Generally applicable transcriptome-wide analysis of translational efficiency using anota2seq
Notice bibliographique
Résumé
ABSTRACT mRNA translation plays an evolutionarily conserved role in homeostasis and when dysregulated results in various disorders. Optimal and universally applicable analytical methods to study transcriptome-wide changes in translational efficiency are therefore critical for understanding the complex role of translation regulation under physiological and pathological conditions. Techniques used to interrogate translatomes, including polysome- and ribosome-profiling, require adjustment for changes in total mRNA levels to capture bona fide alterations in translational efficiency. Herein, we present the anota2seq algorithm for such analysis using data from ribosome- or polysome-profiling quantified by DNA-microarrays or RNA sequencing, which outperforms current methods for identification of changes in translational efficiency. In contrast to available analytical methods, anota2seq also allows capture of an underappreciated mode for regulation of gene expression whereby translation acts as a buffering mechanism which maintains constant protein levels despite fluctuations in mRNA levels (“translational buffering”). Application of anota2seq shows that insulin affects gene expression at multiple levels, in a largely mTOR-dependent manner. Moreover, insulin induces levels of a subset of mRNAs independently of mTOR that undergo translational buffering upon mTOR inhibition. Thus, the universal anota2seq algorithm allows efficient and hitherto unprecedented interrogation of translatomes and enables studies of translational buffering which represents an unexplored mechanism for regulating of gene expression.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».