Em formação

10.5: Revisão de conceito - Biologia


  1. Qual é a base para a separação de fragmentos de DNA por eletroforese?
  2. Qual é o custo das amostras?
  3. O que você acha que aconteceria nas moléculas com carga oposta?
  4. O que aconteceria se você conectasse um eletrodo vermelho e preto nos lados errados?
  5. Se uma molécula de DNA tem três sítios de restrição, para a enzima de restrição A, quantos fragmentos seriam produzidos.
  6. Usando enzimas de restrição, um pedaço de DNA é cortado em 4 pedaços, os fragmentos são separados por eletroforese em gel. Abaixo estão os resultados:
    1. Qual fragmento seria o maior?
    2. Qual fragmento seria o menor?
  7. Abaixo estão uma fita de duas amostras de DNA.
    1. Amostra # 1: C A G T G A T C T C G A A T T C G C T A G T A C G T T
    2. Amostra # 2: T C A T G A A T T C C T G G A A T C A G C A A A T G C A
    3. Ambas as amostras são tratadas com uma enzima de restrição da enzima de restrição EcoR1 que corta o DNA na sequência GAATTC.
    4. Indique o número de fragmentos que seriam gerados por cada amostra.
  8. Compare a impressão digital de DNA da cena do crime com os 3 suspeitos. Qual suspeito cometeu o crime?

Este trabalho é de domínio público - http://www.genome.gov/glossary/


10.5: Revisão de conceito - Biologia

Todos os artigos publicados pela MDPI são disponibilizados imediatamente em todo o mundo sob uma licença de acesso aberto. Nenhuma permissão especial é necessária para reutilizar a totalidade ou parte do artigo publicado pela MDPI, incluindo figuras e tabelas. Para artigos publicados sob uma licença Creative Common CC BY de acesso aberto, qualquer parte do artigo pode ser reutilizada sem permissão, desde que o artigo original seja claramente citado.

Os artigos de destaque representam a pesquisa mais avançada com potencial significativo de alto impacto no campo. Artigos de destaque são submetidos a convite individual ou recomendação dos editores científicos e passam por revisão por pares antes da publicação.

O artigo pode ser um artigo de pesquisa original, um estudo de pesquisa substancial que frequentemente envolve várias técnicas ou abordagens ou um artigo de revisão abrangente com atualizações concisas e precisas sobre os últimos avanços no campo que revisa sistematicamente os avanços mais interessantes na área científica literatura. Este tipo de artigo fornece uma perspectiva sobre as futuras direções de pesquisa ou possíveis aplicações.

Os artigos do Editor’s Choice são baseados nas recomendações dos editores científicos de periódicos MDPI de todo o mundo. Os editores selecionam um pequeno número de artigos publicados recentemente na revista que eles acreditam ser particularmente interessantes para os autores ou importantes neste campo. O objetivo é fornecer um instantâneo de alguns dos trabalhos mais interessantes publicados nas várias áreas de pesquisa da revista.


10.5 Divisão Celular Procariótica

Ao final desta seção, você será capaz de fazer o seguinte:

  • Descreva o processo de fissão binária em procariotos
  • Explique como as proteínas FtsZ e tubulina são exemplos de homologia

Os procariotos, como as bactérias, produzem células-filhas por fissão binária. Para organismos unicelulares, a divisão celular é o único método para produzir novos indivíduos. Em células procarióticas e eucarióticas, o resultado da reprodução celular é um par de células-filhas que são geneticamente idênticas à célula-mãe. Em organismos unicelulares, as células-filhas são indivíduos.

Para alcançar o resultado de descendência clonada, certas etapas são essenciais. O DNA genômico deve ser replicado e então alocado nas células-filhas, o conteúdo citoplasmático também deve ser dividido para dar a ambas as novas células a maquinaria celular para sustentar a vida. Como vimos com as células bacterianas, o genoma consiste em um único cromossomo de DNA circular, portanto, o processo de divisão celular é simplificado. A cariocinese é desnecessária porque não há núcleo verdadeiro e, portanto, não há necessidade de direcionar uma cópia dos vários cromossomos para cada célula filha. Este tipo de divisão celular é denominado fissão binária (procariótica).

