THE IMPORTANCE OF INHIBITORS FOR THE SIMULATION OF METABOLIC PROCESSES: <i>IN SILICO</i><font>Zn<sup>2+</sup></font> INHIBITION OF m-ACONITASE FROM ANALYSIS OF GLYCOLYSIS AND KREBS CYCLE KINETIC MODELS
Notice bibliographique
Résumé
Metal ions have a major effect on the metabolic processes in cells either as inhibitors or as integral components of enzymes. The inhibition of enzymes can take place either through the inhibition of gene expression or through inhibition of protein function. A particularly interesting example of the effect of a metal ion on metabolism is the observed inhibition of Krebs cycle and alteration of energy metabolism by zinc (II) cations. In this particular case metal ion inhibition of enzyme is linked to one of the major functions of prostate cells of accumulation and excretion of citrate. Experimental results have shown that increase in concentration of zinc (II) in prostate cells effectively blocks progression of a part of the Krebs cycle leading to change in the concentration of several metabolites with largest effect in the accumulation of citrate. Based on previously reported experimental results, several distinct mechanisms for zinc (II) inhibition of Krebs cycle were proposed. In order to determine the precise mechanism of inhibition in this system, a mathematical model of glycolysis and Krebs cycle was constructed. Three different types of inhibition were analyzed, including competitive and uncompetitive inhibition as well as inhibition through the alteration of the expression level of m-aconitase. The effects of different inhibition models on metabolite concentrations were investigated as a time course simulation of the system of reactions. Several kinetic parameters in the model were optimized in order to best resemble experimental measurements. The simulation shows that only competitive inhibition leads to an agreement with experimental data.
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) | 0,000 | 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 ».