MétaCan
Menu
Retour à la cohorte
Enregistrement W4414689663 · doi:10.1101/2025.09.29.679391

AID/APOBEC3 Dynamic Catalytic Pockets and AID-α7 Regulation Mechanisms

2025· preprint· en· W4414689663 sur OpenAlexaff
David Nicolas Giuseppe Huebert, Justin J. King, Mani Larijani

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2025
Typepreprint
Langueen
DomaineComputer Science
ThématiqueMachine Learning in Healthcare
Établissements canadiensSimon Fraser UniversityUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésCatalysisMolecular dynamicsEnzymeDestabilisationDynamics (music)Protein structureMutation

Résumé

récupéré en direct d'OpenAlex

AID/APOBEC3s mutate dC to dU in ssDNA in the restriction of viruses, creation of antibodies, and when off-target affecting cancers. Little was known of the catalytic pocket dynamics of these enzymes in real time. As such, we utilised molecular dynamics analyses to determine catalytic pocket volumes and states. We found that most AID/APOBECs remain predominantly in either a closed or indeterminate state to varying degrees while A3G-CD2 is predominantly open. This occurs chiefly from the catalytic residues themselves and the loop 1 serine/threonine in the "floor" of the catalytic pocket while other residues of the secondary catalytic loops 1, 3, 5, and 7 aid in these states. Surprisingly, we found that the presupposed stable position of AID's unique α7 (β-state) in contact with the β-sheet and α6 was unstable while the α-state in contact with α6 and loop7 was stable and caused pocket closure. Mutations could cause the destabilisation of the α-state (R171Y and R178D) or stabilisation of the β-state (R190D and R194A). Thus, pocket states are relatively similar in overall cause; however, multiple residues from sec-ondary catalytic loops as well as AID-α7 determine the rates at which these states occur, potentially affecting the chances any AID/APOBEC is able to have catalysis.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,663
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,243
Écart entre enseignants0,233 · 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 tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)Même sujetMachine Learning in HealthcareTravaux en français237 207