Informácie

9.7: Iné metódy - Biológia

9.7: Iné metódy - Biológia


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Okrem HMM a CRF existujú aj iné metódy na počítačovú identifikáciu génov. Semi-markov modely generujú emisie s premenlivou dĺžkou sekvencie, čo znamená, že prechody nie sú úplne bez pamäte v skrytých stavoch.

Modely Max-min sú adaptáciami podporných vektorových strojov. Tieto metódy ešte neboli aplikované na genómy cicavcov.4


4 Pre lepšie pochopenie SVM: http://dspace.mit.edu/bitstream/hand...663/6-034Fall- 2002/OcwWeb/Electrical-Engineering-and-Computer-Science/6-034Artificial-IntelligenceFall2002/Tools/ detail/svmachine.htm


Enzymatické premeny glutamátu a kyseliny γ-aminomaslovej ako indikátory reakcie rastlín na stres

Glutamát hrá ústrednú úlohu v metabolizme aminokyselín, najmä v aminotransferázových reakciách vedúcich k tvorbe mnohých ďalších proteinogénnych a neproteinogénnych aminokyselín. V stresových podmienkach môže byť glutamát buď metabolizovaný na kyselinu y-aminomaslovú (GABA) glutamátdekarboxylázou, ktorá iniciuje skrat GABA, ktorý obchádza niekoľko reakcií cyklu trikarboxylových kyselín, alebo môže byť premenený na 2-oxoglutarát pomocou glutamátdehydrogenázy. Obe reakcie smerujú proteínový uhlík do dýchania, ale tiež spájajú metabolizmus glutamátu s inými bunkovými dráhami, čo vedie k regulácii úrovne redoxu a rovnováhy pH. V tejto kapitole sú popísané testy na stanovenie aktivít glutamátdehydrogenázy a GABA skratových enzýmov ako markerov stresovej reakcie. Tieto testy sú dôležité pri štúdiách stratégie biochemickej adaptácie rastlín na meniace sa podmienky prostredia vrátane zvýšeného CO2, zvýšenie teploty, záplavy a iné stresy.

Kľúčové slová: Metabolizmus aminokyselín Glutamátový dýchací stres Kyselina γ-aminomaslová (GABA).


Obsah

Prvé štúdie proteínov, ktoré by sa dali považovať za proteomiku, sa začali v roku 1975, po zavedení dvojrozmerného gélu a mapovaní proteínov z baktérie. Escherichia coli.

Slovo proteóm je zmesou slov „proteín“ a „genóm“ a vytvoril ho Marc Wilkins v roku 1994, keď bol Ph.D. študent na Macquarie University. [5] Macquarie University tiež založila prvé špecializované proteomické laboratórium v ​​roku 1995. [6] [7]

Po genomike a transkriptomike je proteomika ďalším krokom v štúdiu biologických systémov. Je to komplikovanejšie ako genomika, pretože genóm organizmu je viac-menej konštantný, zatiaľ čo proteómy sa medzi bunkami a z času na čas líšia. Odlišné gény sú exprimované v rôznych typoch buniek, čo znamená, že je potrebné identifikovať aj základnú sadu proteínov, ktoré sú produkované v bunke.

V minulosti bol tento jav hodnotený analýzou RNA, ale zistilo sa, že nekoreluje s obsahom bielkovín. [8] [9] Teraz je známe, že mRNA sa nie vždy prekladá na proteín, [10] a množstvo proteínu produkovaného pre dané množstvo mRNA závisí od génu, z ktorého je transkribovaná, a od aktuálneho fyziologického stavu bunka. Proteomika potvrdzuje prítomnosť proteínu a poskytuje priame meranie prítomného množstva.

Post-translačné úpravy Edit

Nielen translácia z mRNA spôsobuje rozdiely, ale mnohé proteíny sú po translácii tiež podrobené širokému spektru chemických modifikácií. Najbežnejšie a široko študované posttranslačné modifikácie zahŕňajú fosforyláciu a glykozyláciu. Mnohé z týchto posttranslačných modifikácií sú kritické pre funkciu proteínu.

Fosforylácia Edit

Jednou z takýchto modifikácií je fosforylácia, ku ktorej dochádza u mnohých enzýmov a štrukturálnych proteínov v procese bunkovej signalizácie. Pridanie fosfátu ku konkrétnym aminokyselinám – najčastejšie serín a treonín [11] sprostredkované serín-treonínkinázami, alebo zriedkavejšie tyrozín sprostredkované tyrozínkinázami – spôsobí, že sa proteín stane cieľom väzby alebo interakcie s odlišným súborom iné proteíny, ktoré rozpoznávajú fosforylovanú doménu.

Pretože fosforylácia proteínov je jednou z najviac študovaných modifikácií proteínov, mnohé "proteomické" snahy sú zamerané na určenie súboru fosforylovaných proteínov v konkrétnej bunke alebo type tkaniva za konkrétnych okolností. To upozorní vedca na signálne dráhy, ktoré môžu byť v tomto prípade aktívne.

Ubikvitinácia Edit

Ubikvitín je malý proteín, ktorý môže byť naviazaný na určité proteínové substráty pomocou enzýmov nazývaných E3 ubikvitín ligázy. Určenie, ktoré proteíny sú polyubikvitinované, pomáha pochopiť, ako sú regulované proteínové dráhy. Ide teda o dodatočnú legitímnu „proteomickú“ štúdiu. Podobne, keď výskumník určí, ktoré substráty sú ubikvitinované každou ligázou, je užitočné určiť súbor ligáz exprimovaných v konkrétnom type bunky.

Ďalšie úpravy Edit

Okrem fosforylácie a ubikvitinácie môžu byť proteíny podrobené (okrem iného) metylácii, acetylácii, glykozylácii, oxidácii a nitrozylácii. Niektoré proteíny prechádzajú všetkými týmito modifikáciami, často v časovo závislých kombináciách. To ilustruje potenciálnu zložitosť štúdia štruktúry a funkcie proteínov.

Odlišné proteíny sa vyrábajú v rôznych nastaveniach Upraviť

Bunka môže vytvárať rôzne sady proteínov v rôznych časoch alebo za rôznych podmienok, napríklad počas vývoja, bunkovej diferenciácie, bunkového cyklu alebo karcinogenézy. Ako už bolo spomenuté, väčšina proteínov ďalej zvyšuje komplexnosť proteómu a je schopná podstúpiť široké spektrum posttranslačných modifikácií.

Preto sa „proteomická“ štúdia môže veľmi rýchlo stať komplexnou, aj keď je téma štúdia obmedzená. V ambicióznejších nastaveniach, ako napríklad keď sa hľadá biomarker pre špecifický podtyp rakoviny, by sa proteomický vedec mohol rozhodnúť študovať viacero vzoriek krvného séra od viacerých pacientov s rakovinou, aby sa minimalizovali mätúce faktory a zohľadnil sa experimentálny šum. [12] Preto sú niekedy potrebné komplikované experimentálne návrhy na zohľadnenie dynamickej zložitosti proteómu.

