Генска регулаторна мрежа

На едно ниво, биолошките клетки можеле да се сметаат како „делумно измешани кеси“ на биолошки хемикалии - во дискусијата за регулаторните мрежи на гените, овие хемикалии биле главно гласници РНК (mRNAs) и протеини кои произлегувале од генската експресија. Овие mRNA и протеини комуницирале едни со други со различни степени на специфичност. Некои дифузни околу клетката. Други биле врзани за клеточните мембрани, во интеракција со молекулите во околината. Други, пак, минувале низ клеточните мембрани и посредувале во сигнали со долг дострел до другите клетки во повеќеклеточниот организам. Овие молекули и нивните интеракции сочинувале генска регулаторна мрежа. Типична генска регулаторна мрежа изгледала вака:

Јазлите на оваа мрежа можеле да претставуваат гени, протеини, мРНК, протеински/протеински комплекси или клеточни процеси. Јазлите кои биле прикажани како лежени по вертикални линии биле поврзани со интерфејсите на ќелијата/околината, додека другите биле слободно лебдечки и можеле да се дифузираат. Рабовите помеѓу јазлите претставувале интеракции помеѓу јазлите, кои можеле да одговараат на поединечни молекуларни реакции помеѓу ДНК, mRNA, miRNA, протеините или молекуларните процеси преку кои производите на еден ген влијаеле врз оние на друг, иако недостатокот на експериментално добиени информации често имплицирало дека некои реакциите не биле моделирани на толку фино ниво на детали. Овие интеракции можеле да бидат индуктивни (обично претставени со врвови на стрелки или знак +), со зголемување на концентрацијата на едниот што доведувало до зголемување на другиот, инхибиторни (претставени со пополнети кругови, тапи стрелки или знакот минус), со зголемување во едниот што доведувало до намалување на другиот, или двојно, кога во зависност од околностите регулаторот можело да го активира или инхибира целниот јазол. Јазлите можеле да се регулирале директно или индиректно, создавајќи јамки за повратни информации, кои формирале циклични синџири на зависности во тополошката мрежа. Структурата на мрежата била апстракција на молекуларната или хемиската динамика на системот, опишувајќи ги различните начини на кои една супстанција влијаеле на сите други на кои била поврзана. Во пракса, таквите GRN се заклучувале од биолошката литература за даден систем и претставувале дестилација на колективното знаење за збир на поврзани биохемиски реакции. За да се забрзало рачното насочување на GRN, некои неодамнешни напори се обидувале да користеле рударство текст, курирани бази на податоци, мрежни заклучоци од масивни податоци, проверка на модели и други технологии за екстракција на информации за оваа намена.^[4]

Гените можеле да се гледаат како јазли во мрежата, при што влез биле протеини како што биле факторите на транскрипција, а излезите биле нивото на генска експресија. Вредноста на јазолот зависела од функцијата која зависела од вредноста на неговите регулатори во претходните временски чекори (во Буловата мрежа опишана подолу ова биле Буловите функции, обично И, ИЛИ и НЕ). Овие функции се толкувале како вршење на еден вид обработка на информации во клетката, што го одредувала клеточното однесување. Основните двигатели во клетките биле концентрациите на некои протеини, кои ги одредувале и просторните (локација во клетката или ткивото) и временските (клеточниот циклус или фазата на развој) на клетката, како еден вид „клеточна меморија“. Генските мрежи само што почнувале да се разбирале, и тоа бил следен чекор за биологијата да се обидела да ги заклучи функциите за секој генски „јазол“, за да помогнела во разбирањето на однесувањето на системот во зголемените нивоа на сложеност, од ген до сигнална патека., ниво на клетка или ткиво.^[5]

