MétaCan
Menu
← Retour à la cohorte
Enregistrement W4220755497 · doi:10.21203/rs.3.rs-1370718/v1

Shapify: Pathways to SARS-CoV-2 Frameshifting Pseudoknot

2022· preprint· en· W4220755497 sur OpenAlexafffund
Luke Trinity, Ian William Wark, Lance Lansing, Hosna Jabbari, Ulrike Stege

Notice bibliographique

RevueResearch Square · 2022
Typepreprint
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueRNA and protein synthesis mechanisms
Établissements canadiensUniversity of AlbertaUniversity of Victoria
Organismes subventionnairesUniversity of Victoria
Mots-clésPseudoknotTranslational frameshiftSevere acute respiratory syndrome coronavirusSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Computational biologyNucleic acid structureCoronavirusSequence (biology)Coronavirus disease 2019 (COVID-19)RNABiologyVirologyGeneticsMedicineGeneRibosome

Résumé

récupéré en direct d'OpenAlex

Abstract Background: Multiple viruses including HIV, MERS-CoV (coronavirus responsible for Middle East Respiratory Syndrome, MERS), SARS-CoV (coronavirus responsible for SARS) and SARS-CoV-2 (coronavirus responsible for COVID-19) use a mechanism known as -1 programmed ribosomal frameshifting (-1 PRF) to successfully replicate. SARS-CoV-2 possesses a unique RNA pseudoknotted structure that stimulates -1 PRF. Recent experiments identified small molecules as antiviral agents that can bind to the pseudoknot and disrupt its stimulation of -1 PRF. Targeting -1 PRF in SARS-CoV-2 to impair viral replication can improve patients' prognoses.Crucial to developing these successful therapies is modeling the structure of the SARS-CoV-2 -1 PRF pseudoknot.Our goal is to expand knowledge of possible pseudoknot conformations. Results: Following a structural alignment approach, we identify similarities in -1 PRF pseudoknots of SARS-CoV-2, SARS-CoV, and MERS-CoV. We introduce Shapify, a novel algorithm that given an RNA sequence incorporates structural reactivity (SHAPE) data and partial structure information to output an RNA secondary structure prediction within a biologically sound hierarchical folding approach. Shapify helps us to better understand non-native SARS-CoV-2 -1 PRF pseudoknot conformations that are relevant to structure function and may correlate with -1 PRF efficiency. We provide in-depth analysis by investigating the structural landscape for the SARS-CoV-2 -1 PRF pseudoknot, including reference and mutated sequences. To better understand the impact of mutations, we provide insight on SARS-CoV-2 -1 PRF pseudoknot sequence mutations and their effect on the resulting structure. Conclusion: We identify the consensus structure for SARS-CoV, SARS-CoV-2, and MERS-CoV -1 PRF pseudoknots; this similarity in functional RNA structures aids treatment preparation for existing and emergent viruses. Shapify predictions are guided both by SHAPE data and partial structure information. Applied to the SARS-CoV-2 -1 PRF pseudoknot, Shapify unveiled previously unknown pathways from initial stems to pseudoknotted secondary structures. Where SHAPE data is unavailable we provide predictions for noteworthy SARS-CoV-2 -1 PRF mutated pseudoknot sequences. By contextualizing our work with available experimental data, our structure predictions motivate future RNA structure-function research and can aid 3-D modeling of pseudoknots.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,107
Tête enseignante GPT0,395
Écart entre enseignants0,287 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueResearch Square→Même sujetRNA and protein synthesis mechanisms→Travaux en français237 207→