MicroRNA chemical modifications in post-transcriptional gene silencing and human diseases
Notice bibliographique
Résumé
MicroRNAs (miRNAs) are small, non-coding RNAs that influence various cellular activities through post-transcriptional gene silencing. Recent research has shown that miRNA modifications, including N6-methyladenosine (m6A), 5-methylcytidine (m5C), 2'-O-methylation (Nm), N7-methylguanosine (m7G), pseudouridylation (Ψ), phosphorylation, RNA editing (adenosine to inosine [A to I]), acetylation, and oxidation, play crucial roles in fine-tuning miRNA expression and function. This review examines the impact of nucleotide modifications on miRNA biogenesis, particularly their role in regulating RNA interactions with the Drosha-DiGeorge syndrome critical region 8 (DGCR8) and Dicer complexes, thereby influencing primary miRNA (pri-miRNA) processing, pre-miRNA export, and miRNA maturation. It also examines whether these modifications assist miRNA recognition by RNA-binding proteins (RBPs) in controlling miRNA processing and stability, as well as their impact on miRNA strand selection, target recognition, and the recruitment of regulatory proteins to the miRNA-induced silencing complex (miRISC), which facilitates the silencing of miRNA-targeted messenger RNAs (mRNAs). Additionally, the review discusses the role of miRNA modifications in various human diseases and considers how advanced sequencing technologies and chemical biology approaches enable detailed mapping of these modifications. Furthermore, it provides new insights into the challenges of understanding the dynamic nature of miRNA modifications and their context-dependent effects. It also highlights future directions, including innovative detection methods and epigenetic crosstalk with potential therapeutic applications in human diseases.
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 ».