Bridging Glycomics and Genomics: New Uses of Functional Genetics in the Study of Cellular Glycosylation
Notice bibliographique
Résumé
All living cells are coated with a diverse collection of carbohydrate molecules called glycans. Glycans are key regulators of cell behavior and important therapeutic targets for human disease. Unlike proteins, glycans are not directly templated by discrete genes. Instead, they are produced through multi-gene pathways that generate a heterogenous array of glycoprotein and glycolipid antigens on the cell surface. This genetic complexity has sometimes made it challenging to understand how glycosylation is regulated and how it becomes altered in disease. Recent years, however, have seen the emergence of powerful new functional genomics technologies that allow high-throughput characterization of genetically complex cellular phenotypes. In this review, we discuss how these techniques are now being applied to achieve a deeper understanding of glyco-genomic regulation. We highlight specifically how methods like ChIP-seq, RNA-seq, CRISPR genomic screening and scRNA-seq are being used to map the genomic basis for various cell-surface glycosylation states in normal and diseased cell types. We also offer a perspective on how emerging functional genomics technologies are likely to create further opportunities for studying cellular glycobiology in the future. Taken together, we hope this review serves as a primer to recent developments at the glycomics-genomics interface.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».