Applying prior knowledge of regulatory signaling to investigate macrophage cAMP dynamics during Mycobacterium tuberculosis infection
Notice bibliographique
Résumé
Mycobacterium tuberculosis (Mtb), the causative agent of Tuberculosis, resides in host lung macrophages and has evolved unique processes to hijack host signaling pathways to facilitate its survival and propagation within macrophages. Notably, Mtb exports cyclic AMP (cAMP), a key regulatory signaling molecule, during infection. As can often be the case, experimental data exploring immune modulation by cAMP during Mtb infection are sparse, largely cross-sectional and offer only very partial coverage. Data-poor conditions such as this significantly challenge conventional data-driven analyses. Accordingly, we apply a hypothesis driven approach to construct a mechanistically informed network model from prior knowledge of pathway signaling recovered from manually curated pathway schema and extracted from literature. Undocumented pathway elements are hypothesized under strict confidence measures using generative artificial intelligence to ensure a closed loop architecture consistent with homeostatic stability. Simulated perturbations using the most plausible network models highlight the impact of IL-6 on cAMP response. Subsequent experimental validation using human THP-1 monocytes differentiated to macrophages supported this effect. These results suggest that the de novo creation of mechanistically informed network models from prior knowledge may support early explorations of complex pathway dynamics, such as intracellular cAMP signaling during Mtb infection, when experimental data is sparse or unavailable.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».