Application of nucleoside or nucleotide analogues in <scp>RNA</scp> dynamics and <scp>RNA</scp>‐binding protein analysis
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
Cellular RNAs undergo dynamic changes during RNA biological processes, which are tightly orchestrated by RNA-binding proteins (RBPs). Yet, the investigation of RNA dynamics is hurdled by highly abundant steady-state RNAs, which make the signals of dynamic RNAs less detectable. Notably, the exert of nucleoside or nucleotide analogue-based RNA technologies has provided a remarkable platform for RNA dynamics research, revealing diverse unnoticed features in RNA metabolism. In this review, we focus on the application of two types of analogue-based RNA sequencing, antigen-/antibody- and click chemistry-based methodologies, and summarize the RNA dynamics features revealed. Moreover, we discuss emerging single-cell newly transcribed RNA sequencing methodologies based on nucleoside analogue labeling, which provides novel insights into RNA dynamics regulation at single-cell resolution. On the other hand, we also emphasize the identification of RBPs that interact with polyA, non-polyA RNAs, or newly transcribed RNAs and also their associated RNA-binding domains at genomewide level through ultraviolet crosslinking and mass spectrometry in different contexts. We anticipated that further modification and development of these analogue-based RNA and RBP capture technologies will aid in obtaining an unprecedented understanding of RNA biology. This article is categorized under: RNA Interactions with Proteins and Other Molecules > Protein-RNA Recognition RNA Structure and Dynamics > RNA Structure, Dynamics and Chemistry RNA Methods > RNA Analyses in Cells.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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