Single-Cell-Kinetics Approach\nto Discover Functionally Distinct Subpopulations within Phenotypically\nUniform Populations of Cells
Notice bibliographique
Résumé
Phenotypically uniform cell populations may contain subpopulations\nwith different activities of enzymes, membrane transporters, and other\nfunctional units which can be characterized kinetically. Here we propose\nthe first approach to the discovery of such subpopulations; we term\nit single-cell approach to discover subpopulations or SCADS for short.\nSCADS combines microscopy, single-cell kinetic analysis, and population/cluster\nanalysis to discover a functionally distinct subpopulation of cells.\nIn this proof-of-principle work, we used SCADS to search for subpopulations\nwith distinct kinetic patterns of membrane transport in bulk tumor\ncells (BTCs) and tumor-initiating cells (TICs). We used two classical\nMichaelis parameters, <i>V</i><sub>max</sub> and <i>K</i><sub>M</sub>, to kinetically characterize the rate of transport.\nWe found that the BTC population was homogeneous with respect to membrane\ntransport. When analyzing TICs, we discovered three main functionally\ndistinct subpopulations: (i) cells with a high rate of transport (high <i>V</i><sub>max</sub>), (ii) cells with high-affinity transporters\n(low <i>K</i><sub>M</sub>), and (iii) cells with activity\nand affinity similar to those in BTCs (low <i>V</i><sub>max</sub> and high <i>K</i><sub>M</sub>).
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) | 0,003 | 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 ».