Computing Average Passive Forces in Sarcomeres in Length-Ramp Simulations
Notice bibliographique
Résumé
Passive forces in sarcomeres are mainly related to the giant protein titin. Titin's extensible region consists of spring-like elements acting in series. In skeletal muscles these elements are the PEVK segment, two distinct immunoglobulin (Ig) domain regions (proximal and distal), and a N2A portion. While distal Ig domains are thought to form inextensible end filaments in intact sarcomeres, proximal Ig domains unfold in a force- and time-dependent manner. In length-ramp experiments of single titin strands, sequential unfolding of Ig domains leads to a typical saw-tooth pattern in force-elongation curves which can be simulated by Monte Carlo simulations. In sarcomeres, where more than a thousand titin strands are arranged in parallel, numerous Monte Carlo simulations are required to estimate the resultant force of all titin filaments based on the non-uniform titin elongations. To simplify calculations, the stochastic model of passive forces is often replaced by linear or non-linear deterministic and phenomenological functions. However, new theories of muscle contraction are based on the hypothesized binding of titin to the actin filament upon activation, and thereby on a prominent role of the structural properties of titin. Therefore, these theories necessitate a detailed analysis of titin forces in length-ramp experiments. In our study we present a simple and efficient alternative to Monte Carlo simulations. Based on a structural titin model, we calculate the exact probability distributions of unfolded Ig domains under length-ramp conditions needed for rigorous analysis of expected forces, distribution of unfolding forces, etc. Due to the generality of our model, the approach is applicable to a wide range of stochastic protein unfolding problems.
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 ».