Ma `lumot

Molekulyar genetika doimiy o'zgaruvchidan boolean o'zgaruvchini qila oladimi?


Bu savolga qaraganda, xuddi shunday fikrda. Genlarning ifodalanishi murakkab o'zaro ta'sirlar orqali tartibga solinadi. Kuchaytirgichlar va repressorlarning kontsentratsiyasi ma'lum bir genning ifoda darajasini belgilaydigan muhim jihatdir. Bu kontsentratsiyalar doimiy miqyosda har xil qiymatga ega bo'lishi mumkin.

Berilgan gen ishlab chiqarilganda fitnes maksimal darajaga ko'tarilgan holatni tasavvur qilingnagar oqsilning kontsentratsiyasi undan katta bo'lsa, daqiqada oqsillarx. Agar oqsil konsentratsiyasi bundan pastroq bo'lsax, keyin gen ifodalanmasligi kerak (daqiqada 0 ta oqsil ishlab chiqariladi). Bunday holda, agar bir qator reaktivlar "YO'Q BILISH" dan "EKRANLANISH" ga o'tadigan "almashtirish funktsiyasini" simulyatsiya qila olsalar yaxshi bo'lardi.x.

Menimcha, bunday almashtirish funktsiyasi juda murakkab bo'lishi kerak. Men shubhalanardimki, barcha kimyoviy reaktsiyalar, shu jumladan kuchaytirgichning promotor-mintaqaga bog'lanishi Mayklis-Menten qonuniga amal qilishi kerak va Mayklis-Menten funktsiyasi umuman o'zgarmaydi. Shunday qilib, men kooperativ majburiyatlar haqida o'yladim. Hillning tenglamasi, tepalik koeffitsienti etarlicha yuqori bo'lgan holda, samarali tarzda o'tish funktsiyasini tavsiflaydi. Biroq, adabiyotdan bir oz qidirib topsak, tepalik koeffitsienti hech qachon 3 dan oshmaydi (yoki haddan tashqari baholar uchun 5). Bu diapazon ichidagi tepalik koeffitsienti logistika funktsiyasini beradi, lekin mukammal o'tish funktsiyasi bajaradigan narsalarga qaraganda ancha past ko'rinadi.

Molekulyar genetikada kontsentratsiyani TRUE/FALSE signaliga aylantira oladigan almashtirish funktsiyalari bormi? Ular mukammal almashtirish funktsiyasini qanchalik yaxshi taqlid qilishadi? Ular kooperativ majburiyatga asoslanganmi yoki boshqa mexanizmga tayanganmi?


Hill koeffitsientlarini baholash uchun ma'lumotnomalar:

  • http://www.ncbi.nlm.nih.gov/pmc/articles/PMC1435008/pdf/biophysj00200-0109.pdf
  • http://onlinelibrary.wiley.com/doi/10.1046/j.1537-2995.1983.23283172857.x/abstract
  • http://www.pnas.org/content/93/19/10078.short
  • http://www.ncbi.nlm.nih.gov/pubmed/8816754
  • http://www.fasebj.org/content/11/11/835.short
  • http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2816740/

Ijobiy mulohazalar bitta variant bo'lishi mumkin. Ijobiy fikr -mulohazalar bistabillikni namoyish etadi va shuning uchun dastlabki holatga qarab ikkita barqaror holatdan birini qabul qilishi mumkin. Ijobiy teskari aloqa kalitining mashhur namunasi bu bo'ladi cI va Cro ichida y-bir -birini bostiruvchi fag. Ijobiy fikr -mulohazalar ham histerezni ko'rsatadi: agar tizim holati induksion ligandga bog'liq bo'lsaXshunday qilib tizim holatga keladiS2ligandning yuqori darajasida, keyin undan o'tish uchunS2gaS1ning konsentratsiyasiXuchun zarur bo'lgan darajadan past bo'lishi kerak ediS1gaS2almashtirish; va aksincha. Boshqacha aytganda, tizim hozirgi holatida qolishga harakat qiladi.

Agar genetik ijobiy teskari aloqani tashkil etuvchi transkripsiya omillari o'zaro xatti-harakatga ega bo'lsa, siz keskin o'zgaruvchan egri chiziqni kutishingiz mumkin.

Tafsilotlar uchun ushbu sharhga qarang.


Transkripsiya aralashuvi ham bunday kalitlarni ta'minlashning yaxshi mexanizmi bo'lishi mumkin. Transkripsiya aralashuvi genlar o'rtasida bir -biriga yaqin joylashgan. Bu, asosan, atamadan ko'rinib turibdiki, qo'shni genlar bir -birining transkripsiyasiga to'sqinlik qilishi mumkin (transkripsiyaning boshlanishini blokirovka qiluvchi promotorlar, 3 uchli transkripsiya mashinalarining to'qnashuvi va boshqalar). Ushbu maqolada bularning barchasi Transkripsiyaning aralashuvi tarmog'i deb nomlangan nazariy model bilan yaxshi tushuntirilgan.

Shunday qilib, savolda aytib o'tilgan kalit bu mexanizm yordamida amalga oshirilishi mumkin. Keling, bu transkrigption interferentsiya hodisalarini ko'rsatadigan ikkita genni (A va B) olaylik. Keling, genning yo'nalishini tasavvur qilaylik, u erda tortish genlari bir -biriga qarama -qarshi 3 'uchlari bilan quyidagi rasmdagi kabi (B3 qismi, lekin 3' uchlarida kichikroq bir -biriga o'xshashlik bilan) qaraydi. O'rnatish shuni ko'rsatadiki, A geni B genidan "kuchliroq" (transkripsiyaning boshlanish tezligi yuqori), shuning uchun 3 'boshida u polimerazani o'chirib qo'yish orqali genni bostirishi mumkin (ikkita RNAP-ning to'qnashishi yoki uchrashish, ikkinchisini yiqitish - ulardan bittasi). Agar A genining faolligi pasaytirilsa, B geni xuddi shu mexanizm bilan A genini qabul qilishi va bekor qilishi mumkin edi. Bunday holda, transkripsiya boshlanishi A genida sodir bo'ladi, lekin u hayotiy RNK ishlab chiqara olmaydi, chunki transkripsiya erta tugaydi. Natijada A genining ifodasi to'liq yopiladi.

