The logic of transcriptional regulator recruitment architecture at <i>cis</i>-regulatory modules controlling liver functions
Notice bibliographique
Résumé
Control of gene transcription relies on concomitant regulation by multiple transcriptional regulators (TRs). However, how recruitment of a myriad of TRs is orchestrated at cis -regulatory modules (CRMs) to account for coregulation of specific biological pathways is only partially understood. Here, we have used mouse liver CRMs involved in regulatory activities of the hepatic TR, NR1H4 (FXR; farnesoid X receptor), as our model system to tackle this question. Using integrative cistromic, epigenomic, transcriptomic, and interactomic analyses, we reveal a logical organization where trans -regulatory modules (TRMs), which consist of subsets of preferentially and coordinately corecruited TRs, assemble into hierarchical combinations at hepatic CRMs. Different combinations of TRMs add to a core TRM, broadly found across the whole landscape of CRMs, to discriminate promoters from enhancers. These combinations also specify distinct sets of CRM differentially organized along the genome and involved in regulation of either housekeeping/cellular maintenance genes or liver-specific functions. In addition to these TRMs which we define as obligatory, we show that facultative TRMs, such as one comprising core circadian TRs, are further recruited to selective subsets of CRMs to modulate their activities. TRMs transcend TR classification into ubiquitous versus liver-identity factors, as well as TR grouping into functional families. Hence, hierarchical superimpositions of obligatory and facultative TRMs bring about independent transcriptional regulatory inputs defining different sets of CRMs with logical connection to regulation of specific gene sets and biological pathways. Altogether, our study reveals novel principles of concerted transcriptional regulation by multiple TRs at CRMs.
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 | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».