Machine learning-driven prediction of substrates for enzymes introducing or removing protein post-translational modifications
Notice bibliographique
Résumé
The exploration of post-translational modifications (PTMs) within the proteome is pivotal for advancing our understanding of disease and the function of cancer therapeutics. However, identifying genuine sites of PTMs introduced or removed by an enzyme of interest amid numerous candidates is challenging. We present a machine learning (ML)-driven search method, which combines ML with enzyme-mediated modification of complex peptide arrays to predict unexplored PTM sites for an enzyme of interest. Experimental validation confirmed that this approach correctly predicted 37-43% of proposed PTM sites, unveiling candidate sites of the methyltransferase SET8 and the deacetylases SIRT1-7. Our approach marks an important performance increase over traditional in vitro methods across separate enzyme classes. Mass spectrometry analysis confirmed the dynamic methylation status of several predicted SET8 substrates, and the deacetylation of 64 unique sites identified for SIRT2. This method has also revealed changes in SET8-regulated substrate network among breast cancer missense mutations, collectively revealing insight into differential enzyme function in disease. By disentangling the substrate features that dictate PTM-inducing enzyme specificity, this approach demonstrates potential in uncovering enzyme-substrate networks within PTM pathways. Understanding post-translational modifications (PTMs) is crucial for advancing disease research and cancer therapeutics, yet identifying specific enzyme-induced PTM sites remains challenging. Here, the authors introduce a machine learning-driven method combined with high-throughput peptide array synthesis, significantly enhancing PTM site prediction accuracy and revealing insights into enzyme-substrate networks, with implications for cancer research.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».