Proteomika poskytuje inú úroveň chápania ako genomika z mnohých dôvodov:

  • úroveň transkripcie génu dáva len hrubý odhad jeho úroveň prekladu do proteínu. [13] mRNA produkovaná vo veľkom množstve môže byť rýchlo degradovaná alebo translatovaná neefektívne, čo vedie k malému množstvu proteínu.
  • ako už bolo spomenuté vyššie, veľa proteínov má skúsenosti posttranslačné úpravy ktoré výrazne ovplyvňujú ich aktivity, napríklad niektoré proteíny nie sú aktívne, kým sa nefosforylujú. Na štúdium posttranslačných modifikácií sa používajú metódy ako fosfoproteomika a glykoproteomika.
  • mnohé transkripty vedú k vzniku viac ako jedného proteínu prostredníctvom alternatívneho zostrihu alebo alternatívnych posttranslačných modifikácií.
  • mnohé proteíny tvoria komplexy s inými proteínmi alebo molekulami RNA a fungujú len v prítomnosti týchto iných molekúl.
  • Rýchlosť degradácie bielkovín hrá dôležitú úlohu v obsahu bielkovín. [14]

Reprodukovateľnosť. Jedným z hlavných faktorov ovplyvňujúcich reprodukovateľnosť v proteomických experimentoch je súčasná elúcia oveľa väčšieho množstva peptidov, ako dokážu zmerať hmotnostné spektrometre. To spôsobuje stochastické rozdiely medzi experimentmi v dôsledku získavania tryptických peptidov závislých od údajov. Hoci skoré rozsiahle brokovnicové proteomické analýzy ukázali značnú variabilitu medzi laboratóriami [15] [16], pravdepodobne čiastočne kvôli technickým a experimentálnym rozdielom medzi laboratóriami, reprodukovateľnosť sa zlepšila v novšej analýze hmotnostnej spektrometrie, najmä na úrovni proteínov a pomocou Hmotnostné spektrometre Orbitrap. [17] Najmä cielená proteomika vykazuje zvýšenú reprodukovateľnosť a opakovateľnosť v porovnaní s brokovnicovými metódami, aj keď na úkor hustoty údajov a účinnosti. [18]

V proteomike existuje viacero metód na štúdium proteínov. Vo všeobecnosti môžu byť proteíny detegované buď použitím protilátok (imunoanalýzy) alebo hmotnostnej spektrometrie. Ak sa analyzuje komplexná biologická vzorka, v kvantitatívnej dot blot analýze (QDB) je potrebné použiť buď veľmi špecifickú protilátku, alebo je potrebné pred krokom detekcie použiť biochemickú separáciu, pretože vo vzorke je príliš veľa analytov na vykonanie. presná detekcia a kvantifikácia.

Detekcia proteínov protilátkami (imunologické testy) Edit

Protilátky proti konkrétnym proteínom alebo ich modifikovaným formám sa používajú v biochémii a štúdiách bunkovej biológie. Patria medzi najbežnejšie nástroje, ktoré dnes molekulárni biológovia používajú. Existuje niekoľko špecifických techník a protokolov, ktoré používajú protilátky na detekciu proteínov. Enzýmová imunoanalýza (ELISA) sa používa už desaťročia na detekciu a kvantitatívne meranie proteínov vo vzorkách. Western blot sa môže použiť na detekciu a kvantifikáciu jednotlivých proteínov, kde sa v počiatočnom kroku oddelí komplexná zmes proteínov pomocou SDS-PAGE a potom sa požadovaný proteín identifikuje pomocou protilátky.

Modifikované proteíny možno študovať vývojom protilátky špecifickej pre túto modifikáciu. Napríklad existujú protilátky, ktoré rozpoznávajú určité proteíny iba vtedy, keď sú tyrozín-fosforylované, sú známe ako fosfo-špecifické protilátky. Tiež existujú protilátky špecifické pre iné modifikácie. Tieto môžu byť použité na určenie súboru proteínov, ktoré prešli požadovanou modifikáciou.

Detekcia chorôb na molekulárnej úrovni poháňa vznikajúcu revolúciu včasnej diagnostiky a liečby. Výzvou v tejto oblasti je, že proteínové biomarkery na včasnú diagnostiku môžu byť prítomné vo veľmi malom množstve. Dolná hranica detekcie s konvenčnou technológiou imunoanalýzy je horný femtomolárny rozsah (10 −13 M). Technológia digitálneho imunotestu zlepšila citlivosť detekcie o tri logaritmy na attomolárny rozsah (10 -16 M). Táto schopnosť má potenciál otvoriť nové pokroky v diagnostike a terapii, ale takéto technológie boli odsunuté na manuálne postupy, ktoré nie sú vhodné na efektívne rutinné použitie. [19]

Detekcia proteínu bez protilátok Edit

Zatiaľ čo detekcia proteínov pomocou protilátok je v molekulárnej biológii stále veľmi bežná, boli vyvinuté aj iné metódy, ktoré sa nespoliehajú na protilátku. Tieto metódy ponúkajú rôzne výhody, napríklad sú často schopné určiť sekvenciu proteínu alebo peptidu, môžu mať vyššiu priepustnosť ako na báze protilátok a niekedy môžu identifikovať a kvantifikovať proteíny, pre ktoré neexistuje protilátka.

Metódy detekcie Upraviť

Jednou z prvých metód na analýzu proteínov bola Edmanova degradácia (zavedená v roku 1967), pri ktorej je jeden peptid podrobený viacerým krokom chemickej degradácie, aby sa rozlíšila jeho sekvencia. Tieto skoré metódy boli väčšinou nahradené technológiami, ktoré ponúkajú vyššiu priepustnosť.

Nedávno implementované metódy využívajú techniky založené na hmotnostnej spektrometrii, čo je vývoj, ktorý bol umožnený objavom metód "mäkkej ionizácie" vyvinutých v 80-tych rokoch, ako je laserová desorpcia/ionizácia za pomoci matrice (MALDI) a ionizácia elektrosprejom (ESI). Tieto metódy viedli k pracovným tokom proteomiky zhora nadol a zdola nahor, kde sa často pred analýzou vykonáva ďalšia separácia (pozri nižšie).

Metódy separácie Edit

Na analýzu zložitých biologických vzoriek je potrebné zníženie zložitosti vzorky. Toto môže byť uskutočnené off-line jednorozmernou alebo dvojrozmernou separáciou. Nedávno boli vyvinuté on-line metódy, kde sa jednotlivé peptidy (v proteomických prístupoch zdola nahor) separujú pomocou chromatografie na reverznej fáze a potom sa priamo ionizujú pomocou ESI, priame spojenie separácie a analýzy vysvetľuje termín „on-line“ analýza.

Hybridné technológie Edit

Existuje niekoľko hybridných technológií, ktoré využívajú purifikáciu jednotlivých analytov na báze protilátok a potom vykonávajú hmotnostnú spektrometrickú analýzu na identifikáciu a kvantifikáciu. Príkladmi týchto metód sú MSIA (hmotnostná spektrometrická imunoanalýza), ktorú vyvinul Randall Nelson v roku 1995, [20] a metóda SISCAPA (Stable Isotope Standard Capture with Anti-Peptide Antibodies), ktorú zaviedol Leigh Anderson v roku 2004. [21]

Aktuálne metodológie výskumu Edit

Fluorescenčná dvojrozmerná diferenciálna gélová elektroforéza (2-D DIGE) [22] sa môže použiť na kvantifikáciu variácií v procese 2-D DIGE a na stanovenie štatisticky platných prahov na priradenie kvantitatívnych zmien medzi vzorkami. [22]

Porovnávacia proteomická analýza môže odhaliť úlohu proteínov v zložitých biologických systémoch vrátane reprodukcie. Ošetrenie insekticídom triazofos napríklad spôsobuje zvýšenie obsahu lykožrúta hnedého (Nilaparvata lugens (Stål)) proteíny samčích doplnkových žliaz (Acps), ktoré sa môžu preniesť na samice párením, čo spôsobuje zvýšenie plodnosti (t. j. pôrodnosti) samíc. [23] S cieľom identifikovať zmeny v typoch proteínov prídavných žliaz (Acps) a reprodukčných proteínov, ktoré párené samice lykožrúta dostali od samčekov, výskumníci vykonali komparatívnu proteomickú analýzu párených. N. lugens ženy. [24] Výsledky ukázali, že tieto proteíny sa podieľajú na reprodukčnom procese N. lugens dospelých žien a mužov. [24]

