MétaCan
Menu
← Retour à la cohorte
Enregistrement W4415175086 · doi:10.1101/2025.10.11.681841

Bioinformatic inference of the exercise-responsive control of p70 S6 kinase through <i>RPS6KB1</i> expression

2025· preprint· en· W4415175086 sur OpenAlexafffund
Taylor J. McColl, Aurélien Dugourd, Julio Sáez-Rodríguez, David C. Clarke

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2025
Typepreprint
Langueen
DomaineComputer Science
ThématiqueComputational Drug Discovery Methods
Établissements canadiensSimon Fraser University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaSimon Fraser University
Mots-clésInferenceGene regulatory networkGeneTranscriptomeTranscription factorSkeletal muscleTranscription (linguistics)Gene expression

Résumé

récupéré en direct d'OpenAlex

Abstract Previous research suggests that the absolute levels of p70 S6 kinase (p70S6K) are a key determinant of the rate of skeletal muscle protein synthesis (MPS). p70S6K levels are in part determined by the transcriptional control of the gene encoding p70S6K, RPS6KB1 , but the molecular mechanisms governing its expression are poorly understood. The purpose of this study was to infer the molecular regulatory network governing RPS6KB1 expression. We applied a novel bioinformatic network inference algorithm called CARNIVAL (CAusal Reasoning pipeline for Network identification using Integer VALue programming) to infer the signaling network downstream of canonical exercise sensors controlling RPS6KB1 -specific transcription factors (TFs) after acute aerobic (AE) or resistance exercise (RE). CARNIVAL integrates a prior knowledge network, TF and signaling pathway activities inferred from transcriptomic data, and perturbation targets to predict the network that best explains the data. The networks revealed intracellular sensors and hormone receptors controlling RPS6KB1 -specific TFs. Both exercise types resulted in AMPK-mediated SNAI1 regulation, but HIF1A was distinctly controlled (AE: PHD1-3, FIH; RE: AMPK). AE controlled FOXA1 via insulin, TGF-β, and myostatin signalling, while RE controlled CEBPA via MAP3Ks. Our study is the first to apply a comprehensive bioinformatic network inference algorithm to infer causal exercise-responsive signaling networks. The results of our analysis motivate experimentally testable hypotheses pertaining to the molecular control of RPS6KB1 transcription in human skeletal muscle in response to aerobic and resistance exercise.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,015
Tête enseignante GPT0,259
Écart entre enseignants0,244 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)→Même sujetComputational Drug Discovery Methods→Travaux en français237 207→