Fissão Binária

Devido à relativa simplicidade dos procariotos, o processo de divisão celular é menos complicado e muito mais rápido do que a divisão celular em eucariotos. Como uma revisão das informações gerais sobre a divisão celular que discutimos no início deste capítulo, lembre-se de que o único cromossomo circular do DNA da bactéria ocupa um local específico, a região nucleóide, dentro da célula (Figura 10.2). Embora o DNA do nucleóide esteja associado a proteínas que auxiliam no empacotamento da molécula em um tamanho compacto, não há proteínas histonas e, portanto, não há nucleossomos em procariotos. As proteínas de empacotamento de bactérias estão, entretanto, relacionadas às proteínas coesina e condensina envolvidas na compactação cromossômica de eucariotos.

O cromossomo bacteriano está ligado à membrana plasmática em torno do ponto médio da célula. O ponto de partida da replicação, a origem, está próximo ao local de ligação do cromossomo à membrana plasmática (Figura 10.15). A replicação do DNA é bidirecional, afastando-se da origem em ambas as fitas do loop simultaneamente. À medida que as novas fitas duplas são formadas, cada ponto de origem se afasta da fixação da parede celular em direção às extremidades opostas da célula. À medida que a célula se alonga, a membrana crescente auxilia no transporte dos cromossomos. Depois que os cromossomos limparam o ponto médio da célula alongada, a separação citoplasmática começa. A formação de um anel composto de unidades repetidas de uma proteína chamada FtsZ (abreviação de “filamenting mutante sensível à temperatura Z”) direciona a partição entre os nucleoides. A formação do anel FtsZ desencadeia o acúmulo de outras proteínas que trabalham juntas para recrutar novos materiais de membrana e parede celular para o local. Um septo é formado entre os nucleoides filhos, estendendo-se gradualmente da periferia em direção ao centro da célula. Quando as novas paredes celulares estão no lugar, as células-filhas se separam.

Conexão de evolução

Aparelho de Fuso Mitótico

O momento preciso e a formação do fuso mitótico são críticos para o sucesso da divisão das células eucarióticas. As células procarióticas, por outro lado, não sofrem cariocinese e, portanto, não precisam de um fuso mitótico. No entanto, a proteína FtsZ que desempenha um papel vital na citocinese procariótica é estrutural e funcionalmente muito semelhante à tubulina, o bloco de construção dos microtúbulos que constituem as fibras do fuso mitótico que são necessárias para a divisão nuclear eucariótica. As proteínas FtsZ podem formar filamentos, anéis e outras estruturas tridimensionais que se assemelham à forma como a tubulina forma microtúbulos, centríolos e vários componentes do citoesqueleto. Além disso, tanto o FtsZ quanto a tubulina empregam a mesma fonte de energia, GTP (trifosfato de guanosina), para montar e desmontar rapidamente estruturas complexas.

FtsZ e tubulina são considerados estruturas homólogas derivadas de origens evolutivas comuns. Neste exemplo, FtsZ é a proteína ancestral da tubulina (uma proteína derivada evolutivamente). Embora ambas as proteínas sejam encontradas em organismos existentes, a função da tubulina evoluiu e se diversificou enormemente desde a evolução de sua origem procariótica FtsZ. Uma pesquisa dos componentes da montagem mitótica encontrados nos eucariotos unicelulares atuais revela etapas intermediárias cruciais para os complexos genomas encerrados por membrana de eucariotos multicelulares (Tabela 10.3).


Referências

Alon U (2003) Redes biológicas: o mexedor como engenheiro. Science 301 (5641): 1866–1867

Alon U (2007) Motivos de rede: teoria e abordagens experimentais. Nat Rev Genet 8: 450-461

Andasari V, Gerisch A, Lolas G, South A, Capelão MJ (2011) Modelagem matemática da invasão de células cancerosas no tecido: visão biológica a partir de análise matemática e simulação computacional. J Math Biol 63 (1): 141–171

Arrell DK, Terzic A (2010) Network systems biology for drug discovery. Clin Pharmacol Ther 88 (1): 120-125

Azmi AS, Wang Z, Philip PA, Mohammad RM, Sarkar FH (2010) Prova de conceito: abordagens de biologia de rede e sistemas auxiliam na descoberta de combinações de drogas anticâncer potentes. Mol Cancer Ther 9 (12): 3137-3144

