Linking RNA Measurements and Proteomics with Genome-Scale Models
Notice bibliographique
Résumé
Genome-scale metabolic models (GMMs) have been recognized as being powerful tools for capturing system-wide metabolic phenomena and connecting those phenomena to underlying genetic and regulatory changes. By formalizing and codifying the relationship between the levels of gene expression, protein concentration, and reaction flux, metabolic models are able to translate changes in gene expression to their effects on the metabolic network. A number of methods are then available to interpret how those changes are manifest in the metabolic flux distribution. In addition to discussing how gene expression datasets can be interpreted in the context of a metabolic model, this chapter discusses two of the most common methods for analyzing the resulting metabolic network. The chapter begins by demonstrating how a typical microarray dataset can be processed for incorporation into a GMM of the yeast Saccharomyces cerevisiae. Once the expression states of the reactions in the model are available, the method of directly trimming the metabolic model by removing or constraining reactions with low expression states is demonstrated. This is the simplest and most direct approach to interpret gene expression states, but it is prone to overvaluing the effects of down regulation and it can propagate false negative errors. We therefore also include a more advanced method that uses a mixed-integer linear programming optimization to find a flux distribution that maximizes agreement with global gene expression states. Sample MATLAB code for use with the COBRA toolbox is provided for all methods used.
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 ».