High-Throughput Metabolic Profiling for Model Refinements of Microalgae
Notice bibliographique
Résumé
Metabolic models are reconstructed based on an organism's available genome annotation and provide predictive tools to study metabolic processes at a systems-level. Genome-scale metabolic models may include gaps as well as reactions that are unverified experimentally. Reconstructed models of newly isolated microalgal species will result in weaknesses due to these gaps, as there is usually sparse biochemical evidence available for the metabolism of such isolates. The phenotype microarray (PM) technology is an effective, high-throughput method that functionally determines cellular metabolic activities in response to a wide array of entry metabolites. Combining the high throughput phenotypic assays with metabolic modeling can allow existing metabolic network models to be rapidly reconstructed or optimized by providing biochemical evidence to support and expand genomic evidence. This work will show the use of PM assays for the study of microalgae by using the green microalgal model species Chlamydomonas reinhardtii as an example. Experimental evidence for over 254 reactions obtained by PM was used in this study to expand and refine a genome-scale C. reinhardtii metabolic network model, iRC1080, by approximately 25 percent. The protocol created here can be used as a basis for functionally profiling the metabolism of other microalgae, including known microalgae mutants and new isolates.
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 ».