MétaCan
Menu
Retour à la cohorte
Enregistrement W2608051567 · doi:10.1038/s41598-017-01302-5

Variability in bacterial flagella re-growth patterns after breakage

2017· article· en· W2608051567 sur OpenAlexaff
Guillaume Paradis, Fabienne F. V. Chevance, Willisa Liou, Thibaud T. Renault, Kelly T. Hughes, Simon Rainville, Marc Erhardt

Notice bibliographique

RevueScientific Reports · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrofluidic and Bio-sensing Technologies
Établissements canadiensUniversité Laval
Organismes subventionnairesNational Institute of General Medical SciencesNational Institutes of Health
Mots-clésProtein filamentFlagellumShearing (physics)BiophysicsIntermediate filamentChemistryBiologyMaterials scienceCytoskeletonBacteriaCellComposite material

Résumé

récupéré en direct d'OpenAlex

Many bacteria swim through liquids or crawl on surfaces by rotating long appendages called flagella. Flagellar filaments are assembled from thousands of subunits that are exported through a narrow secretion channel and polymerize beneath a capping scaffold at the tip of the growing filament. The assembly of a flagellum uses a significant proportion of the biosynthetic capacities of the cell with each filament constituting ~1% of the total cell protein. Here, we addressed a significant question whether a flagellar filament can form a new cap and resume growth after breakage. Re-growth of broken filaments was visualized using sequential 3-color fluorescent labeling of filaments after mechanical shearing. Differential electron microscopy revealed the formation of new cap structures on broken filaments that re-grew. Flagellar filaments are therefore able to re-grow if broken by mechanical shearing forces, which are expected to occur frequently in nature. In contrast, no re-growth was observed on filaments that had been broken using ultrashort laser pulses, a technique allowing for very local damage to individual filaments. We thus conclude that assembly of a new cap at the tip of a broken filament depends on how the filament was broken.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,077
Score d'incertitude au seuil0,546

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,210
Écart entre enseignants0,200 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations27
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetMicrofluidic and Bio-sensing TechnologiesTravaux en français237 207