Clusters of reaction rates and concentrations in protein networks such as the phosphotransferase system
Notice bibliographique
Résumé
To understand the functioning of living cells, it is often helpful or even necessary to exploit inherent timescale disparities and focus on long-term dynamic behaviour. In the present study, we explore this type of behaviour for the biochemical network of the phosphotransferase system. We show that, during the slow phase that follows a fast initial transient, the network reaction rates are partitioned into clusters corresponding to connected parts of the reaction network. Rates within any of these clusters assume essentially the same value: differences within each cluster are vastly smaller than that from one cluster to another. This rate clustering induces an analogous clustering of the reactive compounds: only the molecular concentrations on the interface between these clusters are produced and consumed at substantially different rates and hence change considerably during the slow phase. The remaining concentrations essentially assume their steady-state values already by the end of the transient phase. Further, we find that this clustering phenomenon occurs for a large number of parameter values and also for models with different topologies; to each of these models, there corresponds a particular network partitioning. Our results show that, in spite of its complexity, the phosphotransferase system tends to behave in a rather simple (yet versatile) way. The persistence of clustering for the perturbed models we examined suggests that it is likely to be encountered in various environmental conditions, as well as in other signal transduction pathways with network structures similar to that of the phosphotransferase system.
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 ».