MétaCan
Menu
Retour à la cohorte
Enregistrement W4394978569 · doi:10.1007/s11538-024-01288-y

Untangling the Molecular Interactions Underlying Intracellular Phase Separation Using Combined Global Sensitivity Analyses

2024· article· en· W4394978569 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

fundUn bailleur canadien est enregistré sur le travail.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueBulletin of Mathematical Biology · 2024
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueProbabilistic and Robust Engineering Design
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversity of North Carolina at Chapel Hill
Mots-clésSeparation (statistics)Sensitivity (control systems)Phase (matter)IntracellularBiological systemChemistryChemical physicsBiologyMathematicsStatisticsBiochemistryEngineering

Résumé

récupéré en direct d'OpenAlex

Liquid-liquid phase separation is an intracellular mechanism by which molecules, usually proteins and RNAs, interact and then rapidly demix from the surrounding matrix to form membrane-less compartments necessary for cellular function. Occurring in both the cytoplasm and the nucleus, properties of the resulting droplets depend on a variety of characteristics specific to the molecules involved, such as valency, density, and diffusion within the crowded environment. Capturing these complexities in a biologically relevant model is difficult. To understand the nuanced dynamics between proteins and RNAs as they interact and form droplets, as well as the impact of these interactions on the resulting droplet properties, we turn to sensitivity analysis. In this work, we examine a previously published mathematical model of two RNA species competing for the same protein-binding partner. We use the combined analyses of Morris Method and Sobol' sensitivity analysis to understand the impact of nine molecular parameters, subjected to three different initial conditions, on two observable LLPS outputs: the time of phase separation and the composition of the droplet field. Morris Method is a screening method capable of highlighting the most important parameters impacting a given output, while the variance-based Sobol' analysis can quantify both the importance of a given parameter, as well as the other model parameters it interacts with, to produce the observed phenomena. Combining these two techniques allows Morris Method to identify the most important dynamics and circumvent the large computational expense associated with Sobol', which then provides more nuanced information about parameter relationships. Together, the results of these combined methodologies highlight the complicated protein-RNA relationships underlying both the time of phase separation and the composition of the droplet field. Sobol' sensitivity analysis reveals that observed spatial and temporal dynamics are due, at least in part, to high-level interactions between multiple (3+) parameters. Ultimately, this work discourages using a single measurement to extrapolate the value of any single rate or parameter value, while simultaneously establishing a framework in which to analyze and assess the impact of these small-scale molecular interactions on large-scale droplet properties.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,818
Score d'incertitude au seuil0,509

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,239
Tête enseignante GPT0,489
Écart entre enseignants0,250 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle