Notice bibliographique
Résumé
Glycosylation is one of the most abundant and diverse post‐translational modifications. Glycans participate in various key biological functions and processes including immunity, cell adhesion, endocytosis, exocytosis, molecular trafficking, and signal transduction. Previous work from our lab identified microRNAs (miRNAs, miRs) as key regulators of glycosylation genes (glycogenes). miRs are small non‐coding RNAs that fine‐tune protein expression through binding to messenger RNA (mRNA). miRs regulate networks of genes that work to control a specific biological process, tightening the expression range for critical genes. By mapping the targets of miRNA involved in specific biological processes or disease states, we can determine genes that are important drivers in that process or disease, defined as the miRNA Proxy Approach . However, this approach is dependent on an accurate understanding of miRNA:mRNA interactions. Current identification of miR:glycogene interactomes is hindered by the low accuracy of prediction (17‐66%), the low expression of glycogenes (complicating transcriptomic analysis and RISC complex pulldowns), and suboptimal throughput of more direct miR:mRNA validations (e.g. luciferase assays). To date, around 0.01% of all predicted human miR:target interactions have been validated experimentally. To overcome these obstacles, our laboratory has developed a method for high‐throughput experimental mapping of miR: glycogene interactions. Based on previous work, we chose the B3GLCT gene as our first target. Herein, we present a comprehensive analysis of 2303 interactions between B3GLCT and human miRs. We identified miRs that both repress and, surprisingly, up‐regulate B3GLCT. Our findings indicated high rates of both false positive and negative in the miR target predictions by common algorithms (e.g. Targetscan). Our data also shows that miRs that hit B3GLCT predict disease characteristics represented in Peters plus syndrome, caused by B3GLCT mutations. This supports our miRNA Proxy hypothesis and points to the potential utility of miRs to determine drivers of disease. In summary, this work provides a platform to quickly expand the network of experimentally validated miR‐target interactions and enables us to understand more about miR:mRNA interactions.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 ».