MétaCan
Menu
Retour à la cohorte
Enregistrement W2936789044 · doi:10.1186/s12934-019-1111-3

Engineering metabolite-responsive transcriptional factors to sense small molecules in eukaryotes: current state and perspectives

2019· review· en· W2936789044 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueMicrobial Cell Factories · 2019
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueViral Infectious Diseases and Gene Expression in Insects
Établissements canadiensMinistry of Agriculture
Organismes subventionnairesChinese Academy of Agricultural SciencesAgricultural Science and Technology Innovation ProgramDirectorate for EngineeringNational Science Foundation
Mots-clésSynthetic biologyBiomanufacturingComputational biologyBiologyBiochemical engineeringBiotechnologyEngineering

Résumé

récupéré en direct d'OpenAlex

Nature has evolved exquisite sensing mechanisms to detect cellular and environmental signals surrounding living organisms. These biosensors have been widely used to sense small molecules, detect environmental cues and diagnose disease markers. Metabolic engineers and synthetic biologists have been able to exploit metabolites-responsive transcriptional factors (MRTFs) as basic tools to rewire cell metabolism, reprogram cellular activity as well as boost cell's productivity. This is commonly achieved by integrating sensor-actuator systems with biocatalytic functions and dynamically allocating cellular resources to drive carbon flux toward the target pathway. Up to date, most of identified MRTFs are derived from bacteria. As an endeavor to advance intelligent biomanufacturing in yeast cell factory, we will summarize the opportunities and challenges to transfer the bacteria-derived MRTFs to expand the small-molecule sensing capability in eukaryotic cells. We will discuss the design principles underlying MRTF-based biosensors in eukaryotic cells, including the choice of reliable reporters and the characterization tools to minimize background noise, strategies to tune the sensor dynamic range, sensitivity and specificity, as well as the criteria to engineer activator and repressor-based biosensors. Due to the physical separation of transcription and protein expression in eukaryotes, we argue that nuclear import/export mechanism of MRTFs across the nuclear membrane plays a critical role in regulating the MRTF sensor dynamics. Precisely-controlled MRTF response will allow us to repurpose the vast majority of transcriptional factors as molecular switches to achieve temporal or spatial gene expression in eukaryotes. Uncovering this knowledge will inform us fundamental design principles to deliver robust cell factories and enable the design of reprogrammable and predictable biological systems for intelligent biomanufacturing, smart therapeutics or precision medicine in the foreseeable future.

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.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,986
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
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 Opus0,036
Tête enseignante GPT0,279
Écart entre enseignants0,244 · 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