Proneural genes form a combinatorial code to diversify neocortical neural progenitor cells
Notice bibliographique
Résumé
ABSTRACT Neocortical neural progenitor cells (NPCs) are molecularly heterogeneous, yet the genes that confer distinct neuronal morphologies and connectivities during development are poorly understood. Here, we determined that a proneural gene combinatorial code diversifies cortical NPCs. By mining scRNA-seq data from murine embryonic and early postnatal cortices and generating trajectory inference models, we found that Neurog2 is predominant, and is transiently co-expressed with Ascl1 and/or Neurog1 during an apical-to-basal NPC transition state in NPCs with early pseudotime identities. To assess whether proneural gene pairs confer distinct properties, we first used Neurog2/Ascl1 reporter mice expressing unique reporters, revealing that NPCs have distinct cell division modes and cell cycle dynamics dependent on their proneural gene profile. To assess Neurog2/Neurog1 interactions, we used double knock-out mice and novel split-Cre transgenics crossed to a Rosa-diptheria-toxin-A line to delete double + cells, showing Neurog1/Neurog2 are specifically required to generate early-born neurons and to maintain NPCs. Finally, in silico mutation of a cortical Neurog2-gene regulatory network and validation using Neurog1/Neurog2 mutant and ‘deleter’ mice, identified Bclllb and Nhlh2, expressed in early-born neurons, as dependent on Neurog1/Neurog2. Our data explains how proneural genes act combinatorically to diversify gene regulatory networks, thereby lineage restricting NPCs and creating cortical neuronal diversity.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».