Exploring Large Protein Sequence Space through Homology- and Representation-based Hierarchical Clustering
Notice bibliographique
Résumé
Exploration of protein sequence space can offer insight into protein sequence-function relationships, benefitting both basic science and industrial applications. The use of sequence similarity networks is a standard method for exploring large sequence datasets, but is currently limited when scaling to very large datasets and when viewing more than one level (hierarchy) of homology. Here, we present a sequence analysis pipeline with a number of innovations that address some limitations of traditional sequence similarity networks. First, we develop a hierarchical visualization approach that captures the full range of homologies across protein superfamilies. Second, we leverage representations embedded by protein language models as an alternative homology metric to the Basic Local Alignment Search Tool, showing that they produce comparable results when identifying isofunctional protein families. Finally, we demonstrate that unbiased representative sampling of sequences from genetic neighborhoods can be achieved through the use of HMMs or vector representations. The utility of these methods is exemplified by updating the sequence-function analysis of the FMN/F420-binding split barrel superfamily and the nuclear transport factor 2-like superfamily. We also improve the phylogenetic analysis of the FMN/F420-binding split barrel superfamily with more even and diverse sequence sampling across the superfamily. We provide our sequence exploration pipeline as publicly available code (ProteinClusterTools) and show it to be scalable to large datasets (∼445 k sequences) using desktop computers.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».