MétaCan
Menu
Retour à la cohorte
Enregistrement W3131596152 · doi:10.1016/j.cell.2021.01.033

DNA origami signposts for identifying proteins on cell membranes by electron cryotomography

2021· article· en· W3131596152 sur OpenAlexfundno aff
Emma Silvester, Benjamin Vollmer, Vojtěch Pražák, Daven Vasishtan, Emily A. Machala, Catheryne Whittle, Susan Black, Jonathan Bath, Andrew J. Turberfield, Kay Grünewald, Lindsay A. Baker

Notice bibliographique

RevueCell · 2021
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueAdvanced biosensing and bioanalysis techniques
Établissements canadiensnon disponible
Organismes subventionnairesBiotechnology and Biological Sciences Research CouncilEngineering and Physical Sciences Research CouncilMedical Research CouncilCanadian Institutes of Health ResearchWellcome Trust
Mots-clésBiologyDNA origamiCryo-electron tomographyDNABiophysicsCell biologyLipid bilayer fusionElectron tomographyMembraneCryo-electron microscopyComputational biologyMembrane proteinNanotechnologyBiochemistryTomography

Résumé

récupéré en direct d'OpenAlex

Electron cryotomography (cryoET), an electron cryomicroscopy (cryoEM) modality, has changed our understanding of biological function by revealing the native molecular details of membranes, viruses, and cells. However, identification of individual molecules within tomograms from cryoET is challenging because of sample crowding and low signal-to-noise ratios. Here, we present a tagging strategy for cryoET that precisely identifies individual protein complexes in tomograms without relying on metal clusters. Our method makes use of DNA origami to produce "molecular signposts" that target molecules of interest, here via fluorescent fusion proteins, providing a platform generally applicable to biological surfaces. We demonstrate the specificity of signpost origami tags (SPOTs) in vitro as well as their suitability for cryoET of membrane vesicles, enveloped viruses, and the exterior of intact mammalian cells.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,062
Score d'incertitude au seuil0,717

Scores Codex et Gemma par catégorie

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 savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,009
Tête enseignante GPT0,263
Écart entre enseignants0,254 · 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 tête enseignante, 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

Citations80
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCellMême sujetAdvanced biosensing and bioanalysis techniquesTravaux en français237 207