Analýza proteómu Arabidopsis peroxizómy [25] bol stanovený ako hlavný nezaujatý prístup na identifikáciu nových peroxizomálnych proteínov vo veľkom meradle. [25]

Existuje mnoho prístupov k charakterizácii ľudského proteómu, ktorý podľa odhadov obsahuje 20 000 až 25 000 neredundantných proteínov. Počet jedinečných druhov proteínov sa pravdepodobne zvýši o 50 000 až 500 000 v dôsledku zostrihu RNA a proteolýzy, a keď sa zváži aj posttranslačná modifikácia, odhaduje sa, že celkový počet jedinečných ľudských proteínov sa bude pohybovať v rozmedzí nízkych miliónov. [26] [27]

Okrem toho boli nedávno zaznamenané prvé sľubné pokusy o rozlúštenie proteómu zvieracích nádorov. [28] Táto metóda bola použitá ako funkčná metóda v r Macrobrachium rosenbergii profilovanie proteínov. [29]

Vysokovýkonné proteomické technológie Edit

Proteomika v poslednom desaťročí neustále naberala na sile s vývojom niekoľkých prístupov. Len málo z nich je nových a iné stavajú na tradičných metódach. Metódy založené na hmotnostnej spektrometrii a mikromatice sú najbežnejšími technológiami pre rozsiahle štúdium proteínov.

Hmotnostná spektrometria a profilovanie proteínov Edit

V súčasnosti sa na profilovanie proteínov používajú dve metódy založené na hmotnostnej spektrometrii. Uplatnenejšia a rozšírenejšia metóda využíva dvojrozmernú elektroforézu s vysokým rozlíšením na paralelné oddelenie proteínov z rôznych vzoriek, po ktorej nasleduje selekcia a farbenie odlišne exprimovaných proteínov, ktoré sa majú identifikovať pomocou hmotnostnej spektrometrie. Napriek pokroku v 2-DE a jeho vyspelosti má tiež svoje limity. Ústredným problémom je neschopnosť rozlíšiť všetky proteíny vo vzorke vzhľadom na ich dramatický rozsah v úrovni expresie a odlišné vlastnosti. [30]

Druhý kvantitatívny prístup využíva stabilné izotopové značky na rozdielne označenie proteínov z dvoch rôznych komplexných zmesí. Tu sa proteíny v komplexnej zmesi najskôr označia izotopicky a potom sa štiepia, čím sa získajú značené peptidy. Označené zmesi sa potom spoja, peptidy sa oddelia viacrozmernou kvapalinovou chromatografiou a analyzujú sa tandemovou hmotnostnou spektrometriou. Činidlá izotopovo kódovanej afinitnej značky (ICAT) sú široko používané izotopové značky. Pri tejto metóde sa cysteínové zvyšky proteínov kovalentne naviažu na činidlo ICAT, čím sa zníži zložitosť zmesí, pričom sa vynechajú necysteínové zvyšky.

Kvantitatívna proteomika využívajúca stabilné izotopové značkovanie je čoraz užitočnejším nástrojom moderného vývoja. Po prvé, chemické reakcie sa použili na zavedenie značiek do špecifických miest alebo proteínov za účelom testovania špecifických proteínových funkcií. Izolácia fosforylovaných peptidov bola dosiahnutá použitím izotopového značenia a selektívnej chémie na zachytenie frakcie proteínu v komplexnej zmesi. Po druhé, technológia ICAT sa použila na rozlíšenie medzi čiastočne purifikovanými alebo purifikovanými makromolekulárnymi komplexmi, ako je veľký pre-iniciačný komplex RNA polymerázy II a proteíny v komplexe s kvasinkovým transkripčným faktorom. Po tretie, značenie ICAT bolo nedávno kombinované s izoláciou chromatínu na identifikáciu a kvantifikáciu proteínov spojených s chromatínom. Nakoniec sú činidlá ICAT užitočné na proteomické profilovanie bunkových organel a špecifických bunkových frakcií. [30]

Ďalším kvantitatívnym prístupom je prístup pre presné označenie hmotnosti a času (AMT), ktorý vyvinul Richard D. Smith a spolupracovníci z Pacific Northwest National Laboratory. V tomto prístupe sa dosiahne zvýšená priepustnosť a citlivosť tým, že sa vyhne potrebe tandemovej hmotnostnej spektrometrie a využíva sa presne určená informácia o čase separácie a vysoko presné stanovenie hmotnosti na identifikáciu peptidov a proteínov.

Proteínové lupienky Edit

Vyváženie použitia hmotnostných spektrometrov v proteomike a v medicíne spočíva v použití proteínových mikro polí. Cieľom proteínových mikročipov je vytlačiť tisíce funkcií na detekciu proteínov na skúmanie biologických vzoriek. Protilátkové čipy sú príkladom, v ktorom je usporiadaný hostiteľ rôznych protilátok na detekciu ich príslušných antigénov zo vzorky ľudskej krvi. Ďalším prístupom je usporiadanie viacerých typov proteínov na štúdium vlastností, ako sú interakcie proteín-DNA, proteín-proteín a proteín-ligand. V ideálnom prípade by funkčné proteomické polia obsahovali celý doplnok proteínov daného organizmu. Prvá verzia takýchto polí pozostávala z 5000 purifikovaných proteínov z kvasiniek uložených na sklenené mikroskopické sklíčka. Napriek úspechu prvého čipu bola implementácia proteínových polí väčšou výzvou. S proteínmi sa vo svojej podstate pracuje oveľa ťažšie ako s DNA. Majú široký dynamický rozsah, sú menej stabilné ako DNA a ich štruktúra sa ťažko zachováva na podložných sklíčkach, hoci sú nevyhnutné pre väčšinu testov. Globálna technológia ICAT má oproti technológiám proteínových čipov výrazné výhody. [30]

Reverzne fázované proteínové mikročipy Upraviť

Toto je sľubná a novšia aplikácia microarray na diagnostiku, štúdium a liečbu zložitých chorôb, ako je rakovina. Táto technológia spája laserovú zachytávaciu mikrodisekciu (LCM) s technológiou mikropolí, aby sa vytvorili proteínové mikročipy s reverznou fázou. V tomto type mikročipov je celá zbierka samotných proteínov imobilizovaná so zámerom zachytiť rôzne štádiá ochorenia u jednotlivého pacienta. Pri použití s ​​LCM môžu polia s reverznou fázou monitorovať kolísavý stav proteómu medzi rôznymi populáciami buniek v malej oblasti ľudského tkaniva. To je užitočné na profilovanie stavu bunkových signálnych molekúl v priereze tkaniva, ktorý zahŕňa normálne aj rakovinové bunky. Tento prístup je užitočný pri monitorovaní stavu kľúčových faktorov v normálnom epiteli prostaty a tkanivách invazívneho karcinómu prostaty. LCM potom rozreže tieto tkanivá a proteínové lyzáty sa usporiadajú na nitrocelulózové sklíčka, ktoré sa sondujú so špecifickými protilátkami. Táto metóda môže sledovať všetky druhy molekulárnych udalostí a môže porovnávať choré a zdravé tkanivá u toho istého pacienta, čo umožňuje vývoj liečebných stratégií a diagnózy. Schopnosť získať proteomické snímky susedných bunkových populácií pomocou mikročipov s reverznou fázou v spojení s LCM má množstvo aplikácií nad rámec štúdia nádorov. Tento prístup môže poskytnúť pohľad na normálnu fyziológiu a patológiu všetkých tkanív a je neoceniteľný pre charakterizáciu vývojových procesov a anomálií. [30]

