Pathways to disease from natural variations in human cytoplasmic tRNAs
Notice bibliographique
Résumé
Perfectly accurate translation of mRNA into protein is not a prerequisite for life. Resulting from errors in protein synthesis, mistranslation occurs in all cells, including human cells. The human genome encodes >600 tRNA genes, providing both the raw material for genetic variation and a buffer to ensure that resulting translation errors occur at tolerable levels. On the basis of data from the 1000 Genomes Project, we highlight the unanticipated prevalence of mistranslating tRNA variants in the human population and review studies on synthetic and natural tRNA mutations that cause mistranslation or de-regulate protein synthesis. Although mitochondrial tRNA variants are well known to drive human diseases, including developmental disorders, few studies have revealed a role for human cytoplasmic tRNA mutants in disease. In the context of the unexpectedly large number of tRNA variants in the human population, the emerging literature suggests that human diseases may be affected by natural tRNA variants that cause mistranslation or de-regulate tRNA expression and nucleotide modification. This review highlights examples relevant to genetic disorders, cancer, and neurodegeneration in which cytoplasmic tRNA variants directly cause or exacerbate disease and disease-linked phenotypes in cells, animal models, and humans. In the near future, tRNAs may be recognized as useful genetic markers to predict the onset or severity of human disease.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».