Bajikar S, Janes K (2012) Modelos multiescala de sinalização celular. Ann Biomed Eng 40 (11): 2319–2327

Barabási A-L (2007) Rede de medicina - da obesidade ao “doente”. N Engl J Med 357 (4): 404-407

Barkai N, Leibler S (1997) Robustness in simple bioochemical networks. Nature 387 (6636): 913-917

Bauer-Mehren A, Furlong LI, Sanz F (2009). Bancos de dados de caminhos e ferramentas para sua exploração: benefícios, limitações e desafios atuais. Mol Syst Biol 5 (Artigo número 290)

Becker S, Feist A, Mo M, Hannum G, Palsson B, Herrgard M (2007) Predição quantitativa do metabolismo celular com modelos baseados em restrições: o COBRA Toolbox. Nat Protoc 2: 727-738

Bergman RN (1997) O modelo mínimo: ontem, hoje e amanhã. In: Bergman RN, Lovejoy JC (eds) A abordagem do modelo mínimo e determinação da tolerância à glicose. LSU Press, Baton Rouge, pp 3-50

Bergman RN (2001) O modelo mínimo de regulação da glicose: uma biografia. In: Novotny J, Green M, Boston R (eds) Modelagem matemática em nutrição e saúde. Kluwer Academic / Plenum, Dordrecht / Nova York

Bertoletti A, Maini MK, Ferrari C (2010) A interação patógeno-hospedeiro durante a infecção pelo VHB: controvérsias imunológicas. Antivir Ther 15 (3): 15-24

Bhalla US, Iyengar R (1999) Propriedades emergentes de redes de vias de sinalização biológica. Science 283 (5400): 381-387

Bhat PJ, Darunte L, Kareenhalli V, Dandekar J, Kumar A (2011) A plasticidade metabólica pode ser uma causa de câncer? O legado de Warburg – Waddington revisitado. Clin Epigenet 2: 113-122

Bogle IDL, Allen R, Sumner T (2010) O papel da engenharia de processo auxiliada por computador em fisiologia e medicina clínica. Comput Chem Eng 34 (5): 763-769

Botstein D, White RL, Skolnick M, Davis RW (1980) Construção de um mapa de ligação genética no homem usando polimorfismos de comprimento de fragmento de restrição. Am J Hum Genet 32 ​​(3): 314–331

Brandman O, Ferrell JE Jr, Li R, Meyer T (2005) Loops de feedback positivo rápidos e lentos interligados conduzem a decisões de célula confiáveis. Science 310 (5747): 496–498

Butcher EC, Berg EL, Kunkel EJ (2004) Systems biology in drug discovery. Nat Biotechnol 22 (10): 1253-1259

Butler D (1999) Computing 2010: from black hole to biology. Nature 402 (6761 Supl): C67 – C70

Chan P, Holford N (2001) Efeitos do tratamento de drogas na progressão da doença. Annu Rev Pharmacol Toxicol 41 (1): 625-659

Chandra N (2009) Abordagem de sistemas computacionais para descoberta de alvos de drogas. Expert Opin Drug Discov 4 (12): 1221–1236

Chautard E, Thierry-Mieg N, Ricard-Blum S (2009) Redes de interação: das funções da proteína à descoberta de drogas. Uma revisão. Pathol Biol (Paris) 57 (4): 324-333

Chen C-L, Tsai H-W, Wong S – S (2010a) Modeling the physiological glucose-insulin dynamic system on diabetics. J Theor Biol 265 (3): 314-322

Chen Q, Wang Z, Wei D (2010b) Progresso nas aplicações de análise de fluxo de redes metabólicas. Chin Sci Bull 55 (22): 2315–2322

Chen Y, Zhang W, Gan M, Jiang R (2012) Construindo redes de interação do fenômeno humano para a priorização do gene candidato. Interface Stat 5: 137-148

Cheng TMK, Gulati S, Agius R, Bates PA (2012) Entendendo os mecanismos do câncer por meio da dinâmica de rede. Briefings Funct Genomics 11 (6): 543–560

Chew YH, Shia YL, Lee CT, Majid FAA, Chua LS, Sarmidi MR, Aziz AR (2009) Modeling of glucose regulamento and insulin-signaling pathways. Mol Cell Endocrinol 303: 13-24