New Drug Discovery Edit

Jedným z hlavných pokrokov, ktorý vzišiel zo štúdia ľudských génov a proteínov, bola identifikácia potenciálnych nových liekov na liečbu chorôb. To sa spolieha na informácie o genóme a proteóme na identifikáciu proteínov spojených s chorobou, ktoré potom počítačový softvér môže použiť ako ciele pre nové lieky. Napríklad, ak je určitý proteín zapojený do choroby, jeho 3D štruktúra poskytuje informácie na navrhnutie liekov, ktoré interferujú s účinkom proteínu. Molekula, ktorá zapadá do aktívneho miesta enzýmu, ale nemôže byť uvoľnená enzýmom, inaktivuje enzým. Toto je základ nových nástrojov na objavovanie liekov, ktorých cieľom je nájsť nové lieky na inaktiváciu proteínov podieľajúcich sa na chorobách. Keď sa zistia genetické rozdiely medzi jednotlivcami, výskumníci očakávajú, že tieto techniky použijú na vývoj personalizovaných liekov, ktoré sú pre jednotlivca účinnejšie. [31]

Proteomika sa tiež používa na odhalenie komplexných interakcií medzi rastlinami a hmyzom, ktoré pomáhajú identifikovať kandidátske gény zapojené do obrannej reakcie rastlín na bylinožravce. [32] [33] [34]

Interakčná proteomika a proteínové siete Edit

Interakčná proteomika je analýza proteínových interakcií od škál binárnych interakcií až po proteómy alebo siete. Väčšina proteínov funguje prostredníctvom interakcií proteín-proteín a jedným cieľom interakčnej proteomiky je identifikovať binárne proteínové interakcie, proteínové komplexy a interaktómy.

Existuje niekoľko metód na testovanie interakcií proteín-proteín. Zatiaľ čo najtradičnejšou metódou je kvasinková dvojhybridná analýza, výkonnou novou metódou je afinitná purifikácia nasledovaná proteínovou hmotnostnou spektrometriou s použitím označených proteínových návnad. Ďalšie metódy zahŕňajú povrchovú plazmónovú rezonanciu (SPR), [35] [36] proteínové mikročipy, interferometriu s dvojitou polarizáciou, termoforézu v mikromeradle a experimentálne metódy, ako je fágový displej a v silikóne výpočtové metódy.

Znalosť interakcií proteín-proteín je užitočná najmä v súvislosti s biologickými sieťami a systémovou biológiou, napríklad v bunkových signalizačných kaskádach a génových regulačných sieťach (GRNs, kde sú poznatky o interakciách proteín-DNA tiež informatívne). Analýza proteínových interakcií v rámci celého proteómu a integrácia týchto interakčných vzorcov do väčších biologických sietí je rozhodujúca pre pochopenie biológie na úrovni systémov. [37] [38]

Výrazová proteomika Edit

Expresná proteomika zahŕňa analýzu expresie proteínov vo väčšom meradle. Pomáha identifikovať hlavné proteíny v konkrétnej vzorke a tieto proteíny sa odlišne exprimujú v príbuzných vzorkách – ako napríklad choré a zdravé tkanivo. Ak sa proteín nachádza iba v chorej vzorke, potom môže byť užitočným cieľom liečiva alebo diagnostickým markerom. Proteíny s rovnakými alebo podobnými profilmi expresie môžu byť tiež funkčne príbuzné. Existujú technológie ako 2D-PAGE a hmotnostná spektrometria, ktoré sa používajú v expresnej proteomike. [39]

Biomarkery Edit

National Institutes of Health definoval biomarker ako „charakteristiku, ktorá sa objektívne meria a hodnotí ako indikátor normálnych biologických procesov, patogénnych procesov alebo farmakologických reakcií na terapeutickú intervenciu“. [40] [41]

Pochopenie proteómu, štruktúry a funkcie každého proteínu a zložitosti interakcií proteín-proteín je rozhodujúce pre vývoj najefektívnejších diagnostických techník a liečby chorôb v budúcnosti. Proteomika je napríklad veľmi užitočná pri identifikácii kandidátskych biomarkerov (proteíny v telesných tekutinách, ktoré sú hodnotné pre diagnózu), identifikácii bakteriálnych antigénov, na ktoré je zameraná imunitná odpoveď, a identifikácii možných imunohistochemických markerov infekčných alebo neoplastických ochorení. [42]

Zaujímavým využitím proteomiky je použitie špecifických proteínových biomarkerov na diagnostiku chorôb. Množstvo techník umožňuje testovať proteíny produkované počas konkrétneho ochorenia, čo pomáha rýchlo diagnostikovať ochorenie. Techniky zahŕňajú western blot, imunohistochemické farbenie, enzýmový imunosorbentový test (ELISA) alebo hmotnostnú spektrometriu. [28] [43] Sekretomika, podoblasť proteomiky, ktorá študuje vylučované proteíny a sekrečné dráhy pomocou proteomických prístupov, sa nedávno objavila ako dôležitý nástroj na objavovanie biomarkerov chorôb. [44]

Proteogenomika Edit

V proteogenomike sa na zlepšenie anotácií génov používajú proteomické technológie, ako je hmotnostná spektrometria. Paralelná analýza genómu a proteómu uľahčuje objavenie posttranslačných modifikácií a proteolytických dejov, [45] najmä pri porovnávaní viacerých druhov (komparatívna proteogenomika). [46]

Štrukturálna proteomika Edit

Štrukturálna proteomika zahŕňa analýzu proteínových štruktúr vo veľkom meradle. Porovnáva proteínové štruktúry a pomáha identifikovať funkcie novoobjavených génov. Štrukturálna analýza tiež pomáha pochopiť, kde sa lieky viažu na proteíny a tiež ukazujú, kde proteíny navzájom interagujú. Toto pochopenie sa dosahuje použitím rôznych technológií, ako je rôntgenová kryštalografia a NMR spektroskopia. [39]

Veľa proteomických údajov sa zhromažďuje pomocou vysoko výkonných technológií, ako je hmotnostná spektrometria a microarray. Analýza údajov a vykonanie porovnania ručne by často trvalo týždne alebo mesiace. Z tohto dôvodu biológovia a chemici spolupracujú s počítačovými vedcami a matematikmi na vytváraní programov a potrubí na výpočtovú analýzu proteínových údajov. Pomocou bioinformatických techník sú výskumníci schopní rýchlejšej analýzy a ukladania údajov. Dobrým miestom na nájdenie zoznamov aktuálnych programov a databáz je portál bioinformatických zdrojov ExPASy. Aplikácie proteomiky založenej na bioinformatike zahŕňajú medicínu, diagnostiku chorôb, identifikáciu biomarkerov a mnohé ďalšie.

Identifikácia bielkovín Edit

Hmotnostná spektrometria a mikročipy poskytujú informácie o fragmentácii peptidov, ale neposkytujú identifikáciu špecifických proteínov prítomných v pôvodnej vzorke. Kvôli nedostatku špecifickej identifikácie proteínov boli bývalí výskumníci nútení dešifrovať samotné peptidové fragmenty. V súčasnosti sú však dostupné programy na identifikáciu proteínov. Tieto programy berú výstup peptidových sekvencií z hmotnostnej spektrometrie a mikročipu a vracajú informácie o zodpovedajúcich alebo podobných proteínoch. Robí sa to pomocou algoritmov implementovaných programom, ktoré uskutočňujú porovnanie s proteínmi zo známych databáz, ako je UniProt [47] a PROSITE [48], aby predpovedali, aké proteíny sú vo vzorke s určitou istotou.