Математичките модели на GRN биле развиени за да го доловеле однесувањето на системот што се моделирала, и во некои случаи да генерирале предвидувања што одговарале на експерименталните набљудувања. Во некои други случаи, моделите се покажале дека прават точни нови предвидувања, кои можеле да се тестираат експериментално, со што се сугерирале нови пристапи за истражување во експеримент што понекогаш не би биле земени предвид во дизајнот на протоколот на експерименталната лабораторија. Техниките за моделирање вклучувале диференцијални равенки (ODEs), Булови мрежи, Петриови мрежи, Бејзови мрежи, графички Гаусови мрежни модели, Стохастички и Процесни Калкули.^[6] Спротивно на тоа, биле предложени техники за генерирање на модели на GRN кои најдобро објаснувале збир на набљудувања на временски серии. Неодамна се покажало дека сигналот на ChIP-seq за модификација на хистон бил повеќе во корелација со мотивите на факторот на транскрипција кај промоторите во споредба со нивото на РНК.^[7] Оттука, се предлагало дека модификацијата на хистон во временска серија ChIP-seq можела да обезбеди посигурни заклучоци за ген-регулаторните мрежи во споредба со методите базирани на нивоата на изразување.

Глобална карактеристика

Генерално се сметало дека генските регулаторни мрежи биле составени од неколку високо поврзани јазли (хабови) и многу слабо поврзани јазли вгнездени во хиерархиски регулаторен режим. Така, генските регулаторни мрежи приближувале до хиерархиска скала слободна мрежна топологија.^[8] Ова било во согласност со ставот дека повеќето гени имале ограничена плејотропија и функционирале во рамките на регулаторните модули.^[9] Се сметало дека оваа структура еволуирала поради преференцијалната приврзаност на дупликатните гени со посилно поврзани гени.^[8] Неодамнешната работа исто така покажала дека природната селекција има тенденција да ги фаворизирала мрежите со ретка поврзаност.^[10]

Постоеле првенствено два начина на кои мрежите можеле да се развивале, и двата можеле да се појавеле истовремено. Првата била дека мрежната топологија можела да се промени со собирање или одземање на јазли (гени) или делови од мрежата (модули) можеле да се изразат во различни контексти. Патеката за сигнализација на Drosophila Hippo давала добар пример. Сигнализираниот пат Hippo го контролирал и митотскиот раст и пост-митотската клеточна диференцијација.^[11] Неодамна било откриено дека мрежата во која функционирала сигналната патека Hippo се разликувала помеѓу овие две функции, што пак го менувала однесувањето на патеката за сигнализација Hippo. Ова сугерирало дека патеката за сигнализација Hippo работел како зачуван регулаторен модул кој можел да се користи за повеќе функции во зависност од контекстот.^[11] Така, менувањето на мрежната топологија можела да му овозможи на зачуваниот модул да опслужувал повеќе функции и да го променел конечниот излез на мрежата. Вториот начин на кој мрежите можеле да еволуираат бил со промена на јачината на интеракциите помеѓу јазлите, како на пример колку силно факторот на транскрипција можел да се поврзе со цис-регулаторниот елемент. Таквата варијација во јачината на рабовите на мрежата се покажала дека лежела во основата помеѓу варијациите на видовите во шаблонот на судбината на клетките на вулвата кај црвите од каенорхабдитис.^[12]

Локална карактеристика

Друга широко цитирана карактеристика на генската регулаторна мрежа била нивното изобилство на одредени повторувачки подмрежи познати како мрежни мотиви. Мрежните мотиви можеле да се сметаат како повторувачки тополошки обрасци кога се делела голема мрежа на мали блокови. Претходната анализа открила неколку типови на мотиви кои се појавувале почесто во мрежите за регулирање на гените отколку во мрежите кои се генерирале случајно.^[13][14][15] Како пример, еден таков мотив се нарекувал јамки за повлекување напред, кои се состоеле од три јазли. Овој мотив бил најзастапен меѓу сите можни мотиви составен од три јазли, како што било прикажано во генските регулаторни мрежи на мува, нематода и човек.^[15]

