Extracting Biochemical Parameters for Cellular Modeling: A Mean-Field Approach
Notice bibliographique
Résumé
Recent developments in molecular biology have made it feasible to carry out experimental verification of mathematical models for biochemical processes, offering the eventual prospect of creating a detailed, validated picture of gene expression. A persistent difficulty with this long-term goal is the incompleteness of the kinetic information available in the literature: Many rate constants cannot or have not yet been measured. Here, we present a method of filling in missing parameters using an approach conceptually analogous to mean-field approaches in statistical mechanics: When studying a particular gene, we extract key parameters by considering the averaged effect of all other genes in the system, analogously to considering the averaged magnetic field in a physical spin model. This methodology has been applied to account for the effect of the presence of the Escherichia coli genome on the availability of key enzymes involved in gene expression (RNA polymerases and ribosomes), yielding the number of free enzymes as a function of cellular growth rate. These conclusions have been obtained by deriving genome-wide averages and matching them to bulk literature values of E. coli K-12 and B/r. Average rate constants have been found for RNA polymerases and ribosomes binding to promoter and ribosome-binding sites, respectively; these results suggest that cells vary not only their production rates of RNA polymerase and ribosomes under different growth-rate conditions but also change their global level of transcriptional/translational activation and repression, thus altering the average binding rate constants for these enzymes. To test the mean-field method, the results from the genome-wide averages have been applied to the induced lac operon, where our derived on-rate for binding of RNA polymerase to the promoter is in good agreement with previous experimental results.
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 | 0,000 |
| 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 ».