(yuqoridagi havola qilingan maqolaga manba)

Gen ekspresiyasi va transkripsiyasi "oqayotgan" bo'lgani uchun, minimal faollik har doim mavjud bo'lib, yuqorida ko'rsatilgan mexanizmga e'tibor qaratish mumkin. Men havola qilgan maqolada, boshqa bir qancha misollar borki, bunday almashtirishni transkripsiya aralashuvi orqali qanday amalga oshirish mumkin, men ulardan faqat birini oldim. Bundan tashqari, Transkripsiyaga xalaqit beradigan tarmoq modeli bunday kalitlarga asoslanganligini sezasiz.


Genlarni tartibga soluvchi tarmoqlarda stoxastiklik va o'zgaruvchanlikni modellashtirish

Genlarni tartibga soluvchi tarmoqlarda stoxastiklikni modellashtirish molekulyar tizimlar biologiyasida muhim va murakkab muammo hisoblanadi. Ichki shovqinni aniqlash uchun Gillespie algoritmi kabi bir nechta modellashtirish strategiyalari muvaffaqiyatli ishlatilgan. Ushbu maqola ushbu klassik sozlamalarga alternativa sifatida yordam beradi. Diskret paradigma doirasida, genlar, oqsillar va genlarni tartibga soluvchi tarmoqlarning boshqa molekulyar komponentlari diskret o'zgaruvchilar sifatida modellashtiriladi va ularni boshqa komponentlar bilan o'zaro ta'sir orqali tartibga solishni tavsiflovchi mantiqiy qoidalar sifatida belgilanadi. Stoxastiklik biologik funktsiya darajasida modellashtirilgan bo'lib, agar yangilanish qoidasining kirish tugunlarining ifoda darajalari faollashuv yoki degradatsiyani kafolatlasa ham, bu jarayon stoxastik ta'sirlar tufayli sodir bo'lmaydi. Bu yondashuv diskret modellarni yanada aniqroq tahlil qilish imkonini beradi va hujayradan hujayraga o'zgaruvchanlikni o'rganish uchun hujayra populyatsiyasini simulyatsiya qilish uchun tabiiy sozlamalarni beradi. Biz o'z usullarimizni eng ko'p o'rganilgan ikkita tartibga solish tarmog'iga qo'lladik, bu bakteriyalarning lambda fag infektsiyasi va p53-mdm2 kompleksining natijasi.


2.   Oldindan tayyorgarlik

Bizga yo'naltirilgan asiklik signalizatsiya tarmog'i berilgan deb o'ylaymiz G  =   (V, E.) ko'rib chiqilayotgan jarayon uchun. Bunday tarmoqni quyida tasvirlangan EGFR va IL-1 tizimlaridagi kabi adabiyotlardan yig'ish mumkin yoki tarmoqni rekonstruksiya qilish algoritmlaridan foydalangan holda o'rganish mumkin (Yeger-Lotem va boshqalar, 2009 Yosef va boshqalar, 2009). . Tarmoq chekkalarida faollashtirish/bostirish effektlari bilan imzolanishi mumkin yoki bo'lmasligi mumkin. Biz har bir tepalikni (molekulyar turlarni, shu jumladan oqsillar va kichik molekulalarni) davolaymiz G ikki holatning birida bo'lgani kabi: faol (1) yoki faol bo'lmagan (0). Biz yana tepalik holati deb taxmin qilamiz v tarmoqdagi to'g'ridan -to'g'ri o'tmishdoshlari shtatlarining mantiqiy funktsiyasi P.(v). Biz bu funktsiyani belgilaymiz f  (v). Har bir funktsiya DNFning ba'zi vakillari tomonidan tasvirlangan, qiziqish yo'nalishining mantiqiy modelini hisobga olgan holda, biz Samaga va boshqalarda ishlatiladigan terminologiyani qabul qilamiz. (2009) va berilgan DNF funktsiyasining har bir atamasiga a sifatida murojaat qiling reaktsiya.

Agar berilgan tarmoqqa imzo qo'yilgan bo'lsa, biz “hidden ” boolean funktsiyalarining har biri mos ravishda o'zgartirilgan kirish o'zgaruvchilar to'plamida monoton emasligini taxmin qilamiz. Xususan, tepalik berilgan v va uning o'tmishdoshlaridan biri vazifasi f  (v) qiymatini aniqlaydi v monoton bo'lib, kamaymaydi u agar belgisi (u, v) +1, aks holda f  (v) inkor etishda � monoton kamaymaydi u.

Maqsad - tarmoqning mantiqiy mantig'ini, ya'ni tepalik bilan bog'liq bo'lgan har bir mantiqiy funktsiyaning haqiqat jadvalini o'rganish. G. Tarmoq mantig'ini o'rganish uchun bizga tajribalar to'plami beriladi, ularning har birida tepaliklarning ba'zi bir qismi buziladi va boshqa tepaliklarning holati kuzatiladi. Taklif qilingan har qanday model tugunlarga davlat topshirig'ini beradi G (barqaror holat taxminida). Biz kuzatilgan ma'lumotlarga eng mos keladigan (eng kichik kvadratlar mezoni bo'yicha) modelni olishni maqsad qilib qo'yamiz. O'qitishning bu maksimal muammosi Karlebax va Shamir (2012) tomonidan NP-to'liq bajarilganligini ko'rsatdi va shuning uchun biz uni butun sonli dasturlash va#x02013 asosli yondashuv orqali hal qilamiz.


Kirish imkoniyatlari

1 yil davomida jurnalga to'liq kirishni oling

Barcha narxlar NET narxlari.
QQS keyinroq to'lov paytida qo'shiladi.
Soliqni hisoblash hisob -kitob paytida aniq bo'ladi.

ReadCube -da vaqt cheklangan yoki to'liq maqolaga kiring.

Barcha narxlar NET narxlari.