Збогатените мотиви биле предложени да ја следеле конвергентната еволуција, што сугерирало дека биле „оптимални дизајни“ за одредени регулаторни цели.^[16] На пример, моделирањето покажувало дека јамките за повлекување напред биле способни да ја координираат промената во јазолот А (во смисла на концентрација и активност) и динамиката на изразување на јазолот C, создавајќи различни влезно-излезни однесувања.^[17][18] Системот за искористување на галактозата на E. coli содржел јамка за повлекување нанапред што го забрзувало активирањето на оперонот galETK за користење на галактоза, потенцијално олеснувајќи ја метаболичката транзиција кон галактоза кога гликозата била исцрпена.^[19] Јамката за искористување на арабинозата во системите за искористување на арабинозата на E.coli го одложувала активирањето на оперонот и транспортерите на катаболизмот на арабиноза, потенцијално избегнувајќи непотребна метаболичка транзиција поради привремените флуктуации на сигналните патишта нагоре.^[20] Слично во сигналната патека Wnt на Xenopus, јамката за повлекување нанапред делувала како детектор за промена на превиткување кој реагирал на промената на преклопот, наместо на апсолутната промена, во нивото на β-катенин, потенцијално зголемувајќи ја отпорноста на флуктуации на β. - нивоа на катенин.^[21] Следејќи ја хипотезата за конвергентна еволуција, збогатувањето на јамките за повлекување напред ќе била адаптација за брз одговор и отпорност на бучава. Неодамнешното истражување покажало дека квасецот одгледуван во средина со постојана гликоза развил мутации во патеките за сигнализација на гликозата и патеката за регулација на растот, што сугерирало дека регулаторните компоненти кои реагирале на промените на животната средина биле непотребни во постојана средина.^[22]

Од друга страна, некои истражувачи претпоставувале дека збогатувањето на мрежните мотиви било неадаптивно.^[23] Со други зборови, генските регулаторни мрежи можеле да еволуираат до слична структура без специфичен избор на предложеното однесување на влезно-излез. Поддршката за оваа хипотеза често доаѓала од пресметковни симулации. На пример, флуктуациите во изобилството на јамки за повлекување напред во модел кој ја симулирал еволуцијата на генските регулаторни мрежи со случајно преживување на јазлите може да сугерирале дека збогатувањето на јамките за повлекување напред бил несакан ефект на еволуцијата.^[24] Во друг модел на еволуција на мрежите на регулаторите на гените, односот на фреквенциите на дуплирање на гените и бришењето на гените покажувале големо влијание врз мрежната топологија: одредени соодноси воделе до збогатување на јамките за повлекување и создаваат мрежи кои покажувале карактеристики на мрежи без хиерархиска скала. Де ново еволуцијата на кохерентни тип 1 доводни јамки била прикажана пресметковно како одговор на изборот за нивната хипотетизирана функција за филтрирање на краток лажен сигнал, поддржувајќи адаптивна еволуција, но за неидеализиран шум, систем за довод заснован на динамика Наместо тоа, се фаворизирала напредната регулација со различна топологија.^[25]

Регулаторните мрежи им овозможувале на бактериите да се прилагоделе на речиси секоја еколошка ниша на земјата.^[26][27] Мрежа на интеракции помеѓу различни типови на молекули, вклучувајќи ДНК, РНК, протеини и метаболити, се користела од бактериите за да се постигнела регулација на генската експресија. Кај бактериите, главната функција на регулаторните мрежи била да го контролирале одговорот на промените во животната средина, на пример, нутритивниот статус и стресот во околината.^[28] Комплексната организација на мрежи му дозволувала на микроорганизмот да координирал и интегрирал повеќе еколошки сигнали.^[26]

Еден пример за стрес бил кога околината одеднаш станувала сиромашна со хранливи материи. Ова предизвикувало сложен процес на адаптација кај бактериите, како што бил E. coli. По оваа промена на животната средина, илјадници гени го менувале нивото на изразување. Сепак, овие промени биле предвидливи од топологијата и логиката на генската мрежа^[29] што била пријавена во RegulonDB. Поточно, во просек, јачината на одговорот на генот била предвидлива од разликата помеѓу бројот на активирачки и потиснувачки влезни транскрипциски фактори на тој ген.^[29]

