The kinetic landscape of human transcription factors
Notice bibliographique
Résumé
Abstract Cell-to-cell variability is shaped by transcription dynamics because genes are transcribed in bursts interspersed with inactive periods. The stochasticity of bursting means that genes transcribed in rare bursts exhibit more heterogeneity at the single cell level than genes that burst often 1, 2 . Transcription starts with the binding of Transcription Factors (TFs) to specific sequence motifs where they recruit the transcription machinery 3 . In some systems, individual TF binding events temporally correlate with the firing of transcriptional bursts, defining the target gene’s frequency and duration 4–6 . However, in the absence of methods that assess the impact of different TFs on transcription dynamics at the same genetic loci, it remains unclear whether DNA binding kinetics are the sole determinant of bursting. Here we develop an imaging-based synthetic recruitment assay, CRISPRburst, and measure how 92 human TFs impact bursting kinetics. We show that TFs recruited to chromatin under identical conditions generate diverse bursting signatures, some TFs increasing the probability of the gene turning on while others increase the number of mRNA molecules transcribed per burst. We find that the association of TFs with specific protein partners determines their bursting output, and train a model to predict the kinetic signatures of all human TFs. These kinetic signatures can be used as a TF classification system complementary to existing families based on DNA binding domains. Additionally, kinetic signatures provide a rational framework to design synthetic activators, model transcription regulation, and understand expression heterogeneity.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».