3D neural network-based particle tracking reveals spatial heterogeneity of the cytosol
Notice bibliographique
Résumé
The spatial structure and physical properties of the cytosol are not well understood. Measurements of the material state of the cytosol are challenging due to its spatial and temporal heterogeneity, the lack of truly passive probes, and the need for probes of many sizes to accurately describe the state across scales. Recent development of genetically encoded multimeric nanoparticles (GEMs) has opened up study of the cytosol at the length scales of multiprotein complexes (20-60 nm). Using these probes to spatially resolve diffusivity of a cytoplasmic volume within a cell requires accurate and automated 3D tracking methods. We developed an image analysis pipeline for whole-cell imaging of GEMs in the context of large, multinucleate fungi where there is evidence of functional compartmentalization of the cytosol for both the nuclear division cycle and branching. We apply a neural network to track particles in 3D, generate surface meshes to project data on representations of the cell, and create dynamic visualizations of local diffusivities. Using this pipeline, we have found that there is remarkable variability in the properties of the cytosol both within a single cell and between cells. By analyzing the spatial diffusivity patterns, we saw an enrichment of low diffusivity zones at hyphal tips and near some nuclei. These results show that the physical state of the cytosol varies spatially within a single cell and exhibits significant cell-to-cell variability. Thus, molecular crowding contributes to heterogeneity within individual cells and across populations.
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) | 0,000 | 0,000 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».