XULOSA

Uyali va molekulyar biologlar, agar ular bu erda tasvirlangan etti bosqichga amal qilsalar, ma'lumotlarni tahlil qilish va taqdim qilishda statistikadan samarali foydalanishlari mumkin. Bu umumiy xatolarga yo'l qo'ymaydi (3 -quti). The Hujayraning molekulyar biologiyasi veb -saytida eksperimental dizayn va bu nuqtai nazarga mos keladigan statistik testlar bo'yicha tavsiyalar mavjud (4 -quti). Ko'pgina muassasalarda ushbu asosiy masalalar yoki ilg'or mavzular bo'yicha maslahat beradigan maslahatchilar ham bor.

3 -quti: oldini olish kerak bo'lgan keng tarqalgan xatolar

Xom ma'lumotlarni e'lon qilmaslik, shuning uchun tahlillarni takrorlash mumkin.

Kategorik o'zgaruvchilarning nisbatlarini yoki foizlarini uzluksiz sonli o'zgaruvchilar sifatida ishlatish a t sinov yoki ANOVA.

Biologik va texnik replikatsiyalarni birlashtirish (pseudoreplikatsiya).

Tajriba sanasi kabi bezovtalikni davolash parametrlariga e'tibor bermaslik.

Ma'lumotlar test taxminlariga mos kelishini isbotlamasdan gipoteza testini o'tkazish.

Bir nechta juftlik testlarini o'tkazish (masalan, t testlar) bitta o'rnatilgan test o'rniga (masalan, ANOVA to Tukey-Kramer).

Gipoteza testining tafsilotlari to'g'risida xabar bermaslik (test nomi, test statistikasi, parametrlar va p qiymati).

Har bir davolanish uchun javoblarning tarqalishi haqida tushunarli ma'lumotga ega bo'lmagan raqamlar.

Gipoteza testlari natijalari haqida tushunarli ma'lumotga ega bo'lmagan raqamlar.

4 -quti: Hujayraning molekulyar biologiyasi statistik nazorat ro'yxati

Tanlangan effekt hajmini aniqlash uchun etarli quvvatni ta'minlash uchun namuna o'lchami qanday tanlangan.

Agar namunalar yoki hayvonlar tahlildan chiqarilsa, kiritish/chiqarib tashlash mezonlari.

Namunalar/hayvonlar eksperimental guruhlarga qanday ajratilganligi va qayta ishlanganligini aniqlash uchun randomizatsiyalash usulining tavsifi.

Agar tergovchi eksperiment paytida va/yoki natijani baholashda guruhlarni ajratishni ko'r qilgan bo'lsa, ko'rlik darajasi.

a. Ma'lumotlar testlarning taxminlariga mos keladimi (masalan, normal taqsimot)?

b. Ma'lumotlar har bir guruhida o'zgaruvchanlik bahosi bormi?

v. Statistik taqqoslanadigan guruhlar orasidagi farq o'xshashmi?


Pozitsiyalar bo'yicha evolyutsion stavkalar

Nukleotid va aminokislotalar ketma-ketligi ma'lumotlari uchun foydalanuvchilar molekulyar evolyutsiyaning nisbiy tezligini MEGA5 pozitsiyasiga qarab baholaydilar. Foydalanuvchilar gamma taqsimotini taxmin qilish uchun diskret toifalar sonini tanlaydilar, o'zgarmas pozitsiyalarni modellashtirish yoki qilmaslikni aniqlaydilar va nukleotid yoki aminokislotalar o'rnini bosuvchi modelni tanlaydilar. Yuqorida aytib o'tilganidek, ular avtomatik ravishda yaratilgan topologiyadan foydalanishlari mumkin, lekin bu diqqat bilan bajarilishi kerak, chunki evolyutsiya tezligining saytga xos bahosi ishlatilgan evolyutsion daraxtga bog'liq bo'lishi mumkin (qarang Mayrose va boshq. 2005). Saytlar bo'yicha evolyutsiyaning nisbiy tezligini taxmin qilish uchun ketma -ketlikdagi farqlanish vaqtlari to'g'risida hech qanday ma'lumot kerak emas, bu erda barcha individual nisbiy stavkalari barcha pozitsiyalar bo'yicha o'rtacha nisbiy tezlik 1 ga teng bo'ladi. hizalanishdagi saytlarning o'rtacha saqlanishidan ko'ra ancha yuqori darajada saqlanib qolgan. Qachonki mavjud bo'lsa, bu natijalar avtomatik ravishda statistik tahlil dasturiga, shu jumladan Microsoft Excel-ga eksport qilinadi, undan ketma-ket profil yaratish va keyingi tahlillarni o'tkazish mumkin.


4 Munozara

Keng ko'lamli dinamik modellarni yaratish zerikarli va ko'p vaqt talab qiladigan ish bo'lishi mumkin, bu nafaqat tartibga solish grafikasini tuzishni, balki mantiqiy formulalarni yozishni va sozlashni ham talab qiladi. CaSQ-bu molekulyar o'zaro ta'sir xaritalari va dinamik modellar o'rtasidagi o'xshashliklardan foydalanib, keng ko'lamli mantiqiy modellar qurilishini osonlashtirishga qaratilgan vosita. Birinchidan, molekulyar xaritalar - bu jarayonning tavsifi, yaxshi izohlanishi mumkin, bu esa bilimning muhim manbasini beradi. Xaritalarda, shuningdek, hisoblash modelini yaratish uchun zarur bo'lgan tarmoqning o'zaro ta'siri, katalizatsiyasi, faollashuvi va inhibisyonlari haqida ma'lumotlar mavjud. Taklif qilinayotgan doirada biz modellarni qurish uchun tizim biologiyasi standartlaridan foydalanamiz (SBML-sifat), shuning uchun CaSQ vositasi boshqa vositalar va modellashtirish dasturlari bilan o'zaro ishlashi mumkin.

