MétaCan
Menu
Retour à la cohorte
Enregistrement W4220917510 · doi:10.1371/journal.pcbi.1009400

The correlation between cell and nucleus size is explained by an eukaryotic cell growth model

2022· article· en· W4220917510 sur OpenAlexaff
Yufei Wu, Adrian F. Pegoraro, David A. Weitz, Paul A. Janmey, Sean X. Sun

Notice bibliographique

RevuePLoS Computational Biology · 2022
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueRNA and protein synthesis mechanisms
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesDivision of Materials ResearchNational Institute of General Medical SciencesNational Heart, Lung, and Blood InstituteMaterials Research Science and Engineering Center, Harvard UniversityDirectorate for EngineeringNational Institutes of Health
Mots-clésNucleoplasmRibosome biogenesisCytoplasmCell biologyRibosomeCell growthBiologyNucleusCellCell divisionCell cycleCell nucleusChemistryNucleolusRNABiochemistry

Résumé

récupéré en direct d'OpenAlex

In eukaryotes, the cell volume is observed to be strongly correlated with the nuclear volume. The slope of this correlation depends on the cell type, growth condition, and the physical environment of the cell. We develop a computational model of cell growth and proteome increase, incorporating the kinetics of amino acid import, protein/ribosome synthesis and degradation, and active transport of proteins between the cytoplasm and the nucleoplasm. We also include a simple model of ribosome biogenesis and assembly. Results show that the cell volume is tightly correlated with the nuclear volume, and the cytoplasm-nucleoplasm transport rates strongly influence the cell growth rate as well as the cell/nucleus volume ratio (C/N ratio). Ribosome assembly and the ratio of ribosomal proteins to mature ribosomes also influence the cell volume and the cell growth rate. We find that in order to regulate the cell growth rate and the cell/nucleus volume ratio, the cell must optimally control groups of kinetic and transport parameters together, which could explain the quantitative roles of canonical growth pathways. Finally, although not explicitly demonstrated in this work, we point out that it is possible to construct a detailed proteome distribution using our model and RNAseq data, provided that a quantitative cell division mechanism is known.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,429
Score d'incertitude au seuil0,442

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,217
Écart entre enseignants0,205 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations75
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLoS Computational BiologyMême sujetRNA and protein synthesis mechanismsTravaux en français237 207