MétaCan
Menu
Retour à la cohorte
Enregistrement W2890021730 · doi:10.1002/pmic.201800217

Identification of Changing Ribosome Protein Compositions using Mass Spectrometry

2018· article· en· W2890021730 sur OpenAlexaff
Parimal Samir, Christopher M. Browne, Rahul, Ming Sun, Bingxin Shen, Wen Li, Joachim Frank, Andrew J. Link

Notice bibliographique

RevuePROTEOMICS · 2018
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueRNA and protein synthesis mechanisms
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNational Institute of Allergy and Infectious DiseasesNational Center for Research ResourcesNational Institute of General Medical SciencesNational Institutes of HealthNational Institute of Arthritis and Musculoskeletal and Skin DiseasesHoward Hughes Medical Institute
Mots-clésMass spectrometryIdentification (biology)RibosomeProteomicsChemistryChromatographyComputational biologyBiologyBiochemistryRNAEcology

Résumé

récupéré en direct d'OpenAlex

The regulatory role of the ribosome in gene expression has come into sharper focus. It has been proposed that ribosomes are dynamic complexes capable of changing their protein composition in response to environmental stimuli. MS is applied to identify quantitative changes in the protein composition of S. cerevisiae 80S ribosomes in response to different environmental stimuli. Using quantitative MS, it is found that the paralog yeast ribosomal proteins RPL8A (eL8A) and RPL8B (eL8B) change their relative proportions in the 80S ribosome when yeast is switched from growth in glucose to glycerol. By using yeast genetics and polysome profiling, it is shown that yeast ribosomes containing either RPL8A or RPL8B are not functionally interchangeable. The quantitative proteomic data support the hypothesis that ribosomes are dynamic complexes that alter their composition and functional activity in response to changes in growth or environmental conditions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,002
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,014
Tête enseignante GPT0,257
Écart entre enseignants0,243 · 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 source (Gemma direct ou Codex distillé), 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

Citations48
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePROTEOMICSMême sujetRNA and protein synthesis mechanismsTravaux en français237 207