Cho CR, Labow M, Reinhardt M, van Oostrum J, Peitsch MC (2006) The application of systems biology to drug discovery. Curr Opin Chem Biol 10 (4): 294–302

Cho B-K, Charusanti P, Herrgård MJ, Palsson B (2007) Redes regulatórias e metabólicas microbianas. Curr Opin Biotechnol 18 (4): 360-364

Cloutier M, Wang E (2011) Modelagem dinâmica e análise de motivos de rede celular de câncer. Integr Biol 3 (7): 724-732

Comen E, Morris P, Norton L (2012) Traduzindo a modelagem matemática dos padrões de crescimento do tumor em novas abordagens terapêuticas para o câncer de mama. J Mammary Gland Biol Neoplasia 17 (3-4): 241-249

Csete ME, Doyle JC (2002) Engenharia reversa da complexidade biológica. Science 295 (5560): 1664–1669

Cuccato G, Gatta GD, di Bernardo D (2009) Sistemas e biologia sintética: enfrentando redes genéticas e doenças complexas. Hereditariedade 102 (6): 527-532

Dalla Man C, Rizza RA (2007) Modelo de simulação de refeição do sistema glicose-insulina. IEEE Trans Biomed Eng 54:10

De Gaetano A, Hardy T, Beck B, Abu-Raddad E, Palumbo P, Bue-Valleskey J, Porksen N (2008) Modelos matemáticos de progressão do diabetes. Am J Physiol Endocrinol Metab 295 (6): E1462 – E1479

de Graaf AA, Freidig AP, De Roos B, Jamshidi N, Heinemann M, Rullmann JAC, Hall KD, Adiels M, van Ommen B (2009) Modelagem da biologia de sistemas nutricionais: dos mecanismos moleculares à fisiologia. PLoS Comput Biol 5 (11): e1000554

Deisboeck TS, Wang Z, Macklin P, Cristini V (2011) Multiscale cancer model. Annu Rev Biomed Eng 13 (1): 127-155

del Sol A, Balling R, Hood L, Galas D (2010) Diseases as network perturbations. Curr Opin Biotechnol 21: 566-571

Duda DG, Munn LL, Jain RK (2013) Podemos identificar biomarcadores preditivos para terapia antiangiogênica de câncer usando modelagem matemática? J Natl Cancer Inst 105 (11): 762-765

Duffy BC, Zhu L, Decornez H, Kitchen DB (2012) Descoberta de drogas na fase inicial: quiminformática e técnicas computacionais na identificação de séries de chumbo. Bioorg Med Chem 20 (18): 5324-5342

Dunker AK, Lawson JD, Brown CJ et al (2001) Proteína intrinsecamente desordenada. J Mol Graph Model 19: 26-59

Edelman LB, Eddy JA, Price ND (2010) In silico models of cancer. Wiley Interdiscip Rev Syst Biol Med 2 (4): 438-459

Eissing T, Kuepfer L, Becker C, Bloco M, Coboeken K et al (2011) Uma plataforma de software de biologia de sistemas computacionais para modelagem e simulação multiescala: integrando fisiologia de corpo inteiro, biologia de doenças e redes de reação molecular. Front Physiol 2 (4): 1-10

Erler JT, Linding R (2010) Network-based drug and biomarkers. J Pathol 220 (2): 290-296

Ferrell JE (2002) Estados de autoperpetuação na transdução de sinal: feedback positivo, feedback duplo-negativo e biestabilidade. Curr Opin Cell Biol 14 (2): 140-148

Folger O, Jerby L, Frezza C, Gottlieb E, Ruppin E, Shlomi T (2011) Predicting drogas alvos seletivos no câncer através de redes metabólicas. Mol Syst Biol 7 (501): 1-10

Ge H, Walhout AJM, Vidal M (2003) Integrating ‘omic’ information: a bridge between genomics and systems biology. Trends Genet 19 (10): 551–560

Gehlenborg N, O’Donoghue SI, Baliga NS et al (2010) Visualização de dados ômicos para biologia de sistemas. Métodos Nat 7 (3s): S56-S68