Споени обични диференцијални равенки

Предлошка:GenarchБило вообичаено да се моделирала таква мрежа со множество од споени обични диференцијални равенки (ODEs) или SDEs, кои ја опишувале кинетиката на реакцијата на составните делови. Да претпоставиме дека нашата регулаторна мрежа имала ${\displaystyle N}$ јазли, и нека ${\displaystyle S_{1}(t),S_{2}(t),\ldots ,S_{N}(t)}$ ги претставувале концентрациите на ${\displaystyle N}$ соодветните супстанции на време ${\displaystyle t}$ . Тогаш временската еволуција на системот можела да се опише приближно со

${\displaystyle {\frac {dS_{j}}{dt}}=f_{j}\left(S_{1},S_{2},\ldots ,S_{N}\right)}$

каде што функциите ${\displaystyle f_{j}}$ изразувале зависност од ${\displaystyle S_{j}}$ на концентрациите на други супстанции присутни во клетката. Функциите ${\displaystyle f_{j}}$ во крајна линија биле изведени од основните принципи на хемиската кинетика или едноставни изрази изведени од овие, на пр. Michaelis-Menten ензимската кинетика. Оттука, функционалните форми на ${\displaystyle f_{j}}$ обично се избирале како полиноми од низок ред или функции Хил кои служеле како ансац за вистинската молекуларна динамика. Таквите модели потоа се изучувале користејќи ја математиката на нелинеарна динамика. Информациите специфични за системот, како константите и чувствителноста на брзината на реакцијата, биле кодирани како константни параметри.^[30]

Со решавање на фиксната точка на системот:

${\displaystyle {\frac {dS_{j}}{dt}}=0}$

за сите ${\displaystyle j}$ , се добивале (можеби неколку) концентрациони профили на протеини и mRNA кои биле теоретски одржливи (иако не морало да се стабилни). На тој начин, стабилните состојби на кинетичките равенки одговарале на потенцијалните типови на клетки, а осцилаторните решенија на горната равенка со природно цикличните типови на клетки. Математичката стабилност на овие атрактори обично можела да се карактеризира со знакот на повисоки деривати на критичните точки, а потоа да одговарала на биохемиската стабилност на концентрацискиот профил. Критичните точки и бифуркациите во равенките одговарале на критичните состојби на клетките во кои малите состојби или пертурбации на параметрите можеле да го префрлат системот помеѓу една од неколкуте стабилни судбини на диференцијација. Траекториите одговарале на расплетот на биолошките патишта и транзиентите на равенките до краткорочните биолошки настани. За подетална математичка дискусија, видете ги написите за нелинеарност, динамички системи, теорија на бифуркација и теорија на хаос.

Булова мрежа

Следниот пример илустрирал како Буловата мрежа можела да моделира GRN заедно со нејзините генски производи (излези) и супстанциите од околината кои влијаеле на неа (влезовите). Стјуарт Кауфман бил меѓу првите биолози што ја искористеле метафората на Буловите мрежи за моделирање на генетски регулаторни мрежи.^[31][32]

1. Секој ген, секој влез и секој излез биле претставени со јазол во насочен график во кој имало стрелка од еден јазол до друг ако и само ако постоела причинско-последична врска помеѓу двата јазли.
2. Секој јазол во графикот можел да биде во една од двете состојби: вклучен или исклучен.
3. За ген, „вклучено“ одговарал на генот што се изразувал; за влезови и излези, „вклучено“ одговарал на супстанцијата што била присутна.
4. Времето се гледало како што се одвива во дискретни чекори. На секој чекор, новата состојба на јазолот била Булова функција на претходните состојби на јазлите со стрелки насочени кон него.

Валидноста на моделот можела да се тестира со споредување на резултатите од симулацијата со набљудувањата на временските серии. Делумна валидација на моделот на Буловата мрежа, исто така, можела да дојде од тестирање на предвиденото постоење на сè уште непозната регулаторна врска помеѓу два посебни фактори на транскрипција кои секој се јазли на моделот.^[33]

