Spatially resolved gene regulatory networks in Asian rice (<i>Oryza sativa</i> cv. Nipponbare) leaves
Notice bibliographique
Résumé
Transcriptome profiles in plants are heterogenous at every level of morphological organization. Even within organs, cells of the same type can have different patterns of gene expression depending on where they are positioned within tissues. This heterogeneity is associated with non-uniform distribution of biological processes within organs. The regulatory mechanisms that establish and sustain the spatial heterogeneity are unknown. Here, we identify regulatory modules that support functional specialization of different parts of Oryza sativa cv. Nipponbare leaves by leveraging transcriptome data, transcription factor binding motifs and global gene regulatory network prediction algorithms. We generated a global gene regulatory network in which we identified six regulatory modules that were active in different parts of the leaf. The regulatory modules were enriched for genes involved in spatially relevant biological processes, such as cell wall deposition, environmental sensing and photosynthesis. Strikingly, more than 86.9% of genes in the network were regulated by members of only five transcription factor families. We also generated targeted regulatory networks for the large MYB and bZIP/bHLH families to identify interactions that were masked in the global prediction. This analysis will provide a baseline for future single cell and array-based spatial transcriptome studies and for studying responses to environmental stress and demonstrates the extent to which seven coarse spatial transcriptome analysis can provide insight into the regulatory mechanisms supporting functional specialization within leaves.
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 | 0,000 | 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 ».