Monitoring translation in synaptic fractions using a ribosome profiling strategy
Notice bibliographique
Résumé
BACKGROUND: The aim of this study was to develop a method to study genome-wide local translation in biochemically isolated synaptic fractions (synaptoneurosomes). This methodology is of particular interest for neurons, due to the cardinal role of local translational control in neuronal sub-compartments, such as dendrites, for plasticity, learning, memory, and for disorders of the nervous system. NEW METHOD: We combined established methods for purifying synaptoneurosomes with translational profiling (ribosome profiling), a method that employs unbiased next generation sequencing to simultaneously assess transcription and translation in a single sample. RESULTS: The two existing methods are compatible to use in combination and yield high quality sequencing data, which are specific to synaptic compartments. This new protocol provides an easy to implement workflow, which combines biochemical isolation of synaptoneurosomes of varying levels of purity (crude or Percoll gradient purified) with the use of a commercial kit to generate sequencing libraries. COMPARISON WITH EXISTING METHODS: Compared to previous studies of the synaptic translatome, our method shows less contamination with non-neuronal cell types or non-synaptic compartments, increasing the specificity of the data obtained. CONCLUSIONS: Combining the isolation of functional synaptic units with ribosome profiling offers a powerful tool to study local translation in synaptic compartments both in health and 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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».