Континуирани мрежи

Континуираните мрежни модели на GRN биле продолжување на булеанските мрежи опишани погоре. Јазлите сè уште претставувале гени и врските меѓу нив регулаторни влијанија врз генската експресија. Гените во биолошките системи прикажувале континуиран опсег на нивоа на активност и се тврдело дека користењето на континуирано претставување доловувало неколку својства на регулаторните мрежи на гените кои не биле присутни во Буловиот модел.^[34] Формално, повеќето од овие пристапи биле слични на вештачка невронска мрежа, бидејќи влезовите во јазолот се сумирале и резултатот служел како влез за сигмоидна функција, на пр.,^[35] но протеините често ја контролирале генската експресија во синергетски, т.е. -линеарен, начин.^[36] Меѓутоа, сега постоел континуиран мрежен модел кој овозможувал групирање на влезови во јазол со што се реализирало друго ниво на регулација. Овој модел бил формално поблиску до повторлива невронска мрежа од повисок ред. Истиот модел бил користен и за да се имитирала еволуцијата на клеточната диференцијација^[37], па дури и повеќеклеточната морфогенеза.

Стохастички генски мрежи

Неодамнешните експериментални резултати^[38][39] покажале дека генската експресија била стохастички процес. Така, многу автори сега го користеле стохастичкиот формализам, по делото на Аркин и сор.^[40] Работел на единечна генска експресија^[41] и мали синтетички генетски мрежи,^[42][43] како што бил генетскиот преклопник на Тим Гарднер и Џим Колинс, обезбедил дополнителни експериментални податоци за фенотипската варијабилност и стохастичката природа на генот изразување. Првите верзии на стохастички модели на генска експресија вклучувале само моментални реакции и биле водени од алгоритмот Гилеспи.^[44]

Бидејќи некои процеси, како што била транскрипцијата на гените, вклучувале многу реакции и не можече правилно да се моделираат како моментална реакција во еден чекор, било предложено овие реакции да се моделирале како повеќекратни одложени реакции со еден чекор со цел да се земе предвид времето потребно за целиот процес да бил завршен.^[45]

Оттука, биле предложени збир на реакции^[46] кои овозможувале генерирање на GRN. Тие потоа се симулирале со помош на изменета верзија на алгоритмот Гилеспи, кој можел да симулира повеќекратни временски одложени реакции (хемиски реакции каде на секој од производите му било обезбедено временско доцнење кое одредувало кога ќе биде пуштен во системот како „готов производ“).

На пример, основната транскрипција на ген можела да биде претставена со следнава реакција во еден чекор (RNAP бил РНК полимераза, RBS било место за врзување на РНК рибозомот и Про _i бил промоторниот регион на генот i ):

${\displaystyle {\text{RNAP}}+{\text{Pro}}_{i}{\overset {k_{i,bas}}{\longrightarrow }}{\text{Pro}}_{i}(\tau _{i}^{1})+{\text{RBS}}_{i}(\tau _{i}^{1})+{\text{RNAP}}(\tau _{i}^{2})}$

Понатаму, се чинело дека постоел компромис помеѓу бучавата во генската експресија, брзината со која гените можеле да се префрлаат и метаболичките трошоци поврзани со нивното функционирање. Поконкретно, за кое било дадено ниво на метаболички трошоци, постоела оптимална размена помеѓу бучавата и брзината на обработка, а зголемувањето на метаболичките трошоци водела до подобра размена на брзина-шум.^[47][48][49]

Една неодамнешна работа предложила симулатор (SGNSim, Стохастички генски мрежи симулатор ),^[50] кој можел да моделира GRN каде транскрипцијата и преводот се моделирале како повеќекратно одложени настани и неговата динамика била водена од стохастичка симулација алгоритам (SSA) способен да се справи со повеќекратно одложени настани. Временските доцнења може да се извлечеле од неколку дистрибуции и стапките на реакција од сложени функции или од физички параметри. SGNSim можел да генерира ансамбли од GRN во множество параметри дефинирани од корисникот, како што била топологијата. Можел да се користи и за моделирање на специфични GRN и системи на хемиски реакции. Можеле да се моделираат и генетски пертурбации, како што биле бришење на гените, прекумерна експресија на гени, вметнувања, мутации на поместување на рамката.

