Spatiotemporal control of gene expression boundaries using a feedforward loop
Notice bibliographique
Résumé
A feed forward loop (FFL) is commonly observed in several biological networks. The FFL network motif has been mostly been studied with respect to variation of the input signal in time, with only a few studies of FFL activity in a spatially distributed system such as morphogen‐mediated tissue patterning. However, most morphogen gradients also evolve in time. We studied the spatiotemporal behavior of a coherent FFL in two contexts: (1) a generic, oscillating morphogen gradient and (2) the dorsal‐ventral patterning of the early Drosophila embryo by a gradient of the NF‐κB homolog Dorsal with its early target Twist. In both models, we found features in the dynamics of the intermediate node – phase difference and noise filtering – that were largely independent of the parameterization of the models, and thus were functions of the structure of the FFL itself. In the Dorsal gradient model, we also found that the dynamics of Dorsal require maternal pioneering factor Zelda for proper target gene expression. Support or Funding Information During this work, GTR and PB were partially supported by NIH grant (number R21HD092830), and GTR and HA were partially supported by NSF CAREER award (number CBET‐1254344). A . Schematic figure depicting the generic morphogen gradient model. The inset shows the variation of the concentration of the primary transcription factor A in space and time. B . Schematic figure depicting the Dl/Twi/Zld model. The inset shows the variation of the concentration of the primary transcription factor Dl in space and time. The peaks in the Dl gradient amplitude in time correspond to nuclear cycles 11–14. Figure 1
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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».