Sex-Specific Expression of Non-Coding RNA Fragments in Frontal Cortex, Hippocampus and Cerebellum of Rats
Notice bibliographique
Résumé
Non-coding RNA fragments (ncRFs) are processed from various non-coding RNAs (ncRNAs), with the most abundant being those produced from tRNAs. ncRFs were reported in many animal and plant species. Many ncRFs exhibit tissue specificity or/and are affected by stress. There is, however, only a handful of reports that describe differential expression of ncRFs in the brain regions. In this work, we analyzed the abundance of ncRFs processed from four major ncRNAs, including tRNA (tRFs), snoRNA (snoRFs), snRNA (snRFs), and rRNA (rRFs) in the frontal cortex (FC), hippocampus (HIP), and cerebellum (CER) of male and female rats. We found brain-specific and sex-specific differences. Reads mapping to lincRNAs were significantly larger in CER as compared to HIP and CER, while those mapping to snRNAs and tRNA were smaller in HIP than in FC and CER. tRF reads were the most abundant among all ncRF reads, and FC had more reads than HIP and CER. Reads mapping to antisense ncRNAs were significantly larger in females than in males in FC. Additionally, males consistently had more tRF, snRF, and snoRF reads in all brain regions. rRFs were more abundant in males in FC and females in HIP. Several tRFs were significantly underrepresented, including tRF-ValCAC, tRF-ValACC, and tRF-LysCTT in all brain regions. We also found brain- and sex-specific differences in the number of brain function-related mRNA targets. To summarize, we found sex-specific differences in the expression of several ncRNA fragments in various brain regions of healthy rats.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».