Functional Analysis of Kinases and Transcription Factors in <i>Saccharomyces cerevisiae</i> Using an Integrated Overexpression Library
Notice bibliographique
Résumé
Abstract Kinases and transcription factors (TFs) are key modulators of important signaling pathways and their activities underlie the proper function of many basic cellular processes such as cell division, differentiation, and development. Changes in kinase and TF dosage are often associated with disease, yet a systematic assessment of the cellular phenotypes caused by the combined perturbation of kinases and TFs has not been undertaken. We used a reverse-genetics approach to study the phenotypic consequences of kinase and TF overexpression (OE) in the budding yeast, Saccharomyces cerevisiae. We constructed a collection of strains expressing stably integrated inducible alleles of kinases and TFs and used a variety of assays to characterize the phenotypes caused by TF and kinase OE. We used the Synthetic Genetic Array (SGA) method to examine dosage-dependent genetic interactions (GIs) between 239 gain-of-function (OE) alleles of TFs and six loss-of-function (LOF) and seven OE kinase alleles, the former identifying Synthetic Dosage Lethal (SDL) interactions and the latter testing a GI we call Double Dosage Lethality (DDL). We identified and confirmed 94 GIs between 65 OE alleles of TFs and 9 kinase alleles. Follow-up experiments validated regulatory relationships between genetically interacting pairs (Cdc28–Stb1 and Pho85–Pdr1), suggesting that GI studies involving OE alleles of regulatory proteins will be a rich source of new functional information.
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 ».