Nuclear compartmentalization of TERT mRNA and TUG1 lncRNA is driven by intron retention
Notice bibliographique
Résumé
The spatial partitioning of the transcriptome in the cell is an important form of gene-expression regulation. Here, we address how intron retention influences the spatio-temporal dynamics of transcripts from two clinically relevant genes: TERT (Telomerase Reverse Transcriptase) pre-mRNA and TUG1 (Taurine-Upregulated Gene 1) lncRNA. Single molecule RNA FISH reveals that nuclear TERT transcripts uniformly and robustly retain specific introns. Our data suggest that the splicing of TERT retained introns occurs during mitosis. In contrast, TUG1 has a bimodal distribution of fully spliced cytoplasmic and intron-retained nuclear transcripts. We further test the functionality of intron-retention events using RNA-targeting thiomorpholino antisense oligonucleotides to block intron excision. We show that intron retention is the driving force for the nuclear compartmentalization of these RNAs. For both RNAs, altering this splicing-driven subcellular distribution has significant effects on cell viability. Together, these findings show that stable retention of specific introns can orchestrate spatial compartmentalization of these RNAs within the cell. This process reveals that modulating RNA localization via targeted intron retention can be utilized for RNA-based therapies.
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 ».