Network-based modelling reveals cell-type enriched patterns of non-coding RNA regulation during human skeletal muscle remodelling
Notice bibliographique
Résumé
Abstract A majority of human genes produce non-protein-coding RNA (ncRNA), and some have roles in development and disease. Neither ncRNA nor human skeletal muscle is ideally studied using short-read sequencing, so we used a customized RNA pipeline and network modelling to study cell-type specific ncRNA responses during muscle growth at scale. We completed five human resistance-training studies (n = 144 subjects), identifying 61% who successfully accrued muscle-mass. We produced 288 transcriptome-wide profiles and found 110 ncRNAs linked to muscle growth in vivo, while a transcriptome-driven network model demonstrated interactions via a number of discrete functional pathways and single-cell types. This analysis included established hypertrophy-related ncRNAs, including CYTOR—which was leukocyte-associated (false discovery rate [FDR] = 4.9 × 10−7). Novel hypertrophy-linked ncRNAs included PPP1CB-DT (myofibril assembly genes, FDR = 8.15 × 10−8), and EEF1A1P24 and TMSB4XP8 (vascular remodelling and angiogenesis genes, FDR = 2.77 × 10−5). We also discovered that hypertrophy lncRNA MYREM shows a specific myonuclear expression pattern in vivo. Our multi-layered analyses established that single-cell-associated ncRNA are identifiable from bulk muscle transcriptomic data and that hypertrophy-linked ncRNA genes mediate their association with muscle growth via multiple cell types and a set of interacting pathways.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,001 | 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 ».