MétaCan
Menu
← Retour à la cohorte
Enregistrement W2984734066 · doi:10.7554/elife.28270.032

Author response: Native KCC2 interactome reveals PACSIN1 as a critical regulator of synaptic inhibition

2017· peer-review· en· W2984734066 sur OpenAlexaff
Vivek Mahadevan, C. Sahara Khademullah, Zahra Dargaei, Jonah Chevrier, Pavel Uvarov, Julian Kwan, Richard D. Bagshaw, Tony Pawson, Andrew Emili, Yves De Koninck, Victor Anggono, Matti S. Airaksinen, Melanie A. Woodin

Notice bibliographique

Revuenon disponible
Typepeer-review
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueReceptor Mechanisms and Signaling
Établissements canadiensUniversité LavalInstitut Universitaire en Santé Mentale de QuébecLunenfeld-Tanenbaum Research InstituteUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésInteractomeRegulatorNeuroscienceBiologyMaster regulatorComputational biologyCell biologyGeneticsTranscription factorGene

Résumé

récupéré en direct d'OpenAlex

Neurons in the brain talk to each other by releasing chemicals called neurotransmitters. These neurotransmitters can either increase ('excite') or decrease ('inhibit') the activity of other neurons. Inhibitory neurotransmission uses the chemical GABA as a neurotransmitter. When a neuron releases GABA it is like applying the brake in your car – you can slow down subtly to stay under the speed limit, or stomp on it to avoid an accident. The brain needs to carefully control the amount of inhibition so that the animal can learn and produce complex behaviours. For GABA to inhibit the activity of a neuron, the neuron must maintain a low amount of chloride ions inside. A transporter protein called KCC2 shuttles chloride out of cells; if this transporter fails to work, chloride builds up in the neuron and prevents inhibition so that GABA neurotransmission switches from inhibitory to excitatory. This breakdown of GABA inhibition is a hallmark of abnormal brain activity during conditions such as epilepsy, pain and some forms of autism. Despite the fact that neurons need KCC2 for inhibition in the brain, we do not know much about how this transporter works. Since the activity of a protein is determined in part by the other proteins it interacts with, it is therefore important to identify all the proteins that interact with KCC2 – termed the KCC2 interactome. To discover these protein interactions, Mahadevan et al. performed a technique called liquid chromatography-mass spectrometry on KCC2 protein isolated from mouse brains. This revealed that there are 181 proteins in the KCC2 interactome. Of these proteins, the most abundant was a protein called PACSIN1, which helps to pull proteins out of the membrane that surrounds each neuron. To investigate how the interaction between PACSIN1 and KCC2 regulates the activity of this transporter, Mahadevan et al. performed fluorescence imaging of neurons and recorded their electrical activity. This revealed that PACSIN1 restricts the expression of KCC2, meaning that the more PACSIN there is in the neuron, the less KCC2 will be present. The KCC2 interactome provides a database of proteins that can be targeted to increase the activity of KCC2. This could allow new treatments to be developed for brain disorders in which the inhibition of neurons is reduced.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Commentaire · Signal consensuel: aucune
Score de désaccord entre enseignants0,244
Score d'incertitude au seuil0,818

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,2440,105

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 Opus0,034
Tête enseignante GPT0,376
Écart entre enseignants0,342 · 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'étudeSans objet
Domainenon disponible
GenreCommentaire

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetReceptor Mechanisms and Signaling→Travaux en français237 207→