Proximity‐dependent sensors for signaling
Notice bibliographique
Résumé
Understanding dynamic subcellular organization in living cells is key to unravelling mechanisms of intracellular signaling that goes awry in disease. Using proximity‐dependent biotinylation (BioID), we first established a reference map for the human cell at steady state (Go et al., Nature, 2021; humancellmap.org) that serves to identify protein baits that can report on the recruitment of proteins to selected organelles or subcellular structures. These BioID “sensors” can then be applied to look at dynamic changes in signaling. For example, exploiting late endosome/lysosome BioID sensors (VAMP7 and VAMP8), we recently revealed new intricacies in the regulation of amino acid sensing pathways (Hesketh et al., Science, 2020). We also coupled BioID sensor profiling to CRISPR‐mediated ablation of pathway components to investigate the consequences on the environment detected by the sensor. Using these approaches, we recently used fast‐acting biotinylation enzymes, including miniTurbo, to provide a space and time‐resolved analysis of EGFR pathway activation, revealing previously uncharacterized associations. This presentation will revisit key principles of dynamic organelle mapping in living cells, and the utilization of coincidence detection for dynamic proximal interactomes.
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 | 0,001 | 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 ».