Ghosh S, Young DL, Gadkar KG, Wennerberg L, Basu K (2007) Rumo a pacientes virtuais ideais: uma abordagem de controle adaptativo online. Engineering in Medicine and Biology Society, 2007. EMBS 2007. In: 29ª Conferência Internacional Anual do IEEE

Giri L, Mutalik V, Venkatesh K (2004) Uma análise de estado estacionário indica que a regulação de feedback negativo de PTP1B por Akt induz a biestabilidade na translocação de GLUT4 estimulada por insulina. Theor Biol Med Modelo 1 (1): 2

Goh K-I, Cusick ME, Valle D, Childs B, Vidal M, Barabasi A-L (2007) The human disease network. PNAS 104 (21): 8685-8690

Hageman BR, Trichler DL, Gaile DP (2012) Modelagem matemática e estatística em biologia de sistemas de câncer. Front Physiol 3 (227): 1–8

Hamosh A, Scott AF, Amberger JS, Bocchini CA, McKusick VA (2005) Herança Mendeliana online no homem (OMIM), uma base de conhecimento de genes humanos e doenças genéticas. Ácidos nucléicos Res 33 (supl. 1): D514-D517

Handorf T, Klipp E (2012) Modelando redes biológicas mecanicistas: uma abordagem booleana avançada. Bioinformática 28 (4): 557-563

Hartwell LH, Hopfield JJ, Leibler S, Murray AW (1999) From molecular to modular cell biology. Nature 402: C47 – C52

Hase T, Tanaka H, ​​Suzuki Y, Nakagawa S, Kitano H (2009) Estrutura das redes de interação de proteínas e suas implicações no design de drogas. PLoS Comput Biol 5 (10): e1000550

Heiner M, Gilbert D (2013) Engenharia de bioModelo para biologia de sistemas multiescala. Prog Biophys Mol Biol 111 (2-3): 119-128

Herrgård MJ, Covert MW, Palsson BØ (2004) Reconstruction of microbial transcriptional Regulation networks. Curr Opin Biotechnol 15 (1): 70-77

Houtman JCD, Barda-Saad M, Samelson LE (2005) Examining multiprotein signaling complexes from all angels. FEBS J 272 (21): 5426–5435

Hunter P, Smith N, Fernandez J, Tawhai M (2005) Integração das proteínas aos órgãos: o projeto fisioma IUPS. Mech Aging Dev 126 (1): 187–192

Hunter P, Chapman T, Coveney PV et al (2013) Uma visão e estratégia para o ser humano fisiológico virtual: atualização de 2012. Interface Focus 3 (2): 2042–8901

Imms R, Warburton C, Summers R (2011) Biologia da engenharia: conceituação e realização de modelos. Meas Control 44 (6): 175–179

Janes KA, Yaffe MB (2006) Modelagem baseada em dados de redes de transdução de sinal. Nat Rev Mol Cell Biol 7 (11): 820-828

Jordán F, Nguyen TP, Liu W (2012) Estudando redes de interação proteína-proteína: uma visão de sistemas em doenças. Briefings Funct Genomics 11 (6): 497–504

Jørgensen C, Linding R (2008) Redes de fosforilação direcional e quantitativa. Briefings Funct Genomics Proteomics 7 (1): 17-26

Kahraman A, Avramov A, Nashev LG et al (2005) PhenomicDB: um banco de dados de genótipos / fenótipos multiespécies para fenômenos comparativos. Bioinformática 21: 418–420

Kann MG (2007) Interações de proteínas e doenças: abordagens computacionais para descobrir a etiologia das doenças. Briefings Bioinform 8 (5): 333-346

Karp PD, Ouzounis CA, Moore-Kochlacs C, Goldovsky L et al (2005) Expansão da coleção BioCyc de bancos de dados de via / genoma para 160 genomas. Nucleic Acids Res 33 (19): 6083-6089

Kholodenko BN (2006) Cell-signaling dynamics in time and space. Nat Rev Mol Cell Biol 7 (3): 165-176

Kholodenko BN, Kiyatkin A, Bruggeman F, Sontag E, Westerhoff HV, Hoek JB (2002) Desembaraçando os fios: uma estratégia para rastrear interações funcionais em redes de sinalização e genes. Proc Natl Acad Sci 99 (20): 12841–12846