Path2Models (Büchel) yordamida avtomatik ravishda keng ko'lamli modellarni (kinetik va mantiqiy) ishlab chiqarishga urinish amalga oshirildi. va boshqalar., 2013) tadqiqotchilar KEGG yo'llarini manba sifatida ishlatadigan modellarni avtomatik ishlab chiqarish uchun quvurni taklif qilishdi. Metabolik yo'llar uchun ular SBML fayllarini ishlab chiqarishdi, ular iloji boricha tegishli ma'lumotlar bazalaridan kinetik ma'lumotlar bilan to'ldirishdi, metabolik bo'lmagan yo'llar uchun esa SBML-sifat mantiqiy modellar uchun iskala vazifasini o'tashi mumkin bo'lgan fayllar. Bu iskala mantiqiy qoidalarni o'z ichiga olmaydi, faqat topologik munosabatlar va o'zaro ta'sir belgilari. Bizning quvur liniyamizda faqat bitta vosita-CaSQ kerak, biz batafsil, mexanik, jarayon tavsifi diagrammalaridan boshlaymiz va barcha komponentlar uchun mantiqiy formulalar bilan to'liq bajariladigan keng ko'lamli mantiqiy modellarni ishlab chiqaramiz.

SQUADda tasvirlangan metodologiya (Mendoza va Xenarios, 2006) biz taklif qilayotgan narsani to'ldiradi va agar ko'proq miqdoriy baholash zarur deb hisoblansa, olingan mantiqiy modelning ba'zi qismlarida foydalanish mumkin. Mantiqiy formulalarni chiqarish uchun biz o'z taxminlarimizni molekulyar xaritalarning topologiyasi va semantikasiga asosladik. Aniqroq aytganda, biz konvertatsiya jarayoniga VA ustidan OR eshiklari yordamida yondashishga qaror qildik, shuning uchun agar uni ishlab chiqaradigan reaktsiyalardan biri yoqilgan bo'lsa, barcha reaktivlar yoqilgan bo'lsa, barcha inhibitörleri o'chirilgan bo'lsa va bitta katalizatorlar yoqilgan. Bu taxminning g'oyasi shundaki, bizda kamdan -kam hollarda bitta maqsad uchun ikki yoki undan ortiq faollashtiruvchi mavjudligi to'g'risida aniq ma'lumot bor. Agar sinergiya aniqlansa ham, ko'pincha bir faollashtiruvchi bo'lsa ham, nisbiy faollashuv sodir bo'lishi mumkin. Bundan tashqari, bizda bunday ma'lumotga ega bo'lgan voqealar soni noaniqlarga qaraganda ancha past va qoidalarni qo'lda sozlash tez jarayon bo'lishi kerak.

Biz foydalanadigan grafikni o'zgartirish qoidalari http://pd2af.org saytida ishlatilgan qoidalar bilan bir xil o'xshashliklarga ega, biroq muhim farqlar mavjud: birinchidan, biz oligomerizatsiyani aniq holat sifatida ko'rib chiqmaymiz, biz umumiy soddalashtirishni tanladik. barcha komplekslar. Aksincha, biz retseptorlar uchun aniq qoidalarni taklif qilamiz, chunki bizning ko'p holatlarda signalli qism mavjud bo'lib, u domenga xos qoidalarni talab qiladi. Translokatsiyaga kelsak, PD2AF hech qanday soddalashtirishni amalga oshirmaydi, holbuki, biz o'z yo'limizda transportning o'ziga xos qoidasini qo'shdik, chunki biz ko'rib chiqqan xaritalarda biz turning nofaol shakli boshqa bo'limga ko'chib, keyin faollashayotgan holatga duch keldik. (masalan, transkripsiya omillari). Modeldagi nofaol versiyani e'tiborsiz qoldirish, o'rganilgan holatlarning ko'pchiligida modellashtiruvchilar qo'lda bajargan narsalarga to'g'ri kelganga o'xshaydi.

PD2AFni faollashtirish va taqiqlash qoidalariga kelsak, bizning qoidalarimiz ko'pincha "yashirin inhibisyon" ni (yoki uning teskarisini) chiqarib tashlamasligimizdan kelib chiqadi: agar xaritada tormozlanish bo'lsa, modelda inhibisyon bo'ladi. xaritada faollashtirish, modelda faollashtirish mavjud. Biz bu qoidaning PD2AF mulohazalari g'oyasini tushungan bo'lsak -da, buning natijasida ba'zi reaktsiyalar mahsulotlarini o'chirib tashlash CaSQ fikridan farq qiladi, bu faqat kirishni o'chiradi. Bu "harakatsiz" mahsulot xarita/modelning mazmunli chiqishi bo'lishi mumkinligi bilan bog'liq.

Nihoyat, PD2AFning eng keng tarqalgan katalitik reaktsiya qoidasi biz tanlaganimizdan farq qiladi. Birinchidan, u SBGN-AF standartida bo'lmagan reaktsiyaning barcha mahsulotlari uchun yagona holat o'tishini qo'llaydi. Bundan tashqari, bir nechta chiqishlarga ega bo'lgan bitta o'tish har bir chiqish uchun aniq mantiqiy qoidalarni qo'lga kiritishni imkonsiz qiladi. Bundan farqli o'laroq, bizning metodologiyamiz barcha mahsulotlar uchun reaktivlar, aktivatorlar va inhibitörlarning ta'sirini takrorlaydi, ya'ni mahsulot qancha ko'p bo'lsa, shuncha ko'p nusxa ko'chiradi va keyin bu o'tishni ushbu mahsulotlarning har biriga boshqa o'tish bilan birlashtiradi. Bundan tashqari, bir nechta aktivatorlar/inhibitörlarning holati PD2AF bilan bog'liq emas, biz ularni mantiqiy qoidada qanday birlashtirish haqida aniq qaror qabul qildik (VA reaktivlar, YO'Q, aktivatorlar va hammani NEGASIYASI. ingibitorlar). Nihoyat, yuqorida aytib o'tilganidek, PD2AF -dan eng muhim farq shundaki, bizning modelimiz bajarilishi mumkin, chunki u har bir tugun uchun mantiqiy qoidalarga ega.

