10-ProtScriber Theory

- Automatische Generierung kurzer, informativer Proteinbeschreibungen aus Homologiedaten./Nutzt BLAST-Ergebnisse, Wortstatistiken und Ontologien.

- Zuordnung biologischer Funktion zu Sequenzen basierend auf Ähnlichkeit oder bekannten Motiven./Erfolgt oft per BLAST, InterPro oder GO.

- Ähnlichkeit aufgrund gemeinsamer Abstammung./Wird durch Sequenzvergleich (z. B. BLAST) erkannt.

- Query = gesuchte Sequenz, Subject = Datenbanksequenz./Vergleich ergibt E-Wert, Bit-Score und Identität.

- Erwartete Zufallstrefferzahl bei gegebener Scorehöhe./Je kleiner, desto signifikanter (typ. < 1e-5).

- Normalisierter Score zur Vergleichbarkeit zwischen BLAST-Runs./Höher = bessere Trefferqualität.

- Statistischer Test, ob bestimmte GO-Term häufiger auftreten als zufällig erwartet./Typisch per Fisher-Test oder hypergeometrischer Verteilung.

- Hierarchische Ontologie mit drei Ebenen: Biological Process, Molecular Function, Cellular Component./Ermöglicht standardisierte Funktionsbeschreibung.

- Datenbank für Protein-Domänen und Funktionsmotive (vereint Pfam, SMART usw.)./Liefert struktur-basierte Annotationen.

- Bewertungsverfahren für Wörter in Proteinbeschreibungen, die auf Abweichung vom Mittel basieren./Häufige Wörter werden positiv, extrem seltene negativ gewichtet.

- Maß für Informationsgehalt eines Wortes (−log P(w))./Wird zentriert und invertiert zur Scoring-Normalisierung.

- Experimentelle gewichtete Bewertung von Wörtern nach Polynom-Funktion (z. B. Quadrat der Frequenz)./Hebt mittlere Häufigkeiten hervor.

- Anteil der überlappenden Aminosäurenbereiche zweier Sequenzen./Dient zur Trefferqualität und Redundanzkontrolle.

- Nutzung regulärer Ausdrücke zum Entfernen uninformativer Texte (z. B. „uncharacterized protein“)./Wichtig zur Automatisierung der Annotation.

- Standardisierte Wortfrequenz nach Zentrierung auf Gesamtkorpus./Dient zur quantitativen Bewertung von Begriffen.

- Maß für die Seltenheit und damit Informationsstärke eines Begriffes./Selten = hoch informativ.

- CF misst Verbreitung, IC Informationsgehalt → Kombination liefert balancierten Score für wichtige Wörter.

- Wenn man wissen will, ob eine Kategorie (GO-Term, Pathway) überproportional in einer Gruppe auftaucht.

- Wenn klare Homologietreffer mit E-Wert < 1e-10 vorliegen und funktionelle Domänen bekannt sind.

- Wenn BLAST-Treffer nicht informativ oder uneinheitlich sind./Ergänzt funktionelle und strukturelle Information.

- Bei sehr kleinen Zahlen oder wenn Abhängigkeiten zwischen Termen bestehen./Alternative: Permutation oder GSEA.

- Wenn Korpus groß genug und Wortfrequenzen stabil geschätzt werden.

- Nur wenn das Wort biologisch bedeutungsvoll und nicht zufällig selten ist.

- Wenn zu kleine Korpora oder viele gleich häufige unrelevante Wörter vorliegen.

- p < 0.05 → Kategorie signifikant überrepräsentiert./Erfordert FDR-Korrektur bei mehreren Termen.

- GO = Funktionsebene, InterPro = Domänenstruktur./Beide zusammen geben vollständigeres Bild.

- Wenn relevante Begriffe zufällig die entfernten Wörter enthalten./Regex immer testen und schrittweise anwenden.

- Wenn Datenbankgröße oder Suchparameter abweichen./Immer innerhalb gleicher DB vergleichen.

- Wenn Texte unterschiedliche Länge oder unterschiedliche Wortzahl haben.

- Wenn mehrere signifikante GO-Term ähnliche Funktion oder Prozessgruppe teilen.