MétaCan
Menu
Retour à la cohorte
Enregistrement W3162971530 · doi:10.1126/science.abc7531

A prometastatic splicing program regulated by SNRPA1 interactions with structured RNA elements

2021· article· en· W3162971530 sur OpenAlexafffund
Lisa Fish, Matvei Khoroshkin, Albertas Navickas, Kristle Garcia, Bruce Culbertson, Benjamin Hänisch, Steven Zhang, Hoang C.B. Nguyen, Larisa M. Soto, Maria Dermit, Faraz K. Mardakheh, Henrik Molina, Claudio R. Alarcón, Hamed S. Najafabadi, Hani Goodarzi

Notice bibliographique

RevueScience · 2021
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueRNA Research and Splicing
Établissements canadiensMcGill UniversityMcGill Genome Centre
Organismes subventionnairesMedical Research CouncilCanadian Institutes of Health ResearchUniversity of California, San FranciscoDOD Peer Reviewed Cancer Research ProgramNational Cancer InstituteNational Institutes of HealthHelen Diller Family Comprehensive Cancer Center, University of California, San FranciscoCompute CanadaAmerican College of SurgeonsLangley Research CenterHoward Hughes Medical Institute
Mots-clésRNA splicingRNAComputational biologyComputer scienceBiologyGeneticsGene

Résumé

récupéré en direct d'OpenAlex

Characterizing a cancer spliceosome Cells undergo many genomic changes as they progress toward metastatic cancer. One aspect of this change is to RNA expression and splicing isoforms, but how these differences affect tumor progression is not well characterized. Fish et al. developed a computational framework called pyTEISER that identifies structural cis-regulatory elements that control diverse types of RNA regulation. Applying pyTEISER to models of breast cancer metastasis, they discovered an RNA short-stem-loop element that forms a “structural splicing enhancer” that acts in cis to regulate alternative splicing of RNA transcripts. One of these interactions encompasses the RNA-binding protein SNRPA1 and results in alternative exon inclusion that affects metastatic capacity in xenograft models. Thus, RNA element binding may play a role in splicing regulation and is potentially an important component of the cis-splicing code. Science , this issue p. eabc7531

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 enseignants0,017
Score d'incertitude au seuil0,252

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
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 Opus0,010
Tête enseignante GPT0,315
Écart entre enseignants0,305 · 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

Citations76
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueScienceMême sujetRNA Research and SplicingTravaux en français237 207