Tegishli molekulyar xaritalarga asoslangan qo'lda qurilgan modellar odatda kichik va o'rta o'lchamli bo'ladi, chunki keng ko'lamli mantiqiy modelni simulyatsiya qilish qiyin bo'lib qolmoqda, hatto model parametrsiz bo'lsa ham. Bu shuni anglatadiki, modellash, keyinchalik tahlil qilinishi mumkin bo'lgan abstraktlarni yaratish uchun tugunlarni boshqalardan ustun qo'yishi va tanlashi shart. Ushbu tadqiqotda ko'rsatilgandek, CaSQ-dan foydalanib, biz SBML-ni import qila oladigan mashhur modellashtirish dasturlari yordamida bajarilishi mumkin bo'lgan keng ko'lamli mantiqiy modellarni olishimiz mumkin.sifat fayllar. Biroq, keng ko'lamli mantiqiy modellarni tahlil qilish bilan bog'liq muammolar mavjud va bu sohadagi harakatlarning faol mavzusi. Hajmi va murakkabligi bilan kurashish uchun siz qisqartirishni amalga oshirishingiz va asl modelning turli xil versiyalarini yaratishingiz mumkin [Grieco -da ko'rsatilgandek. va boshqalar. (2013)].

Ushbu ishda asbobning ishlashi va aniqligini solishtirish uchun biz CaSQ va qo'lda qurilgan modellar o'rtasidagi umumiy tugunlarni, ularning simulyatsiyani bajaradigan biologik stsenariylarni qayta ishlab chiqarish qobiliyatini solishtirdik va nihoyat, iloji bo'lsa, barqaror holatlarni taqqosladik. Umumiy tugunlarni qidirishda biz duch kelgan muammo shundaki, avtomatik taqqoslash etarli emas edi, chunki inson modellashtiruvchi turli nomlarni tanlashi mumkin (masalan, ikki yoki undan ortiq komponentni birlashtirish). Avtomatlashtirilgan taqqoslash bizga bir xil nomlar va formulalar haqida tushuncha berdi, lekin qo'lda tekshirish ham majburiy edi, chunki har ikkala modelda ham mos keladigan tugunlar bir oz boshqacha nomlangan. Biz, shuningdek, CaSQ-ga asoslangan modellar asl tizim dinamikasining bir qismini qayta ishlab chiqarishi mumkinligini bilish uchun simulyatsiya o'tkazdik. Keyingi qadam mantiqiy barqaror holatni tahlil qilish edi. Shu maqsadda biz mantiqiy modellashtirish uchun kuchli GINsim dasturidan foydalandik. Maqsad, CaSQ-taxmin qilingan modelning barqaror holatida biz nashr etilgan qo'lda qurilgan modelning barqaror holatini olishimiz mumkinligini bilish edi.

Shuni ta'kidlash kerakki, CaSQ oldindan mantiqiy qoidalarni kiritadi, shuning uchun modelchi hali ham modelni aniq sozlashi va ma'lumotlarni to'g'ri takrorlash uchun eng yaxshi mantiqiy qoidalarni topishi kerak. Bekkar va boshqalar. (2018) shuni ko'rsatadiki, qo'shilgan insoniy mantiqiy modellar, qoidalar berilgan topologiyadan avtomatik ravishda chiqariladigan modellarga qaraganda yaxshiroq ishlaydi. Natijalarda ko'rsatilgandek, CaSQ vositasi asosan inson modellashtiradigan modelga mos keladigan modellarni ishlab chiqaradi, bu esa modelni yaratish vaqtini ta'sirchan tezlashtiradi.

Bu ish, shuningdek, jamoat ishi uchun turtki bo'ldi, chunki u modelni qayta ishlatish, tizim biologiyasi standart formatlaridan foydalanish va bir -birini to'ldiruvchi funktsiyalarga ega bo'lgan turli xil vositalar o'rtasidagi o'zaro bog'liqlik masalalarini ko'rib chiqdi. Ko'rsatilganidek, bizning uslubimiz kengaytirilishi mumkin va keng ko'lamli SBML-sifat CaSQ tomonidan ishlab chiqarilgan modellar Cell Collective -ga import qilinishi va joylashuvi va izohlarini saqlab qolishi mumkin. Biroq, GINsim -ga joriy import tahlil qilishdan oldin izoh va havolalarni olib tashlaydigan jarayonni talab qiladi. Bundan tashqari, bu jarayon nomlarni ko'rsatish uchun echim beradi, chunki GINsim tur identifikatorlarini ko'rsatadi, bu esa bizni modelni o'qib bo'lmaydigan holga keltiradi. Har xil dasturiy vositalar orasidagi izohlarni to'g'ri ishlatish va qayta ishlatish keyingi o'zaro ishlash ishidan foyda keltirishi mumkin. Maqsad, molekulyar o'zaro ta'sir xaritalaridan boshlab, modellashtirish uchun turli xil asboblar yordamida chuqur tahlil qilinishi mumkin bo'lgan, bajariladigan buol modellarini ishlab chiqarish uchun uzluksiz quvurni taklif qilish. CaSQ vositasi ikki xil jamoani, kuratorlarni va modellashuvchilarni birlashtiruvchi, bir -biriga mos keladigan, izohli, yaxshiroq sifat, aniqlik va qayta foydalanish modellarini birlashtiruvchi ko'prik rolini o'ynashi mumkin.


6. Nima uchun juda ko'p biologik tadqiqotlar genlar va DNKga qaratilgan?

Rasmiy va ommaviy kontekstlarda olimlar genlar va DNK bo'yicha markazlashtirilgan tadqiqotlarni asoslash uchun molekulyar genetika bilan bog'liq fundamental nazariyaga murojaat qilishadi (masalan, Milliy biotexnologiya ma'lumotlari markazi kabi moliyalashtirish agentliklarining veb -saytlariga qarang). Genlar, odatda, barcha asosiy hayotiy jarayonlarga rahbarlik qilish uchun mas'ul bo'lgan asosiy birliklar va rdquo deb ataladi. Odatda genlarning rolini tushuntirish uchun sabab va axborot metaforalarining kombinatsiyasi chaqiriladi. Aytishlaricha, genlar RNK va polipeptidlarni ishlab chiqaradi, ko'rsatmalar beradi yoki to'g'ridan -to'g'ri jarayonlarni beradi. Ammo falsafiy tadqiqotlar shuni ko'rsatdiki, bunday keng ko'lamli da'volar sinchkovlik bilan tekshirishga dosh berolmaydi. Xo'sh, nega bu qadar ko'p tadqiqotlar genlar va DNKga qaratilgan? Bu savolga bitta javob shundaki, biologlar genetik determinizm mafkurasi bilan ko'r bo'lishadi. Ammo Vagnerning gen sentrizmini himoya qilishi boshqa javobni taklif qiladi, bu javob Kellerning (2000) nima uchun gen nutqi foydali ekanligi haqidagi izohi bilan rezonanslashadi.

