RNA sequence and structure control assembly and function of RNA condensates
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Intracellular condensates formed through liquid–liquid phase separation (LLPS) primarily contain proteins and RNA. Recent evidence points to major contributions of RNA self-assembly in the formation of intracellular condensates. As the majority of previous studies on LLPS have focused on protein biochemistry, effects of biological RNAs on LLPS remain largely unexplored. In this study, we investigate the effects of crowding, metal ions, and RNA structure on formation of RNA condensates lacking proteins. Using bacterial riboswitches as a model system, we first demonstrate that LLPS of RNA is promoted by molecular crowding, as evidenced by formation of RNA droplets in the presence of polyethylene glycol (PEG 8K). Crowders are not essential for LLPS, however. Elevated Mg 2+ concentrations promote LLPS of specific riboswitches without PEG. Calculations identify key RNA structural and sequence elements that potentiate the formation of PEG-free condensates; these calculations are corroborated by key wet-bench experiments. Based on this, we implement structure-guided design to generate condensates with novel functions including ligand binding. Finally, we show that RNA condensates help protect their RNA components from degradation by nucleases, suggesting potential biological roles for such higher-order RNA assemblies in controlling gene expression through RNA stability. By utilizing both natural and artificial RNAs, our study provides mechanistic insight into the contributions of intrinsic RNA properties and extrinsic environmental conditions to the formation and regulation of condensates comprised of RNAs.
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.
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 découle