Utilising established SDL-screening methods as a tool for the functional genomic characterisation of model and non-model organisms
Notice bibliographique
Résumé
The trend for large-scale genetic and phenotypic screens has revealed a wealth of information on biological systems. A major challenge is understanding how genes function and putative roles in networks. The majority of current gene knowledge is garnered from studies utilising the model yeast Saccharomyces cerevisiae. We demonstrate that synthetic dosage lethal genetic array methodologies can be used to study genetic networks in other yeasts, namely the fungal pathogen Candida glabrata, which has limited forward genetic tools, due to the lack of 'natural' mating. We performed two SDL screens in S. cerevisiae, overexpressing the transcriptional regulator UME6 as bait in the first screen and its C. glabrata ortholog CAGL0F05357g in the second. Analysis revealed that SDL maps share 204 common interactors, with 10 genetic interactions unique to C. glabrata indicating a level of genetic rewiring, indicative of linking genotype to phenotype in fungal pathogens. This was further validated by incorporating our results into the global genetic landscape map of the cell from Costanzo et al. to identify common and novel gene attributes. This data demonstrated the utility large data sets and more robust analysis made possible by interrogating exogenous genes in the context of the eukaryotic global genetic landscape.
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 | 0,002 | 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 ».