Štruktúra bielkovín Edit

Biomolekulárna štruktúra tvorí 3D konfiguráciu proteínu. Pochopenie štruktúry proteínu pomáha pri identifikácii interakcií a funkcie proteínu. Kedysi bolo možné 3D štruktúru proteínov určiť iba pomocou röntgenovej kryštalografie a NMR spektroskopie. Od roku 2017 je kryo-elektrónová mikroskopia vedúcou technikou, ktorá rieši problémy s kryštalizáciou (v röntgenovej kryštalografii) a konformačnou nejednoznačnosťou (v NMR) rozlíšenie bolo od roku 2015 2,2 Á. Teraz prostredníctvom bioinformatiky existujú počítačové programy, ktoré dokážu v niektorých prípadoch predpovedajú a modelujú štruktúru proteínov. Tieto programy využívajú chemické vlastnosti aminokyselín a štrukturálne vlastnosti známych proteínov na predpovedanie 3D modelu vzorových proteínov. To tiež umožňuje vedcom modelovať proteínové interakcie vo väčšom meradle. Okrem toho biomedicínski inžinieri vyvíjajú metódy na zohľadnenie flexibility proteínových štruktúr na porovnávanie a predpovede. [49]

Post-translačné úpravy Edit

Väčšina programov dostupných na analýzu proteínov nie je napísaná pre proteíny, ktoré prešli posttranslačnými úpravami. [50] Niektoré programy akceptujú post-translačné modifikácie na pomoc pri identifikácii proteínov, ale potom ignorujú modifikáciu počas ďalšej analýzy proteínov. Je dôležité vziať do úvahy tieto modifikácie, pretože môžu ovplyvniť štruktúru proteínu. Výpočtová analýza posttranslačných modifikácií zase získala pozornosť vedeckej komunity. Súčasné post-translačné modifikačné programy sú len prediktívne. [51] Chemici, biológovia a počítačoví vedci spolupracujú na vytvorení a zavedení nových potrubí, ktoré umožňujú analýzu post-translačných modifikácií, ktoré boli experimentálne identifikované pre ich vplyv na štruktúru a funkciu proteínu.

Výpočtové metódy pri štúdiu proteínových biomarkerov Edit

Jedným z príkladov využitia bioinformatiky a využitia výpočtových metód je štúdium proteínových biomarkerov. Výpočtové prediktívne modely [52] ukázali, že počas tehotenstva dochádza k rozsiahlemu a rôznorodému prenosu feto-materských proteínov a možno ho ľahko neinvazívne detegovať v plnej krvi matky. Tento výpočtový prístup obišiel hlavné obmedzenie, množstvo materských proteínov interferujúcich s detekciou fetálnych proteínov, fetálnej proteomickej analýzy krvi matky. Výpočtové modely môžu využívať transkripty fetálnych génov, ktoré boli predtým identifikované v plnej krvi matky, na vytvorenie komplexnej proteomickej siete termínu novorodenec. Takáto práca ukazuje, že fetálne proteíny zistené v krvi tehotnej ženy pochádzajú z rôznorodej skupiny tkanív a orgánov z vyvíjajúceho sa plodu. Proteomické siete obsahujú mnoho biomarkerov, ktoré sú proxy pre vývoj a ilustrujú potenciálnu klinickú aplikáciu tejto technológie ako spôsob monitorovania normálneho a abnormálneho vývoja plodu.

Na objavovanie biomarkerov bol zavedený aj informačný teoretický rámec, ktorý integruje informácie o biofluidoch a tkanivách. [53] Tento nový prístup využíva funkčnú synergiu medzi určitými biokvapalinami a tkanivami s potenciálom klinicky významných nálezov, ktoré nie sú možné, ak by sa tkanivá a biokvapaliny posudzovali individuálne. Konceptualizáciou tkanivovej biokvapaliny ako informačných kanálov možno identifikovať významné proxy biokvapaliny a potom ich použiť na riadený vývoj klinickej diagnostiky. Kandidátske biomarkery sa potom predpovedajú na základe kritérií prenosu informácií cez tkanivovo-biofluidné kanály. Na uprednostnenie klinickej validácie biomarkerov možno použiť významné vzťahy medzi biofluidnou a tkanivovou látkou. [ potrebná citácia ]

Množstvo nových konceptov má potenciál zlepšiť súčasné vlastnosti proteomiky. Získanie absolútnej kvantifikácie proteínov a monitorovanie posttranslačných modifikácií sú dve úlohy, ktoré ovplyvňujú pochopenie funkcie proteínov v zdravých a chorých bunkách. Pre mnohé bunkové udalosti sa koncentrácie proteínov nemenia skôr, ich funkcia je modulovaná posttranslačnými modifikáciami (PTM). Metódy monitorovania PTM sú v proteomike málo rozvinutou oblasťou. Výber konkrétnej podskupiny proteínov na analýzu podstatne znižuje komplexnosť proteínov, čo je výhodné na diagnostické účely, kde je východiskovým materiálom krv. Another important aspect of proteomics, yet not addressed, is that proteomics methods should focus on studying proteins in the context of the environment. The increasing use of chemical cross linkers, introduced into living cells to fix protein-protein, protein-DNA and other interactions, may ameliorate this problem partially. The challenge is to identify suitable methods of preserving relevant interactions. Another goal for studying protein is to develop more sophisticated methods to image proteins and other molecules in living cells and real time. [30]

Systems biology Edit

Advances in quantitative proteomics would clearly enable more in-depth analysis of cellular systems. [37] [38] Biological systems are subject to a variety of perturbations (cell cycle, cellular differentiation, carcinogenesis, environment (biophysical), etc.). Transcriptional and translational responses to these perturbations results in functional changes to the proteome implicated in response to the stimulus. Therefore, describing and quantifying proteome-wide changes in protein abundance is crucial towards understanding biological phenomenon more holistically, on the level of the entire system. In this way, proteomics can be seen as complementary to genomics, transcriptomics, epigenomics, metabolomics, and other -omics approaches in integrative analyses attempting to define biological phenotypes more comprehensively. As an example, The Cancer Proteome Atlas provides quantitative protein expression data for

200 proteins in over 4,000 tumor samples with matched transcriptomic and genomic data from The Cancer Genome Atlas. [54] Similar datasets in other cell types, tissue types, and species, particularly using deep shotgun mass spectrometry, will be an immensely important resource for research in fields like cancer biology, developmental and stem cell biology, medicine, and evolutionary biology.

Human plasma proteome Edit

Characterizing the human plasma proteome has become a major goal in the proteomics arena, but it is also the most challenging proteomes of all human tissues. [55] It contains immunoglobulin, cytokines, protein hormones, and secreted proteins indicative of infection on top of resident, hemostatic proteins. It also contains tissue leakage proteins due to the blood circulation through different tissues in the body. The blood thus contains information on the physiological state of all tissues and, combined with its accessibility, makes the blood proteome invaluable for medical purposes. It is thought that characterizing the proteome of blood plasma is a daunting challenge.

