Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

Single Nucleotide Polymorphisms-SNPs01:05

Single Nucleotide Polymorphisms-SNPs

15.2K
A single nucleotide polymorphism or SNP is a single nucleotide variation at a specific genomic position in a large population. It is the most prevalent type of sequence variation found in the human genome. Point mutations that occur in more than 1% of the population qualify as SNPs. These are present once every 1000 nucleotides on an average in the human genome. Replacement of a purine with another purine (A/G) or a pyrimidine with another pyrimidine (C/T) is known as a transition. In contrast,...
15.2K
Leaky Scanning02:28

Leaky Scanning

5.2K
During most eukaryotic translation processes, the small 40S ribosome subunit scans an mRNA from its 5' end until it encounters the first start AUG codon. The large 60S ribosomal subunit then joins the smaller one to initiate protein synthesis. The location of the translation initiation is largely determined by the nucleotides near the start codon as there may be multiple translation initiation sites present on the mRNA.  Marilyn Kozak discovered that the sequence RCCAUGG (where R...
5.2K
Signal Sequences and Sorting Receptors01:41

Signal Sequences and Sorting Receptors

5.4K
Signal sequences are short amino acid sequences that guide newly synthesized proteins to their proper location within the cell. Classical signal sequences are fifteen to sixty amino acids long and present at the N-terminus of a polypeptide chain. Each signal sequence has a conserved segment of basic residues towards their N terminus, a hydrophobic core, and a C-terminus rich in polar residues. The C-terminus also contains a signal cleavage site and features a -3 -1 sequence motif. The -3-1...
5.4K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Protocadherin-1 deficiency increases baseline and allergen-induced airway hyperresponsiveness in mice.

American journal of respiratory cell and molecular biology·2026
Same author

Disease-associated genetic variants can cause missense effects in tissue-specific protein isoforms.

Nature communications·2026
Same author

Heterogeneity and dynamics of DENV-specific CD8 + T cells in dengue infection.

Nature communications·2026
Same author

A Hormone Cell Atlas maps the human endocrine system at cellular resolution.

Science (New York, N.Y.)·2026
Same author

An integrated single-cell and spatial proteotranscriptomics atlas of fibroblast-driven immunoregulation within the human adult oral cavity.

Cell press blue·2026
Same author

Decoding Human T Cell Immunity with Artificial Intelligence and Single-Cell Genomics.

Annual review of immunology·2026
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Video Experimental Relacionado

Updated: Jul 16, 2025

Determining the Likelihood of Variant Pathogenicity Using Amino Acid-level Signal-to-Noise Analysis of Genetic Variation
07:15

Determining the Likelihood of Variant Pathogenicity Using Amino Acid-level Signal-to-Noise Analysis of Genetic Variation

Published on: January 16, 2019

11.0K

Predicción de las variantes de proteínas patógenas

Joseph A Marsh1, Sarah A Teichmann2,3

  • 1MRC Human Genetics Unit, Institute of Genetics and Cancer, University of Edinburgh, Edinburgh, UK.

Science (New York, N.Y.)
|September 19, 2023
PubMed
Resumen
Este resumen es generado por máquina.

Un nuevo algoritmo de aprendizaje automático predice las estructuras de proteínas para identificar las mutaciones genéticas que causan enfermedades. Este enfoque ayuda a comprender la base genética de las enfermedades.

Más Videos Relacionados

In Vivo Functional Study of Disease-associated Rare Human Variants Using Drosophila
00:06

In Vivo Functional Study of Disease-associated Rare Human Variants Using Drosophila

Published on: August 20, 2019

13.7K
Targeted Next-generation Sequencing and Bioinformatics Pipeline to Evaluate Genetic Determinants of Constitutional Disease
09:34

Targeted Next-generation Sequencing and Bioinformatics Pipeline to Evaluate Genetic Determinants of Constitutional Disease

Published on: April 4, 2018

33.8K

Videos de Experimentos Relacionados

Last Updated: Jul 16, 2025

Determining the Likelihood of Variant Pathogenicity Using Amino Acid-level Signal-to-Noise Analysis of Genetic Variation
07:15

Determining the Likelihood of Variant Pathogenicity Using Amino Acid-level Signal-to-Noise Analysis of Genetic Variation

Published on: January 16, 2019

11.0K
In Vivo Functional Study of Disease-associated Rare Human Variants Using Drosophila
00:06

In Vivo Functional Study of Disease-associated Rare Human Variants Using Drosophila

Published on: August 20, 2019

13.7K
Targeted Next-generation Sequencing and Bioinformatics Pipeline to Evaluate Genetic Determinants of Constitutional Disease
09:34

Targeted Next-generation Sequencing and Bioinformatics Pipeline to Evaluate Genetic Determinants of Constitutional Disease

Published on: April 4, 2018

33.8K

Área de la Ciencia:

  • La genómica
  • Biología computacional
  • La bioquímica

Sus antecedentes:

  • Las mutaciones genéticas son la causa principal de muchas enfermedades hereditarias.
  • La identificación de las mutaciones causantes de la enfermedad es crucial para el diagnóstico y el tratamiento.
  • Los métodos tradicionales para el análisis de mutaciones pueden consumir mucho tiempo y ser complejos.

Objetivo del estudio:

  • Desarrollar y validar un nuevo algoritmo de aprendizaje automático para predecir el impacto funcional de las mutaciones genéticas.
  • Aprovechar la predicción de la estructura de la proteína para identificar mutaciones que interrumpen la función de la proteína y conducen a la enfermedad.

Principales métodos:

  • Utilizó un modelo de aprendizaje automático entrenado en un gran conjunto de datos de mutaciones benignas y causantes de enfermedades conocidas.
  • Herramientas integradas de predicción de la estructura de las proteínas para analizar las consecuencias estructurales de las mutaciones.
  • Desarrolló un sistema de puntuación para cuantificar la potencial patogenicidad de las mutaciones basadas en información estructural y evolutiva.

Principales resultados:

  • El algoritmo identificó con precisión mutaciones conocidas que causan enfermedades con alta sensibilidad y especificidad.
  • Los cambios estructurales previstos se correlacionaron bien con los efectos funcionales determinados experimentalmente.
  • Se identificaron varias mutaciones nuevas causantes de la enfermedad para su posterior investigación.

Conclusiones:

  • El aprendizaje automático combinado con la predicción de la estructura ofrece un enfoque poderoso para identificar las mutaciones que causan enfermedades.
  • Este método puede acelerar el descubrimiento de las variantes genéticas subyacentes a las enfermedades humanas.
  • El algoritmo desarrollado tiene el potencial de ser una herramienta valiosa en genética clínica e investigación.