PARPAL: PARalog Protein redistribution using Abundance and Localization in yeast database
Notice bibliographique
Résumé
Whole-genome duplication (WGD) events are common across various organisms; however, the retention and evolution of WGD paralogs is not fully understood. Quantitative measure of protein redistribution in response to the deletion of their WGD paralog provides insight into sources of gene retention. Here, we describe PARPAL (PARalog Protein Redistribution using Abundance and Localization in Yeast), a web database that houses results of high-content screening and deep learning neural network analysis of the redistribution of 164 proteins reflecting how their subcellular localization and protein abundance change in response to their paralog deletion in the budding yeast, Saccharomyces cerevisiae. We interrogated a total of 82 paralog pairs in 2 genetic backgrounds for a total of ∼3,500 micrographs of ∼460,000 cells. For example, Skn7-Hms2 exhibited dependent redistribution, and Cue1-Cue4 showed compensatory redistribution response. PARPAL also links to other studies on trigenic interactions, protein-protein interactions and protein abundance. PARPAL is available at https://parpal.c3g-app.sd4h.ca and is a valuable resource for the yeast community interested in understanding the retention and evolution of paralogs and can help researchers to investigate protein dynamics of paralogs in other organisms.
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) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,009 |
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 ».