FiGS-MoD: Feature-informed Gibbs Sampling Motif Discovery Algorithm for Mapping Human Signaling Networks
Notice bibliographique
Résumé
Abstract Motivation Short linear motifs (SLiMs) are short sequence patterns that mediate transient protein-protein interactions, often within disordered regions of proteins. SLiMs play central roles in signaling, trafficking, and post-translational regulation, but their short length and low complexity make them difficult to identify both experimentally and computationally. Since the latest release of motif discovery tools like MEME Suite, the availability of protein-protein interaction data (e.g., BioGRID) has increased by more than fivefold, providing richer network contexts where SLiMs can be inferred from recurring patterns of interaction. Combined with recent advances in machine learning, this creates new opportunities for large-scale, high-resolution motif discovery. Results We present FiGS-MoD, a F eature- i nformed G ibbs S ampling Mo tif D iscovery algorithm with two key innovations: (i) incorporating biased sampling informed by residue-level features, including Protein Language Model (PLM) embeddings, AlphaFold2-derived disorder and solvent accessibility, and evolutionary conservation, and (ii) replacing the traditional position-specific scoring matrix (PSSM) with a Hidden Markov model (HMM) to accommodate insertions and deletions. We applied our algorithm to 12,765 sub-networks from the human interactome and provided 221,840 human SLiM predictions and quality scores as a public resource, along with the tool itself. Our method outperformed MEME in terms of recovering known motifs from the Eukaryotic Linear Motif (ELM) database and phosphosites from PhosphoGRID. Through three case studies, we further highlight the biological relevance of our results and the generalizability of the method to diverse motif classes. Availability and Implementation Source code and a predicted SLiM dataset using FiGS-MoD are freely available at https://github.com/Eric3939/FiGS-MoD
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».