GRN бил креиран од график со саканата топологија, наметнувајќи распределби во и надвор од степен. Активностите на генските промотори биле под влијание на други производи за изразување на гени кои дејствувале како влезни податоци, во форма на мономери или комбинирани во мултимери и поставени како директни или индиректни. Следно, секој директен влез бил доделен на локација на оператор и може да се дозволи различни фактори на транскрипција, или не, да се натпреварувале за истата локација на операторот, додека на индиректните влезови им се давала цел. Конечно, на секој ген му се доделувала функција, дефинирајќи го одговорот на генот на комбинација од фактори на транскрипција (состојба на промотор). Функциите за пренос (т.е. како гените реагирале на комбинација од влезови) можеле да се доделат на секоја комбинација на промоторни состојби по желба.

Во друга неодамнешна работа, биле развиени модели на генски регулаторни мрежи кои се фокусирале на апликации за синтетичка биологија. Биле користени симулации кои ги моделирале сите биомолекуларни интеракции во транскрипцијата, транслацијата, регулацијата и индукцијата на регулаторните мрежи на гените, водејќи го дизајнот на синтетичките системи.^[51]

Друга работа се фокусирала на предвидување на нивоата на генска експресија во регулаторната мрежа на гени. Пристапите што се користеле за моделирање на регулаторните мрежи на генот биле ограничени да можеле да се толкуваат и, како резултат на тоа, биле генерално поедноставени верзии на мрежата. На пример, Буловите мрежи биле користени поради нивната едноставност и способност да ракувале со бучни податоци, но губеле информации за податоци со тоа што имале бинарна репрезентација на гените. Исто така, вештачките невронски мрежи испуштале користење на скриен слој за да можат да се толкувале губејќи ја способноста за моделирање на корелации од повисок ред во податоците. Користејќи модел кој не бил ограничен да може да се толкувал, може да се произведел попрецизен модел. Можноста попрецизно да се предвиделе изразите на гените обезбедувала начин да се истражело како лековите влијаеле на системот на гени, како и да се откриело кои гени биле меѓусебно поврзани во процесот. Ова било поттикнато од натпреварот DREAM^[52] кој промовирал натпревар за најдобри алгоритми за предвидување.^[53] Некои други неодамнешни трудови користеле вештачки невронски мрежи со скриен слој.

Мултиплекс склероза

Постоеле три класи на мултиплекс склероза: рецидивно-ремитирачка (RRMS), примарна прогресивна (PPMS) и секундарна прогресивна (SPMS). Генската регулаторна мрежа (GRN) играла витална улога за разбирање на механизмот на болеста во овие три различни класи на мултиплекс склероза.^[54]

• План на телото
• Cis-регулаторен модул
• Генетска мрежа (база на податоци)
• Морфоген
• Оперон
• Синекспресија
• Системска биологија
• Анализа на мрежа за ко-изразување на гените

• База на податоци за факторите на транскрипција на растенијата и платформа за податоци и анализа на регулативата за транскрипција на растенијата
• Веб сервис со отворен код за анализа на GRN
• BIB: Прелистувач за биолошка интеракција на квасец
• Графички Гаусови модели за податоци за геномот – Заклучување на мрежи на асоцијација на гени со GGM
• Библиографија за учење каузални мрежи на генски интеракции – редовно ажурирана, содржи стотици врски до трудови од биоинформатика, статистика, машинско учење.
• https://web.archive.org/web/20060907074456/http://mips.gsf.de/proj/biorel/ BIOREL е веб-базиран ресурс за квантитативна проценка на пристрасноста на генската мрежа во однос на достапните информации за базата на податоци за генска активност/функција/својства/асоцијации/интеракција.
• Развој на биолошки часовници со помош на генетски регулаторни мрежи – Информативна страница со изворен код на модел и Java аплет.
• Инженерски генски мрежи
• Упатство: Генетски алгоритми и нивната примена во вештачката еволуција на генетските регулаторни мрежи
• БЕН: ресурс базиран на веб за истражување на врските помеѓу гените, болестите и другите биомедицински ентитети
• Глобална мрежа на протеин-протеинска интеракција и генска регулација на Arabidopsis thaliana Архивирано на 16 март 2016 г. Archived </link>