MétaCan
Menu
Retour à la cohorte
Enregistrement W2091857129 · doi:10.1242/jcs.096867

Changes in intra-nuclear mobility of mature snRNPs provide a mechanism for splicing defects in Spinal Muscular Atrophy.

2012· article· en· W2091857129 sur OpenAlexfundno aff
Allyson K. Clelland, Alexandra Beatrice Elizabeth Bales, Judith Sleeman

Notice bibliographique

RevueJournal of Cell Science · 2012
Typearticle
Langueen
DomaineMedicine
ThématiqueNeurogenetic and Muscular Disorders Research
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of St AndrewsWellcome TrustUniversity of DundeeUniversity of Ottawa
Mots-cléssnRNPBiologySpinal muscular atrophyRNA splicingSpliceosomeCell biologyRibonucleoproteinSMA*Mechanism (biology)GeneticsRNAGene

Résumé

récupéré en direct d'OpenAlex

It is becoming increasingly clear that defects in RNA metabolism can lead to disease. Spinal muscular atrophy (SMA), a leading genetic cause of infant mortality, results from insufficient amounts of survival motor neuron (SMN) protein. SMN is required for the biogenesis of small nuclear ribonucleoproteins (snRNPs): essential components of the spliceosome. Splicing abnormalities have been detected in models of SMA but it is unclear how lowered SMN affects the fidelity of pre-mRNA splicing. We have examined the dynamics of mature snRNPs in cells depleted of SMN and demonstrated that SMN depletion increases the mobility of mature snRNPs within the nucleus. To dissect the molecular mechanism by which SMN deficiency affects intranuclear snRNP mobility, we employed a panel of inhibitors of different stages of pre-mRNA processing. This in vivo modelling demonstrates that snRNP mobility is altered directly as a result of impaired snRNP maturation. Current models of nuclear dynamics predict that subnuclear structures, including the spliceosome, form by self-organization mediated by stochastic interactions between their molecular components. Thus, alteration of the intranuclear mobility of snRNPs provides a molecular mechanism for splicing defects in SMA.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,156
Score d'incertitude au seuil0,270

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,303
Écart entre enseignants0,284 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Cell ScienceMême sujetNeurogenetic and Muscular Disorders ResearchTravaux en français237 207