Biologlarning genlar va DNKga e'tiborini qaratishining asl sababi shundaki, genlar biologik jarayonlarning keng doirasini kuzatish va boshqarish uchun ishlatilishi mumkin bo'lgan farq qiluvchilardir (Waters 2004a va 2006). Ushbu ilmiy amaliyot molekulyar genetika bilan bog'liq bo'lgan har qanday fundamental nazariyadan qat'i nazar mantiqan to'g'ri keladi. Molekulyar genetika masalasida, ilmiy nazariyani asoslovchi nazariya emas, balki tergov pragmatikasi. Asosiy nazariya tergovning foydasi va genga yo'naltirilgan yondashuvlarning natijalarini tushuntirish uchun etarli. Asosiy nazariya, muhim ma'noda, genlarga asoslangan tadqiqotlarni loyihalash va amalga oshirishda epifenomenaldir. Shu nuqtai nazardan, fundamental nazariyaning rolini qo'shinlarni to'plash va resurslarni tadqiqot ishlariga jalb qilish platformasi sifatida laturcha (1987, 1988) tushunilishi kerak. Laboratoriya tajribalari dizayni va tajribalarning nima uchun ishlashini keng tadqiqot strategiyalari, molekulyar genetikaning asosiy sabablar nazariyasi va eksperimental kontekst tafsilotlari bilan izohlash mumkin.


Vositachilikni tahlil qilish uchun Mendelian randomizatsiyasidan foydalanish

O'lchov xatosi yoki teskari chalkashliklarni bartaraf etadigan vositachilikni tahlil qilish echimlari, Mendelian randomizatsiyasi (MR) shakli bo'lgan instrumental o'zgaruvchan usullarni qo'llashni o'z ichiga oladi. MRda, ta'sir qilish-natija assotsiatsiyasining turli xil aralashtiruvchilari bilan bog'liq bo'lmagan va qiziqishning natijasi to'g'ridan-to'g'ri ta'sir qilmaydigan, instrumental o'zgaruvchilar sifatida xizmat qilib, o'zgaruvchan ta'sir qilish bilan chambarchas bog'liq bo'lgan genetik variantlardan foydalaniladi. (40, 41) (4 -rasm).

Mendel tasodifining molekulyar qidiruv vositasining sababchi ta'sirini baholash uchun sxematik tasviri, M genetik varianti qiziqishning oraliq fenotipi bilan bog'liqligini hisobga olgan holda, molekulyar oraliq M ning Y natijasiga sababchi ta'sir ko'rsatishi haqidagi gipotezani tekshirish uchun ishlatilishi mumkin. natija bilan hech qanday aloqasi yo'q, faqat oraliq fenotip orqali va o'lchanadigan yoki o'lchanmagan aralashtiruvchi omillar bilan bog'liq emas (C).

Mendel tasodifining molekulyar qidiruv vositasining sababchi ta'sirini baholash uchun sxematik tasviri, M genetik varianti qiziqishning oraliq fenotipi bilan bog'liqligini hisobga olgan holda, molekulyar oraliq M ning Y natijasiga sababchi ta'sir ko'rsatishi haqidagi gipotezani tekshirish uchun ishlatilishi mumkin. natija bilan hech qanday aloqasi yo'q, faqat oraliq fenotip orqali va o'lchanadigan yoki o'lchanmagan aralashtiruvchi omillar bilan bog'liq emas (C).

Mendel tasodifiy tahlilining taxminlari va qo'llanilishi yaqinda o'tkazilgan sharhda batafsil bayon qilingan [5]. Bundan tashqari, ushbu sharhda MR yondashuvi molekulyar fenotiplarning sababini baholashga qanday moslashtirilishi mumkinligi ko'rsatilgan. Biroq, gen-natija vositachiligining tahliliga aniq havola qilish bilan, MR yondashuvidan foydalanish CITga nisbatan ikkita potentsial afzalliklarga ega: 1) bu p-qiymatga asoslangan baho emas, balki nedensellik yo'nalishi va kattaligini rasmiy tekshirishga imkon beradi va 2) genetik variantni vositachi uchun vositali o'zgaruvchi sifatida ishlatganda, mediatorda o'lchov xatosi bo'lgan taqdirda ham, sababning to'g'ri yo'nalishini aniqlash mumkin, chunki genetik variantlar odatda yuqori aniqlikda o'lchanadi va odatda umr bo'yi farqlar uchun javob beradi. ta'sir qilishda (39).

MRning cheklovlari yaqinda o'tkazilgan sharhda batafsil muhokama qilingan [5], shuningdek, bu cheklovlarni bartaraf etish uchun ba'zi uslubiy ishlanmalar ta'kidlangan. Xususan, vositachilikni baholashda MRdan foydalanishga kelsak, bu yondashuvning asosiy cheklovlari past kuch, genetik vositalarning mumkin bo'lgan pleiotropiyasi va teskari sababdir.

Molekulyar fenotiplar uchun genetik asboblar ko'pincha bu belgilarning katta farqini tushuntiradi (1 -quti), bunday oraliq mahsulotlarni o'z ichiga olgan MR tadqiqotlari, odatda, past kuchga ega, chunki biologik namunalar mavjud va bu fenotiplarni etarlicha katta o'lchash xarajatlari. . Mendelian tasodifiy tahlilda kuchni kuchaytirishning so'nggi usullaridan biri bu ikki namunali yondashuvdan foydalanishdir [50, 51]. Bu yondashuv, ayniqsa, genetik ma'lumotlarga ega bo'lgan shaxslar guruhida o'lchanishi kerak bo'lgan molekulyar qidiruv vositaning sababchi ta'sirini aniqlash va keyinchalik bu gen ta'sirining baholarini katta tadqiqotlar natijasida olingan gen-natija baholari bilan birlashtirish uchun juda muhimdir. . Ikkinchisiga kelsak, bunday hisob-kitoblarni genom miqyosidagi ko'plab yirik assotsiatsiyaviy tadqiqotlar uchun tobora ko'proq mavjud bo'lgan ochiq-oydin yig'ilish choralaridan olish mumkin [51].

