Introducing Quantitative Assessment of Michaelis Constant ( <i>K</i> <sub>m</sub> ) Accuracy
Notice bibliographique
Résumé
The Michaelis constant ( K m ) is central to enzyme kinetics, guiding variant selection, inhibitor screening, and metabolic modeling. However, K m obtained by nonlinear regression can be substantially inaccurate even when the reported standard error (SE) appears small. Common software reports SE but provides no accuracy metric. This gap is addressed by extending the accuracy confidence interval (ACI) framework to K m (ACI‐ K m ) through a binding‐isotherm formulation of the velocity–substrate fit. Given confidence intervals for concentration accuracy, the method quantifies how residual systematic uncertainties in enzyme and substrate concentrations ( E 0 and S 0 ) propagate into the determined K m values and provides a probabilistic interval expected to enclose the accurate value. The approach requires no additional kinetic experiments and is directly applicable to existing datasets. Concentration‐accuracy intervals can be estimated from calibration data, reagent specifications, or quality‐control records. ACI‐ K m is valid across a wide range of E 0 / K m conditions, including relatively high E 0 . A free web application ( https://aci.sci.yorku.ca ) implements ACI‐ K m . Tests on synthetic and experimental datasets show that K m ± SE can severely underestimate uncertainty, whereas ACI provides more reliable accuracy bounds for decision‐making, complementing rather than replacing traditional precision metrics by providing quantitative diagnostic bounds for concentration‐related uncertainties in K m determination.
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 | 0,018 | 0,097 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».