Proteomics of protein trafficking by <i>in vivo</i> tissue-specific labeling
Notice bibliographique
Résumé
Abstract Secreted interorgan communication factors encode key regulators of homeostasis. However, long-standing questions surround their origins/destinations, mechanisms of interactions, and the number of proteins involved. Progress has been hindered by the lack of methodologies for these factors’ large-scale identification and characterization, as conventional approaches cannot identify low-abundance factors and the origins and destinations of secreted proteins. We established an in vivo platform to investigate secreted protein trafficking between organs proteome-wide, whereby engineered promiscuous biotin ligase BirA*G3 (a relative of TurboID) biotinylates all proteins in a subcellular compartment of one tissue, and biotinylated proteins are affinity-enriched and identified from distal organs using quantitative mass spectrometry. Using this platform, we identified 51 putative muscle-secreted proteins from heads and 269 fat body-secreted proteins from legs/muscles, of which 60-70% have human orthologs. We demonstrate, in particular, that conserved fat body-derived novel interorgan communication factors CG31326, CG2145, and CG4332 promote muscle activity. Our results indicate that the communication network of secreted proteins is vast, and we identified systemic functions for a number of these factors. This approach is widely applicable to studies in interorgan, local and intracellular protein trafficking networks, non-conventional secretion, and to mammalian systems, under healthy or diseased states. One Sentence Summary We developed an in vivo platform to investigate protein trafficking between organs proteome-wide, provide a resource for interorgan communication factors, and determined conserved adipokines that affect muscles.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».