MétaCan
Menu
Retour à la cohorte
Enregistrement W4395070678 · doi:10.1261/rna.079890.123

Mapping RNA-Protein Interactions with Subcellular Resolution Using Colocalization CLIP

2024· article· en· W4395070678 sur OpenAlexaff
Soon Yi, Shashi Singh, Kathryn Rozen-Gagnon, Joseph M. Luna

Notice bibliographique

RevueRNA · 2024
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueBiotin and Related Studies
Établissements canadiensUniversity of Toronto
Organismes subventionnairesCase Western Reserve UniversityNational Institutes of HealthNational Cancer InstituteNational Institute of General Medical SciencesCase Comprehensive Cancer Center, Case Western Reserve UniversitySchool of Medicine, Case Western Reserve University
Mots-clésColocalizationBiologyRNA-binding proteinRNAStress granuleSubcellular localizationImmunoprecipitationComputational biologyCell biologyTranslation (biology)GeneticsMessenger RNAGeneCytoplasm

Résumé

récupéré en direct d'OpenAlex

RNA-binding proteins (RBPs) are essential for RNA metabolism and profoundly impact health and disease. The subcellular organization of RBP interaction networks with target RNAs remains largely unexplored. Here, we develop colocalization CLIP (coCLIP), a method that combines cross-linking and immunoprecipitation (CLIP) with proximity labeling, to explore in-depth the subcellular RNA interactions of the RBP human antigen R (HuR). Using this method, we uncover HuR's dynamic and location-specific interactions with RNA, revealing alterations in sequence preferences and interactions in the nucleus, cytosol, or stress granule (SG) compartments. We uncover HuR's unique binding preferences within SGs during arsenite stress, illuminating intricate interactions that conventional methodologies cannot capture. Overall, coCLIP provides a powerful method for revealing RBP-RNA interactions based on localization and lays the foundation for an advanced understanding of RBP models that incorporate subcellular location as a critical determinant of their functions.

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 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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,206
Score d'incertitude au seuil0,259

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 Opus0,016
Tête enseignante GPT0,256
Écart entre enseignants0,240 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRNAMême sujetBiotin and Related StudiesTravaux en français237 207