Profiling transcriptome composition and dynamics within nuclear compartments using SLAM-RT&Tag
Notice bibliographique
Résumé
Nuclear compartments are membrane-less regions enriched in functionally related molecules. RNA is a major component of many nuclear compartments, but the identity and dynamics of transcripts within nuclear compartments are poorly understood. Here, we applied reverse transcribe and tagment (RT&Tag) to human cell lines to identify the transcript populations of Polycomb domains and nuclear speckles. We also developed SLAM-RT&Tag, which combines RNA metabolic labeling with RT&Tag, to quantify transcript dynamics within nuclear compartments. We observed unique transcript populations with differing structures and dynamics within each compartment. Intriguingly, exceptionally long genes are transcribed adjacent to Polycomb domains and are transiently associated with chromatin. By contrast, nuclear speckles act as quality control checkpoints that transiently confine incompletely spliced polyadenylated transcripts and facilitate their post-transcriptional splicing. In summary, we demonstrate that transcripts at Polycomb domains and nuclear speckles undergo distinct RNA processing mechanisms, highlighting the pivotal role of compartmentalization in RNA maturation. • Developed SLAM-RT&Tag to profile RNA dynamics within nuclear compartments • RNAs persistently associated with compartments, like XIST and MALAT1, are rare • Exceptionally long genes are transcribed adjacent to Polycomb domains • Incompletely spliced mature mRNAs transiently pass through nuclear speckles Khyzha et al. developed SLAM-RT&Tag, a kinetic labeling strategy for profiling RNA dynamics within nuclear compartments. Applied to Polycomb domains and nuclear speckles, they identified compartment-specific transcript populations with distinct structural features and demonstrated that most transcripts exhibit transient associations with these compartments.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».