Ma'lum bo'lgan ta'sir-natija munosabatlaridagi (masalan, chekish-o'pka saratoni) molekulyar qidiruv vositaning (masalan, DNK metilatsiyasi) rolini baholash bilan bog'liq bo'lgan holatlarda, MR tadqiqotlarining barcha bosqichlari uchun sababli baholarni olish mumkin bo'lishi mumkin. zanjirda, masalan chekishdan DNK metilatsiyasiga va DNK metilatsiyasidan o'pka saratoniga, ikki bosqichli Mendelian randomizatsiyalash usulida (5-rasm). Bu erda MR mantig'ini DNK metilatsiyasiga ta'sirining sababini aniqlash uchun bitta genetik asbob yordamida vositachilik effektining sababliligini so'roq qilish va DNK metilatsiyasining natijaga sababchi ta'sirini baholash uchun alohida mustaqil asbobni ishlatish mumkin. DNK metilatsiyasining o'zgarishi keng tarqalgan mahalliy ( cis ) genetik o'zgaruvchanlik, bu DNK metilatsiyasi va MR yordamida ma'lum natijalar o'rtasidagi sababni aniqlash uchun genetik ishonchli vakillardan foydalanish imkoniyatini beradi [5, 42-44].

Ikki bosqichli Mendel randomizatsiyasining sxematik diagrammasi 1-bosqichda genetik variant G. 1 , ekologik jihatdan o'zgaruvchan qiziqishning ta'sirini aniqlash uchun ishlatiladi, E, bu ta'sir oraliq, M, masalan, qanday ta'sir qilishini o'rganish uchun. DNK metilatsiyasi. 2 -bosqichda, ta'sir qilish bilan bog'liq bo'lmagan boshqa genetik variant, G. 2 bu M oralig'idagi aniq farqni aniqlash uchun ishlatiladi va buni qiziqish natijasi Y bilan bog'laydi.

Ikki bosqichli Mendel randomizatsiyasining sxematik diagrammasi 1-bosqichda genetik variant G. 1 , ekologik jihatdan o'zgaruvchan qiziqishning ta'sirini aniqlash uchun ishlatiladi, E, bu ta'sir oraliq, M, masalan, qanday ta'sir qilishini o'rganish uchun. DNK metilatsiyasi. 2 -bosqichda, ta'sir qilish bilan bog'liq bo'lmagan boshqa genetik variant, G. 2 bu M oralig'idagi aniq farqni aniqlash uchun ishlatiladi va buni qiziqish natijasi Y bilan bog'laydi.

Ikki bosqichli MR usuli dastlab atrof-muhit ta'sirlari va kasallik o'rtasidagi o'ziga xos epigenetik jarayonlar orqali vositachilikni aniqlash uchun qo'yilgan bo'lsa-da, u transkriptomika, proteomika va metabolomika kabi potentsial vositachilarning to'liq doirasiga ham qo'llanilishi mumkin [45]. Bundan tashqari, ikki bosqichli MR tizimining ikkala bosqichida ham birlashuvning isboti bir darajali vositachilikni nazarda tutsa-da, bu usul vositachining sababiy aloqaga aniq hissa qo'shmagan. Mendelian tasodifiy tarmog'ining kengaytmalari (10, 45) to'g'ridan -to'g'ri va bilvosita ta'sirlarning kattaligini baholashga imkon beradi va ular murakkablashib borayotgan tarmoqlar orasidagi bir qancha sinovdan o'tgan gipotezalar va assotsiatsiyalarni qo'llab -quvvatlash uchun ishlatilishi mumkin. Bunday usullar, ayniqsa, omik ma'lumotlarini birlashtirish va biologik sabablarning "markaziy dogma" siga qarshi kurashda foydali bo'ladi (46-49).

Bundan tashqari, ekspozitsiya-natija muhitida vositachilikni tasdiqlash bilan bog'liq holda, ikki bosqichli MR yondashuvi sababli tarmoqlarda vositachilik darajasini kuchli va samarali tekshirish uchun ikki namunali yondashuv bilan birlashtirilishi mumkin [5]. Birinchidan, oraliq va mustaqil variantning ekspozitsiyasining sababchi assotsiatsiyalari o'rnatilishi mumkin, so'ngra katta populyatsiyaga asoslangan namunada kasallikning natijasi bilan bog'liq genetik assotsiatsiyalar aniqlanadi (6-rasm). Bu ikki bosqichli MRga an'anaviy vositachilik yondashuvlaridan ustunlik beradi, bu ta'sir, vositachi va natijani bir xil shaxslar guruhida o'lchashni talab qiladi.

Ikki bosqichli, ikkita namunali Mendelian randomizatsiyasining sxematik diagrammasi Kichikroq 1-namunada, oraliq ta'sirning assotsiatsiyasi MR usuli yordamida (ekspozitsiyaga bog'liq G yordamida) o'rnatiladi. 1 ) va qo'shimcha variantning assotsiatsiyasi (G. 2 , ta'sir qilish bilan bog'liq bo'lmagan) bir xil oraliq mahsulot bilan o'rnatiladi. G 1 va G. 2 mustaqil ishda aniqlanishi kerak. Kattaroq 2 -namunada, oraliq mahsulot G dan foydalanish orqali natijaga ta'sir qilishi ko'rsatilgan 2 , bu natija bilan bog'liq. N.B. nuqta o'qlari bu genetik variantlar G 1 va G. 2 , pleiotrop ta'siridan ko'ra, ta'sir yoki oraliq orqali bilvosita oraliq yoki natijaga ta'sir qiladi. Nazariy jihatdan, G. 1 natijaga bilvosita ta'sir va oraliq ta'sir ko'rsatishi ham aniqlangan bo'lar edi.

