Identifying intermolecular interactions in single-molecule localization microscopy
Notice bibliographique
Résumé
Intermolecular interactions underlie all cellular functions, yet visualizing these interactions at the single-molecule level remains challenging. Single-molecule localization microscopy (SMLM) offers a potential solution. Given a nanoscale map of two putative interaction partners, it should be possible to assign molecules either to the class of coupled pairs or to the class of noncoupled bystanders. Here, we developed a probabilistic algorithm that allows accurate determination of both the absolute number and the proportion of molecules that form coupled pairs. The algorithm calculates interaction probabilities for all possible pairs of localized molecules, selects the most likely interaction set, and corrects for any spurious colocalizations. Benchmarking this approach across a set of simulated molecular localization maps with varying densities (up to ∼55 molecules μm −2 ) and localization precisions (1 to 50 nm) showed typical errors in the identification of correct pairs of only a few percent. At molecular densities of ∼5 to 10 molecules μm −2 and localization precisions of 20 to 30 nm, which are typical parameters for SMLM imaging, the recall was ∼90%. The algorithm was effective at differentiating between noninteracting and coupled molecules both in simulations and experiments. Finally, it correctly inferred the number of coupled pairs over time in a simulated reaction–diffusion system, enabling determination of the underlying rate constants. The proposed approach promises to enable direct visualization and quantification of intermolecular interactions using SMLM.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».