High-throughput analysis of B3GLCT regulation predicts phenotype of Peters’ Plus Syndrome in line with the miRNA Proxy Hypothesis
Notice bibliographique
Résumé
ABSTRACT MicroRNAs (miRNAs, miRs) finely tune protein expression and target networks of 100s-1000s of genes that control specific biological processes. They are critical regulators of glycosylation, one of the most diverse and abundant posttranslational modifications. In recent work, miRs have been shown to predict the biological functions of glycosylation enzymes, leading to the “miRNA proxy hypothesis” which states, “if a miR drives a specific biological phenotype…, the targets of that miR will drive the same biological phenotype.” Testing of this powerful hypothesis is hampered by our lack of knowledge about miR targets. Target prediction suffers from low accuracy and a high false prediction rate. Herein, we develop a high-throughput experimental platform to analyze miR:target interactions, miRFluR. We utilize this system to analyze the interactions of the entire human miRome with beta-3-glucosyltransferase (B3GLCT), a glycosylation enzyme whose loss underpins the congenital disorder Peters’ Plus Syndrome. Although this enzyme is predicted by multiple algorithms to be highly targeted by miRs, we identify only 27 miRs that downregulate B3GLCT, a >96% false positive rate for prediction. Functional enrichment analysis of these validated miRs predict phenotypes associated with Peters’ Plus Syndrome, although B3GLCT is not in their known target network. Thus, biological phenotypes driven by B3GLCT may be driven by the target networks of miRs that regulate this enzyme, providing additional evidence for the miRNA Proxy Hypothesis.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| 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 | 0,001 | 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) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».