The depth of the plasma proteome encompassing a dynamic range of more than 10 10 between the highest abundant protein (albumin) and the lowest (some cytokines) and is thought to be one of the main challenges for proteomics. [56] Temporal and spatial dynamics further complicate the study of human plasma proteome. The turnover of some proteins is quite faster than others and the protein content of an artery may substantially vary from that of a vein. All these differences make even the simplest proteomic task of cataloging the proteome seem out of reach. To tackle this problem, priorities need to be established. Capturing the most meaningful subset of proteins among the entire proteome to generate a diagnostic tool is one such priority. Secondly, since cancer is associated with enhanced glycosylation of proteins, methods that focus on this part of proteins will also be useful. Again: multiparameter analysis best reveals a pathological state. As these technologies improve, the disease profiles should be continually related to respective gene expression changes. [30] Due to the above-mentioned problems plasma proteomics remained challenging. However, technological advancements and continuous developments seem to result in a revival of plasma proteomics as it was shown recently by a technology called plasma proteome profiling. [57] Due to such technologies researchers were able to investigate inflammation processes in mice, the heritability of plasma proteomes as well as to show the effect of such a common life style change like weight loss on the plasma proteome. [58] [59] [60]

Numerous journals are dedicated to the field of proteomics and related areas. Note that journals dealing with bielkoviny are usually more focused on structure and function while proteomika journals are more focused on the large-scale analysis of whole proteomes or at least large sets of proteins. Some of the more important ones [ according to whom? ] are listed below (with their publishers).


9.7: Other Methods - Biology

Všetky články publikované spoločnosťou MDPI sú okamžite dostupné na celom svete pod licenciou otvoreného prístupu. Na opätovné použitie celého alebo časti článku publikovaného MDPI vrátane obrázkov a tabuliek nie je potrebné žiadne špeciálne povolenie. V prípade článkov publikovaných pod licenciou Creative Common CC BY s otvoreným prístupom môže byť akákoľvek časť článku znovu použitá bez povolenia za predpokladu, že je jasne citovaný pôvodný článok.

Feature Papers predstavujú najpokročilejší výskum s významným potenciálom vysokého vplyvu v tejto oblasti. Príspevky sú predkladané na základe individuálneho pozvania alebo odporúčania vedeckých redaktorov a pred publikovaním prechádzajú partnerským hodnotením.

Feature Paper môže byť buď pôvodný výskumný článok, zásadná nová výskumná štúdia, ktorá často zahŕňa niekoľko techník alebo prístupov, alebo komplexný hodnotiaci dokument so stručnými a presnými aktualizáciami o najnovšom pokroku v tejto oblasti, ktorý systematicky hodnotí najzaujímavejšie pokroky vo vede literatúre. Tento typ papiera poskytuje pohľad na budúce smery výskumu alebo možné aplikácie.

Články editora Choice sú založené na odporúčaniach vedeckých redaktorov časopisov MDPI z celého sveta. Redaktori vyberajú malý počet článkov nedávno publikovaných v časopise, o ktorých sa domnievajú, že budú pre autorov obzvlášť zaujímavé alebo dôležité v tejto oblasti. Cieľom je poskytnúť prehľad niektorých z najzaujímavejších prác publikovaných v rôznych oblastiach výskumu časopisu.


Rule 3: Take Notes While Reading

If you read the papers first, and only afterwards start writing the review, you will need a very good memory to remember who wrote what, and what your impressions and associations were while reading each single paper. My advice is, while reading, to start writing down interesting pieces of information, insights about how to organize the review, and thoughts on what to write. This way, by the time you have read the literature you selected, you will already have a rough draft of the review.

Of course, this draft will still need much rewriting, restructuring, and rethinking to obtain a text with a coherent argument [11], but you will have avoided the danger posed by staring at a blank document. Be careful when taking notes to use quotation marks if you are provisionally copying verbatim from the literature. It is advisable then to reformulate such quotes with your own words in the final draft. It is important to be careful in noting the references already at this stage, so as to avoid misattributions. Using referencing software from the very beginning of your endeavour will save you time.


Top 6 typov interakcie génov epistázy

Nasledujúce body zdôrazňujú prvých šesť typov interakcií génu epistázy. Ide o tieto druhy: 1. Recesívna epistáza 2. Dominantná epistáza 3. Dominantná [inhibičná] epistáza 4. Duplicitná recesívna epistáza 5. Duplikát dominantnej epistázy 6. Interakcia polymérneho génu.

Interakcia génu epistázy: Typ # 1.

Recesívna epistáza [pomer 9:3:4]:

Keď recesívne alely na jednom mieste maskujú expresiu (dominantných aj recesívnych) alel na inom mieste, je to známe ako recesívna epistáza. Tento typ génovej interakcie je známy aj ako doplnková epistáza. Dobrým príkladom takejto génovej interakcie je farba zrna v kukurici.

V kukurici existujú tri farby zrna, a to fialová, červená a biela. Fialová farba sa vyvíja v prítomnosti dvoch dominantných génov (R a P), červená farba v prítomnosti dominantného génu R a biela v homozygotnom recesívnom stave (rrpp).

Kríženie medzi fialovými (RRPP) a bielymi (rrpp) kmeňmi kukurice produkujúce rastliny s fialovou farbou v F1. Vzájomné párenie týchto F1 rastliny produkovali potomstvo s purpurovými, červenými a bielymi zrnami vo F2 v pomere 9 : 3 : 4 (obr. 8.2).

Alela r je tu recesívna voči R, ale epistatická pre alely P a p. V F.2, všetky rastliny s R-P- (9/16) budú mať purpurové zrná a tie s genotypom R-pp ​​(3/16) majú červenú farbu zrna. Epistatická alela r v homozygotnom stave bude produkovať rastliny s bielymi zrnami z genotypov rrP- (3/16) a rrpp (1/16).

Normálny segregačný pomer 9 : 3 : 3 : 1 je teda upravený na 9 : 3 : 4 vo F2 generácie. Tento typ génovej interakcie sa vyskytuje aj pre farbu srsti u myší, farbu žiarovky v cibuli a pre určité znaky v mnohých ďalších organizmoch.

Interakcia génu epistázy: Typ # 2.

Dominantná epistáza [pomer 12: 3: 1]:

Keď dominantná alela na jednom mieste môže maskovať expresiu oboch alel (dominantných aj recesívnych) na inom mieste, je to známe ako dominantná epistáza. Inými slovami, expresia jednej dominantnej alebo recesívnej alely je maskovaná iným dominantným génom. Toto sa tiež označuje ako jednoduchá epistáza.

Príkladom dominantnej epistázy je farba ovocia v letnej tekvici. V tejto uhorke sú tri druhy ovocných farieb, a to biela, žltá a zelená. Bielu farbu riadi dominantný gén W a žltú farbu dominantný gén G. Biela je dominantná nad žltou aj zelenou.

Zelené plody sa vyrábajú v recesívnom stave (wwgg). Kríženie rastlín s bielymi a žltými plodmi vytvorilo F1 s bielym ovocím. Medzi párením F1 rastliny produkovali rastliny s bielym, žltým a zeleným sfarbením ovocia vo F2 v pomere 12: 3: 1 (obr. 8.3). Dá sa to vysvetliť nasledovne.

Tu je W dominantné voči w a epistatické voči alelám G a g. Preto bude maskovať expresiu alel G/g. Preto vo F.2, rastliny s genotypmi WG-(9/16) a W-gg (3/16) budú produkovať biele plody rastliny s wwG-(3/16) budú produkovať žlté plody a rastliny s genotypom wwgg (1/16) budú produkovať zelené plody ovocie.

Normálny dihybridný pomer 9: 3: 3: 1 sa teda upraví na pomer 12: 3: 1 vo F2 generácie. Podobný typ génovej interakcie bol hlásený pre farbu pokožky u myší a farbu srsti semien u jačmeňa.

