MétaCan
Menu
Retour à la cohorte
Enregistrement W3030310275 · doi:10.1021/acssynbio.0c00148

Dynamic Cell Programming with Quorum Sensing-Controlled CRISPRi Circuit

2020· article· en· W3030310275 sur OpenAlexafffund
Yilan Liu, Jinjin Chen, David Crisante, Jhoselyn Marisol Jaramillo Lopez, Radhakrishnan Mahadevan

Notice bibliographique

RevueACS Synthetic Biology · 2020
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCRISPR and Genetic Engineering
Établissements canadiensUniversity of Toronto
Organismes subventionnairesOntario Ministry of Research, Innovation and Science
Mots-clésQuorum sensingSynthetic biologyBiomanufacturingComputer scienceComputational biologySystems biologyPopulationBiologyBiochemical engineeringBiotechnologyEngineeringBacteriaGeneticsBiofilm

Résumé

récupéré en direct d'OpenAlex

Synthetic biology is enabling rapid advances in the areas of biomanufacturing and live therapeutics. Dynamic circuits that can be used to regulate cellular resources and microbial community behavior represent a defining focus of synthetic biology, and have attracted tremendous interest. However, the existing dynamic circuits are mostly gene editing-dependent or cell lysis-based, which limits their broad and convenient application, and in some cases, such lysis-based circuits can suffer from genetic instability due to evolution. There is limited research in quorum sensing-assisted CRISPRi, which can function in a gene editing-independent manner. Here, we constructed a series of quorum sensing controlled CRISPRi systems (Q-CRISPRi), which can dynamically program bacteria by using customized sgRNA without introducing cell lysis. We successfully applied Q-CRISPRi circuits to dynamically program gene expression, population density, phenotype, physical property, and community composition of microbial consortia. The strategies reported here represent methods for dynamic cell programming and could be effective in programming industrially and medically important microorganisms to offer better control of their metabolism and behavior.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,264
Écart entre enseignants0,257 · 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'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

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

En bref

Citations24
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS Synthetic BiologyMême sujetCRISPR and Genetic EngineeringTravaux en français237 207