A strategy for scalable data collection of soluble protein expression in diverse hosts
Notice bibliographique
Résumé
Recombinant protein expression is central to academic exploration as well as biotechnology’s advancement of human health, climate applications and the bioeconomy in general. However, not all proteins can be expressed in all organisms, and the field lacks a predictive model of soluble protein expression that could replace laborious experimental trial-and-error. This project aims to design and test an extensible experimental platform and standardized data ontology for collecting soluble recombinant protein expression data across organisms. The resulting dataset will be used in building increasingly generalizable predictive models of protein expression. In this document, we have roadmapped data collection techniques, designed experiments to assess their feasibility, and outlined a proof-of-concept pilot study that would be conducted prior to full-scale data acquisition. Here, we propose a plan of action that will establish the feasibility of gathering ML-ready soluble protein expression data in two organisms commonly-used in biomanufacturing and protein expression: Escherichia coli and Pichia pastoris. Results of the feasibility study will inform decisions about the specifics of future pilot and full-scale data acquisition. We encourage the reader to reference our review, “Can protein expression be ‘solved’?” for details on soluble protein expression. Once gathered, the dataset proposed here will adhere to FAIR principals, be publically available, and “living” – researchers can freely use it and it will continue to grow over time. Subsequent experiments (beyond those outlined in this proposal) will include examining more protein sequences and expression in different organisms (e.g. Bacillus subtilis, Aspergillus niger) to make the model more extensible.
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 | 0,019 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,005 |
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 ».