MétaCan
Menu
Retour à la cohorte
Enregistrement W4408572181 · doi:10.1002/pmic.202400238

Monitoring Functional Posttranslational Modifications Using a Data‐Driven Proteome Informatic Pipeline

2025· article· en· W4408572181 sur OpenAlexaff
Payman Nickchi, Uladzislau Vadadokhau, Mehdi Mirzaie, Marc Baumann, Amir Ata Saei, Mohieddin Jafari

Notice bibliographique

RevuePROTEOMICS · 2025
Typearticle
Langueen
DomaineChemistry
ThématiqueAdvanced Proteomics Techniques and Applications
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesJane ja Aatos Erkon SäätiöVetenskapsrådetAcademy of FinlandSvenska LäkaresällskapetWellcome Trust
Mots-clésProteomicsProteomeComputational biologyPipeline (software)Computer scienceIn silicoPosttranslational modificationGlycoproteomicsBioinformaticsBiologyChemistryBiochemistryGene

Résumé

récupéré en direct d'OpenAlex

Posttranslational modifications (PTMs) are of significant interest in molecular biomedicine due to their crucial role in signal transduction across various cellular and organismal processes. Characterizing PTMs, distinguishing between functional and inert modifications, quantifying their occupancies, and understanding PTM crosstalk are challenging tasks in any biosystem. Studying each PTM often requires a specific, labor-intensive experimental design. Here, we present a PTM-centric proteome informatic pipeline for predicting relevant PTMs in mass spectrometry-based proteomics data without prior information. Once predicted, these in silico identified PTMs can be incorporated into a refined database search and compared to measured data. As a practical application, we demonstrate how this pipeline can be used to study glycoproteomics in oral squamous cell carcinoma based on the proteome profile of primary tumors. Subsequently, we experimentally identified cellular proteins that are differentially expressed in cells treated with multikinase inhibitors dasatinib and staurosporine using mass spectrometry-based proteomics. Computational enrichment analysis was then employed to determine the potential PTMs of differentially expressed proteins induced by both drugs. Finally, we conducted an additional round of database search with the predicted PTMs. Our pipeline successfully analyzed the enriched PTMs, and detected proteins not identified in the initial search. Our findings support the effectiveness of PTM-centric searching of MS data in proteomics based on computational enrichment analysis, and we propose integrating this approach into future proteomics search engines.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,003
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,077
Tête enseignante GPT0,337
Écart entre enseignants0,261 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePROTEOMICSMême sujetAdvanced Proteomics Techniques and ApplicationsTravaux en français237 207