Schematic diagram of two-step, two-sample Mendelian randomization In the smaller Sample 1, the association of the exposure to the intermediate is established using an MR approach (using the exposure-related G 1 ) and the association of an additional variant (G 2 , not related to the exposure) with the same intermediate is established. G 1 va G. 2 should be identified in an independent study. In the larger Sample 2, the intermediate is shown to influence the outcome through the use of G 2 , which is related to the outcome. N.B. the dotted arrows represent the fact that these genetic variants, G 1 va G. 2 , influence the intermediate or outcome indirectly through the exposure or intermediate, rather than having a pleiotropic effect. In theory, G 1 would also be found to influence the outcome indirectly through both the exposure and intermediate.

As with the causal inference test, complexity of associations between omic level intermediates and inadequate biological knowledge of the genetic variants associated with them pose a challenge to Mendelian randomization. Arguably, the biggest challenge to overcome is that of potential pleiotropy of the genetic instrument ( Box 2 ). Approaches which have recently been developed to allow causal effect estimates in the presence of pleiotropy, and which are also particularly relevant to causal inference for molecular mediation, are described in more detail in Box 2 .

In situations of reverse causation whereby a genetic variant may be causing the outcome which in turn causes the molecular phenotype, rather than vice versa, bidirectional Mendelian randomization using well characterized genetic variants for both the molecular intermediate and the outcome may be used to distinguish between these causal models ( 37 , 38 ). Alternatively, the use of the Steiger test may be able to provide evidence for the prevailing causal direction, based on the estimated variance explained by the SNPs in the molecular phenotype and the outcome, as long as measurement error in the molecular phenotype is lower than the product of the measurement error in the outcome and the causal correlation between the molecular phenotype and the outcome ( 66 ).


Manbalar

Kauffman SA: Metabolic stability and epigenesis in randomly constructed genetic nets. J. Teor. Biol. 1969, 22: 437-467. 10.1016/0022-5193(69)90015-0

Kauffman SA: The Origins of Order, Self-Organization and Selection in Evolution. Oxford: Oxford University Press 1993.

Yu X, Schneiderhan-Marra N, Joos TO: Protein microarrays and personalized medicine. Enn. Biol. Klinika. 2011,69(1):p17-p29.

Liu F, Kuo Jenssen WPTK, Hovig E: Performance comparison of multiple microarray platforms for gene expression profiling. Methods Mol. Biol. 2012, 802: 141-155. 10.1007/978-1-61779-400-1_10

Roy NC, Alterman E, Park ZA, McNabb WC: A comparison of analog and next-generation transcriptomic tools for mammalian studies. Brief. Funct. Genomika 2011,10(3):p135-p150. 10.1093/bfgp/elr005

Karlebach G, Shamir R: Modeling and analysis of gene regulatory networks. Nat. Ruhoniy Mol. Cell Biol. 2008, 9: 770-780. 10.1038/nrm2503

Pan Y, Durfee T, Bockhorst J, Craven M: Connecting quantitative regulatory-network models to the genome. Bioinformatika 2007, 23: p367-p376. 10.1093/bioinformatics/btm228

Akutsu T, Miyano S, Kuhara S: Identification of genetic networks from a small number of gene expression patterns under the Boolean network model. Pac. Symp. Biocomput. 1999, 1999: 17-28.

Sharan R, Karp RM: Reconstructing Boolean models of signaling. J. Comput. Biol. 2013, 3: p1-p9.

Gat-Viks I, Tanay A, Raijman D, Shamir R: A probabilistic methodology for integrating knowledge and experiments on biological networks. J. Comput. Biol. 2006, 13: p165-p181. 10.1089/cmb.2006.13.165

Shannon CE: Aloqa matematik nazariyasi. Bell Syst. Texnik. J. 1948,27(379–423):623-656.

Karlebach G, Shamir R: Constructing logical models of gene regulatory networks by integrating transcription factor-DNA interactions with expression data: an entropy-based approach. J. Comput. Biol. 2012, 19: p30-p41. 10.1089/cmb.2011.0100

Shannon P, Markiel A, Ozier O, Baliga NS, Wang JT, Ramage D, Amin N, Schwikowski B, Ideker T: Cytoscape: a software environment for integrated models of biomolecular interaction networks. Genom Res. 2003, 13: p2498-p2504. 10.1101/gr.1239303

Edgar R, va boshqalar.: Gene expression omnibus: NCBI gene expression and hybridization array data repository. Nuklein kislotalari. 2002,30(1):p207-p210. 10.1093/nar/30.1.207

Shmulevich I, Zhang W: Binary analysis and optimization-based normalization of gene expression data. Bioinformatika 2002,18(4):555-565. 10.1093/bioinformatics/18.4.555

Li F, Long T, Lu Y, Ouyang Q, Tang C: The yeast cell-cycle network is robustly designed. Prok. Natl. Akad. Ilmiy. U. S. A. 2004, 101: p4781-p4786. 10.1073/pnas.0305937101

Gardner M: Mathematical games - the fantastic combinations of John Conway's new solitaire game “life”. Scientific Am. 1970, 223: 120-123.

Orlando DA, Lin CY, Bernard A, Wang JY, Socolar JES, Iversen ES, Hartemink AJ, Haase SB: Global control of cell-cycle transcription by coupled CDK and network oscillators. Tabiat 2008, 453: 944-948. 10.1038/nature06955

Zhou X, Wang X, Dougherty E: Binarization of microarray data based on a mixture model. Mol Cancer Therap 2003,2(7):679-684.

Gat-Viks I, Tanay A, Raijman D, Shamir R: A probabilistic methodology for integrating knowledge and experiments on biological networks. J. Comput. Biol. 2006, 13: 165-181. 10.1089/cmb.2006.13.165

Friedman N, Linial M, Nachman I, Pe'er D: Using Bayesian networks to analyze expression data. J. Comput. Biol. 2000, 7: 601-620. 10.1089/106652700750050961

Shmulevich I, Dougherty ER, Kim S, Zhang W: Probabilistic Boolean networks: a rule-based uncertainty model for gene regulatory networks. Bioinformatika 2002, 18: 261-274. 10.1093/bioinformatics/18.2.261


Videoni tomosha qiling: Все о генах: ДНК и болезни, склонность к агрессии, счастье и наследственность. Как мы выбираем пару? (Dekabr 2021).