TargetSeeker-MS: A Bayesian Inference Approach for Drug–Target Discovery Using Protein Fractionation Coupled to Mass Spectrometry
Notice bibliographique
Résumé
To understand the mechanism of action of a drug and assess its clinical usefulness and viability, it is imperative that its affinity for its putative targets is determined. When coupled to mass spectrometry (MS), energetics-based protein separation (EBPS) techniques, such as a thermal shift assay, have shown great potential to identify the targets of a drug on a proteome scale. Nevertheless, the computational analyses assessing the confidence of drug–target predictions made by these methods have remained tightly tied to the protocol under which the data were produced. To identify drug targets in data sets produced using different EBPS-MS techniques, we have developed a novel flexible Bayesian inference approach named TargetSeeker-MS. We showed that TargetSeeker-MS identifies known and novel drug targets in Caenorhabditis elegans and HEK 293 samples treated with the fungicide benomyl. We also demonstrated that TargetSeeker-MS’ drug–target identifications are reproducible in C. elegans samples that were processed using two different EBPS techniques (thermal shift assay and a differential precipitation of proteins, named DiffPOP). In addition, we validated a novel benomyl target by measuring its altered enzymatic activity upon drug treatment in vitro. TargetSeeker-MS, which is available as a web server ( https://targetseeker.scripps.edu/ ), allows for the rapid, versatile, and confident identification of targets of a drug on a proteome scale, thereby providing a better understanding of its mechanisms and facilitating the evaluation of its clinical viability.
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 | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».