assesses the reliability of PPIs detected in IP-MS/MS experiments using antibodies that target known plasma proteins. When applied to five IP-MS/MS experiments as a proof of concept, our algorithm identified 68 PPIs with an FDR of 20.77%. MAGPIE significantly outperformed a state-of-the-art PPI discovery tool and identified known and predicted PPIs. Our approach provides an unprecedented ability to detect human plasma PPIs, which enables a better understanding of biological processes in plasma.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».