Dynamic extracellular proximal interaction profiling reveals Low-Density Lipoprotein Receptor as a new Epidermal Growth Factor signaling pathway component
Notice bibliographique
Résumé
ABSTRACT Plasma membrane proteins are critical mediators of cell-cell and cell-environment interactions, pivotal in intracellular signal transmission vital for cellular functionality. Proximity-dependent biotinylation approaches such as BioID combined with mass spectrometry have begun illuminating the landscape of proximal protein interactions within intracellular compartments. However, their deployment in studies of the extracellular environment remains scarce. Here, we present extracellular TurboID (ecTurboID), a method designed to profile cell surface interactions in living cells on short timescales. We first report on the careful optimization of experimental and data analysis strategies that enable the capture of extracellular protein interaction information. Leveraging the ecTurboID technique, we unveiled the proximal interactome of multiple plasma membrane proteins, notably the epidermal growth factor receptor (EGFR). This led to identifying the low-density lipoprotein receptor (LDLR) as a newfound extracellular protein associating with EGFR, contingent upon the presence of the EGF ligand. We showed that 15 minutes of EGF stimulation induced LDLR localization to the plasma membrane to associate with proteins involved in EGFR regulation. This modified proximity labelling methodology allows us to dynamically study the associations between plasma membrane proteins in the extracellular environment. One Sentence Summary We developed extracellular TurboID (ecTurboID) as a new proximity dependent biotinylation approach that can capture dynamic interactions at the cell surface, identifying Low-Density Lipoprotein Receptor as a new ligand-dependent extracellular partner of Epidermal Growth Factor Receptor.
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 | 0,001 |
| 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 ».