Genetic landscape of an <i>in vivo</i> protein interactome
Notice bibliographique
Résumé
SUMMARY Protein-protein interaction (PPI) networks accurately map environmental perturbations to their molecular consequences in cells, but effects of genome-wide genetic variation on PPIs remain unknown. We hypothesized that PPI networks integrate genetic and environmental effects, potentially defining biochemical mechanisms underlying complex polygenic traits. Here, we measured 61 PPIs in inbred strains of Saccharomyces cerevisiae with ∼12,000 single-nucleotide polymorphisms (SNPs) across the genome. Unlike mRNA expression and protein abundance that are primarily affected by SNPs local (in “cis”) to a gene, PPIs are predominantly affected by SNPs far (in “trans”) to the genomic loci of the interacting proteins. However, consistent with the PPI network’s small-world characteristic, these transacting SNPs are in neighboring genes in the network. We likewise discovered SNPs in non-coding RNAs and post-transcriptional regulators (3’ UTRs) with, counterintuitively, larger PPI-modulating effects than SNPs within protein-coding regions. Finally, we inferred known and novel mechanisms of action for yeast and human drugs. HIGHLIGHTS Protein-interaction quantitative trait locus (“piQTL”) mapping reveals sensitivity of in vivo PPIs to polymorphisms across the yeast genome Trans-piQTLs significantly outnumber and are stronger than cis-piQTLs SNPs in non-coding RNAs and 3’ UTRs have comparable effects to PPI as SNPs in coding regions piQTL mapping reveals known and novel mechanism of yeast and human drugs
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».