Interakcia génu epistázy: Typ # 3.

Dominantná [inhibičná] epistáza [pomer 13 : 3]:

V tomto type epistázy môže dominantná alela na jednom mieste maskovať expresiu oboch (dominantných aj recesívnych) alel v druhom mieste. Toto je tiež známe ako interakcia inhibičných génov. Príklad tohto typu génovej interakcie sa nachádza pre pigmentáciu antokyanínov v ryži.

Zelená farba rastlín sa riadi génom I, ktorý je dominantný nad purpurovou farbou. Fialová farba je riadená dominantným génom P. Keď bol vytvorený kríž medzi zelenými (IIpp) a purpurovými (iiPP) rastlinami, F1 bola zelená. Medzi párením F1 rastliny produkovali zelené a fialové rastliny v pomere 13 : 3 v F2 (Obr. 8.4). Dá sa to vysvetliť nasledovne.

Alela I je neepistatická k alelám P a p. Preto vo F.2, rastliny s genotypmi I-P- (9/16), I-pp (3/16) a iipp (1/16) budú zelené, pretože zamaskujem účinok P alebo p. Rastliny s iiP- (3/16) budú purpurové, pretože I chýba.

Týmto spôsobom je normálny dihybridný segregačný pomer 9: 3: 3: 1 upravený na pomer 13: 3. Podobná génová interakcia sa vyskytuje pre farbu zrna u kukurice, farbu peria u hydiny a určité znaky u iných plodín.

Interakcia génu epistázy: Typ # 4.

Duplicitná recesívna epistáza [9 : 7 pomer]:

Keď recesívne alely v jednom z dvoch lokusov môžu maskovať expresiu dominantných alel v dvoch lokusoch, nazýva sa to duplicitná recesívna epistáza. Toto je tiež známe ako komplementárna epistáza. Najlepší príklad duplicitnej recesívnej epistázy, ak sa zistí pre farbu kvetov v sladkom hrášku.

Fialová farba kvetu v hrášku sa riadi dvoma dominantnými génmi, povedzme A a B. Keď sú tieto gény u samostatných jedincov (AAbb alebo aaBB) alebo recesívnych (aabb), produkujú biely kvet.

Kríženec medzi kmeňmi purpurových kvetov (AABB) a bielych kvetov (aabb) priniesol purpurovú farbu vo F.1. Medzi párením F1 rastliny produkovali fialové a biele kvety v pomere 9 : 7 v F2 generácie (obr. 8.5). Dá sa to vysvetliť nasledovne.

Tu recesívna alela je aepistatická k B/b alelám a maskuje expresiu týchto alel. Ďalšia recesívna alela b je epistatická k alelám A/a a maskuje ich prejav.

Preto vo F.2rastliny s genotypmi A-B- (9/16) budú mať purpurové kvety a rastliny s genotypmi aaB- (3/16), A-bb- (3/16) a aabb (1/16) produkujú biele kvety. Produkujú sa teda iba dve fenotypové triedy, tj. Purpurová a biela, a normálny pomer dihybridnej segregácie 9: 3: 3: 1 sa zmení na pomer 9: 7 vo F2 generácie.

Interakcia génu epistázy: Typ # 5.

Duplicitná dominantná epistáza [pomer 15: 1]:

Keď dominantná alela na ktoromkoľvek z dvoch lokusov môže maskovať expresiu recesívnych alel na dvoch lokusoch, je to známe ako duplicitná dominantná epistáza. Toto sa nazýva aj duplicitné pôsobenie génu. Dobrým príkladom duplicitnej dominantnej epistázy je znak awn v ryži. Vývoj ryže v ryži je riadený dvoma dominantnými duplicitnými génmi (A a B).

Prítomnosť ktorejkoľvek z týchto dvoch alel môže produkovať awn. Stav bez markízy sa vyvíja iba vtedy, keď sú oba tieto gény v homozygotnom recesívnom stave (aabb). Kríž medzi kmeňmi markízy a bez markízy produkoval rastliny markízy vo F1. Medzi párením F1 rastliny vyrábali rastliny s markízou a bez markízy v pomere 15 : 1 vo F2 generácie (obr. 8.6). Dá sa to vysvetliť nasledovne.

Alela A je epistatická k alelám B/b a všetky rastliny s alelou A sa vyvinú awn. Ďalšia dominantná alela B je epistatická pre alely A/a. Jedinci s touto alelou tiež vyvinú awn charakter. Preto vo F.2u rastlín s genotypmi A-B-(9/16), A-bb-(3/16) a aaB-(3/16) sa vyvinie awn.

Stav bez markízy sa vyvinie iba v dvojito recesívnom (aabb) genotype (1/16). Týmto spôsobom sa vyvinú len dve triedy rastlín a normálny dihybridný segregačný pomer 9 : 3 : 3 : 1 sa upraví na pomer 15 : 1 vo F.2. Podobné génové pôsobenie sa vyskytuje pri uzlovaní arašidovom a neplávajúcom charaktere v ryži.

Interakcia génu epistázy: Typ # 6.

Interakcia polymérnych génov [pomer 9:6:1]:

Dve dominantné alely majú podobný účinok, ak sú oddelené, ale keď sa spoja, pôsobia zosilnene. Takáto génová interakcia je známa ako polymérna génová interakcia. Zdá sa, že spoločný účinok dvoch alel je aditívny alebo kumulatívny, ale každý z týchto dvoch génov vykazuje úplnú dominanciu, a preto ich nemožno považovať za aditívne gény. V prípade aditívneho účinku gény vykazujú nedostatočnú dominanciu.

Dobre známym príkladom interakcie polymérnych génov je tvar ovocia v letnej tekvici. V tejto rastline existujú tri druhy tvaru ovocia, a to kotúčové, sférické a dlhé. Diskový tvar je riadený dvoma dominantnými génmi (A a B), guľovitý tvar je produkovaný buď dominantnou alelou (A alebo B) a dlhé plody sa vyvíjajú v dvojito recesívnych (aabb) rastlinách.

Kríž medzi kmeňmi tvaru disku (AABB) a dlhého tvaru (aabb) priniesol ovocie tvaru disku vo F1. Medzi párením F1 rastliny produkovali rastliny s diskovými, sférickými a dlhými plodmi v pomere 9: 6: 1 vo F2 (Obr. 8.7). Dá sa to vysvetliť nasledovne.

Tu rastliny s genotypmi A—B—(9/16) produkujú plody v tvare disku, rastliny s genotypmi A-bb-(3/16) a aaB-(3/16) produkujú guľovité plody a rastliny s aabb (1/16 ) genotyp produkujú dlhé plody. Preto vo F2normálny dihybridný segregačný pomer 9: 3: 3: 1 sa upraví na pomer 9: 6: 1. Podobné génové pôsobenie sa nachádza aj u jačmeňa v dĺžke awn.


9.1 Goals for this chapter

Extend linear dimension reduction methods to cases when the distances between observations are available, known as multidimensional scaling (MDS) or principal coordinates analysis.

Find modifications of MDS that are nonlinear and robust to outliers.

Encode combinations of categorical data and continuous data as well as so-called ‘supplementary’ information. We will see that this enables us to remove batch effects.

Use chi-square distances and correspondence analysis (CA) to see where categorical data (contingency tables) contain notable dependencies.

Generalize clustering methods that can uncover latent variables that are not categorical. This will allow us to detect gradients, “pseudotime” and hidden nonlinear effects in our data.

Generalize the notion of variance and covariance to the study of tables of data from multiple different data domains.


Referencie

Turing, A.M. The chemical basis of morphogenesis. 1953. Bull. Matematika. Biol. 52, 153–197, discussion 119–152 (1990).

Altschul, S.F., Gish, W., Miller, W., Myers, E.W. & Lipman, D.J. Basic local alignment search tool. J. Mol. Biol. 215, 403–410 (1990).

Myers, E.W. et al. A whole-genome assembly of Drosophila. Veda 287, 2196–2204 (2000).

Neumann, B. et al. Phenotypic profiling of the human genome by time-lapse microscopy reveals cell division genes. Príroda 464, 721–727 (2010).

Collinet, C. et al. Systems survey of endocytosis by multiparametric image analysis. Príroda 464, 243–249 (2010).

Shariff, A., Kangas, J., Coelho, L.P., Quinn, S. & Murphy, R.F. Automated image analysis for high-content screening and analysis. J. Biomol. Screen. 15, 726–734 (2010).

Megason, S.G. & Fraser, S.E. Imaging in systems biology. Bunka 130, 784–795 (2007).

Keller, P.J., Schmidt, A.D., Wittbrodt, J. & Stelzer, E.H. Reconstruction of zebrafish early embryonic development by scanned light sheet microscopy. Veda 322, 1065–1069 (2008).

Fowlkes, C.C. a kol. A quantitative spatiotemporal atlas of gene expression in the Drosophila blastoderm. Bunka 133, 364–374 (2008).

Anderson, J.R. et al. A computational framework for ultrastructural mapping of neural circuitry. PLoS Biol. 7, e1000074 (2009).

Saalfeld, S., Cardona, A., Hartenstein, V. & Tomancak, P. As-rigid-as-possible mosaicking and serial section registration of large ssTEM datasets. Bioinformatika 26, i57–i63 (2010).

Murray, J.I. a kol. Automated analysis of embryonic gene expression with cellular resolution in C. elegans. Nat. Metódy 5, 703–709 (2008).

Fernandez, R. et al. Imaging plant growth in 4D: robust tissue reconstruction and lineaging at cell resolution. Nat. Metódy 7, 547–553 (2010).

Bao, Z. et al. Automated cell lineage tracing in Caenorhabditis elegans. Proc. Natl. Akad. Sci. USA 103, 2707–2712 (2006).

Long, F., Peng, H., Liu, X., Kim, S.K. & Myers, E. A 3D digital atlas of C. elegans and its application to single-cell analyses. Nat. Metódy 6, 667–672 (2009).

Peng, H. et al. BrainAligner: 3D registration atlases of Drosophila mozgy. Nat. Metódy 8, 493–500 (2011).

Swedlow, J.R. & Eliceiri, K.W. Open source bioimage informatics for cell biology. Trends Cell Biol. 19, 656–660 (2009).

Peng, H. Bioimage informatics: a new area of engineering biology. Bioinformatika 24, 1827–1836 (2008).

Abramoff, M.D., Magalhaes, P.J. & Ram, S.J. Image processing with ImageJ. Biophotonics International 11, 36–42 (2004).

Carpenter, A.E. et al. CellProfiler: image analysis software for identifying and quantifying cell phenotypes. Genome Biol. 7, R100 (2006).

Peng, H., Ruan, Z., Long, F., Simpson, J.H. & Myers, E.W. V3D enables real-time 3D visualization and quantitative analysis of large-scale biological image data sets. Nat. Biotechnol. 28, 348–353 (2010).

de Chaumont, F., Dallongeville, S. & Olivo-Marin, J.-C. ICY: a new open-source community image processing software in. IEEE Int. Symp. on Biomedical Imaging 234–237 (2011).

Berthold, M.R. et al. KNIME: the Konstanz Information Miner. v Studies in Classification, Data Analysis, and Knowledge Organization (GfKL 2007) 319–326 (Springer, 2007).

Cardona, A. et al. TrakEM2 software for neural circuit reconstruction. PLoS One (v tlači).

Schmid, B., Schindelin, J., Cardona, A., Longair, M. & Heisenberg, M. A high-level 3D visualization API for Java and ImageJ. Bioinformatika BMC 11, 274 (2010).

Preibisch, S., Saalfeld, S., Schindelin, J. & Tomancak, P. Software for bead-based registration of selective plane illumination microscopy data. Nat. Metódy 7, 418–419 (2010).

Preibisch, S., Tomancak, P. & Saalfeld, S. in Proc. ImageJ User and Developer Conf. 1, 72–76 (2010).

Matas, J., Chum, O., Urban, M. & Pajdla, T. Robust wide baseline stereo from maximally stable extremal regions. Image Vis. Výpočet. 22, 761–767 (2004).

Ibanez, L., Schroeder, W., Ng, L. & Cates, J. The ITK Software Guide (Kitware Inc., 2005).

Köthe, U. Reusable software in computer vision. v Handbook of Computer Vision and Applications Vol. 3 (eds. Jähne, B., Haussecker, H. & Geissler P.) 103–132 (San Diego: Academic Press, 1999).

Preibisch, S., Saalfeld, S. & Tomancak, P. Globally optimal stitching of tiled 3D microscopic image acquisitions. Bioinformatika 25, 1463–1465 (2009).

Cardona, A. et al. An integrated micro- and macroarchitectural analysis of the Drosophila brain by computer-assisted serial section electron microscopy. PLoS Biol. 8, e1000502 (2010).

Bock, D.D. a kol. Network anatomy and in vivo physiology of visual cortical neurons. Príroda 471, 177–182 (2011).

Kaynig, V., Fischer, B., Müller, E. & Buhmann, J.M. Fully automatic stitching and distortion correction of transmission electron microscope images. J. Struct. Biol. 171, 163–173 (2010).

Saalfeld, S., Fetter, R., Cardona, A. & Tomancak, P. Elastic volume reconstruction from series of ultrathin microscopy sections. Prírodné metódy advance online publication, doi:10.1038/nmeth.2072 (10 June 2012).

Arganda-Carreras, I. et al. Consistent and elastic registration of histological sections using vector-spline regularization. v Prednášky z informatiky 4241, 85–95 (Springer, 2006).

Lowe, D.G. Distinctive image features from scale-invariant keypoints. Int. J. Comput. Vis. 60, 91–110 (2004).

Sethian, J.A. Level Set Methods and Fast Marching Methods: Evolving Interfaces in Computational Geometry, Fluid Mechanics, Computer Vision, and Materials Science (Cambridge University Press, 1999).

Kass, M., Witkin, A. & Terzopoulos, D. Snakes: active contour models. Int. J. Comput. Vis. 1, 321–331 (1988).

Hall, M. et al. The WEKA data mining software: an update. SIGKDD Explor. 11, 10–18 (2009).

Kaynig, V., Fuchs, T.J. & Buhmann, J.M. Geometrical consistent 3D tracing of neuronal processes in ssTEM data. Med. Obrázok. Výpočet. Výpočet. Assist. Interv. 13, 209–216 (2010).

Cardona, A. et al. Identifying neuronal lineages of Drosophila by sequence analysis of axon tracts. J. Neurosci. 30, 7538–7553 (2010).

Longair, M.H., Baker, D.A. & Armstrong, J.D. Simple Neurite Tracer: open source software for reconstruction, visualization and analysis of neuronal processes. Bioinformatika 27, 2453–2454 (2011).

Edelstein, A., Amodaj, N., Hoover, K., Vale, R. & Stuurman, N. Computer control of microscopes using μManager. v Aktuálne protokoly v molekulárnej biológii (John Wiley & Sons, Inc., 2010).


Pozri si video: Érettségi 2017 - Biológia: A vírusok (Február 2023).