Kholodenko B, Yaffe MB, Kolch W (2012) Abordagens computacionais para analisar o fluxo de informação em redes biológicas. Sci Signal 5 (220): re1

Kim J, Saidel G, Cabrera M (2007) Modelo computacional multi-escala de homeostase de combustível durante o exercício: efeito do controle hormonal. Ann Biomed Eng 35 (1): 69–90

Kim TY, Kim HU, Lee SY (2010) Integração de dados e análise de redes biológicas. Curr Opin Biotechnol 21 (1): 78-84

Kim HU, Sohn SB, Lee SY (2012) Modelagem e simulação de rede metabólica para direcionamento e descoberta de medicamentos. Biotechnol J 7 (3): 330-342

Kirouac DC, Ito C, Csaszar E, Roch A, Yu M, Sykes EA, Bader GD, Zandstra PW (2010) Redes de interação dinâmica em um tecido hierarquicamente organizado. Mol Syst Biol 6 (417): 1-17

Kitano H (2002a) Biologia de sistemas computacionais. Nature 420 (6912): 206-210

Kitano H (2002b) Biologia de sistemas: uma breve visão geral. Science 295 (5560): 1662–1664

Kitano H (2007) Rumo a uma teoria da robustez biológica. Mol Syst Biol 3 (137): 1-7

Kitano H, Oda K, Kimura T, Matsuoka Y, Csete M, Doyle J, Muramatsu M (2004) Metabolic syndrome and robustness tradeoffs. Diabetes 53 (supl 3): S6-S15

Klinke D (2008) Integrando dados epidemiológicos em um modelo mecanicista de diabetes tipo 2: validando a prevalência de pacientes virtuais. Ann Biomed Eng 36 (2): 321-334

Klipp E, Wade RC, Kummer U (2010) Biochemical network-based drug-target prediction. Curr Opin Biotechnol 21 (4): 511-516

Kolodkin A, Boogerd FC, Plant N, Bruggeman FJ, Goncharuk V et al (2012) Emergence of the silicon human and network targeting drug. Eur J Pharm Sci 46 (4): 190–197

Koschorreck M, Conzelmann H, Ebert S, Ederer M, Gilles E (2007) Modelagem reduzida de transdução de sinal - uma abordagem modular. BMC Bioinformatics 8 (1): 336

Koshiyama H, Ogawa Y, Tanaka K, Tanaka I (2010) Sistemas de rede integrados e endocrinologia evolutiva do desenvolvimento. Hipóteses Médicas 74 (1): 132-138

Koster ES, Rodin AS, Raaijmakers JA, Maitland-vander Zee A-H (2009) Biologia de sistemas na pesquisa farmacogenômica: o caminho para a prescrição personalizada? Farmacogenômica 10 (6): 971-981

Koyutürk M (2010) Métodos algoritmos e analíticos em biologia de redes. Wiley Interdiscip Rev Syst Biol Med 2 (3): 277-292

Kumar N, Hendriks BS, Janes KA, de Graaf D, Lauffenburger DA (2006) Aplicando modelagem computacional à descoberta e desenvolvimento de drogas. Drug Discovery Today 11 (17-18): 806-811

Lage K, Karlberg EO, Storling ZM, Olason PI, Pedersen AG, Rigina O, Hinsby AM, Tumer Z, Pociot F, Tommerup N, Moreau Y, Brunak S (2007) Uma rede humana de fenômenos interatômicos de complexos de proteínas implicados na genética desordens. Nat Biotechnol 25 (3): 309-316

Langley SR, Dwyer J, Drozdov I, Yin X, Mayr M (2013) Proteômica: de moléculas únicas para vias biológicas. Cardiovasc Res 97 (4): 612-622

Le Novère N, Bornstein B, Broicher A, Courtot M, Donizelli M, Dharuri H, Li L, Sauro H, Schilstra M, Shapiro B, Snoep JL, Hucka M (2006) Banco de dados de BioModels: um banco de dados centralizado e gratuito de curadoria, publicados, modelos cinéticos quantitativos de sistemas bioquímicos e celulares. Nucleic Acids Res 34 (problema de banco de dados): D689 – D691

Lesko L, Atkinson A (2001) Uso de biomarcadores e desfechos substitutos no desenvolvimento de drogas e tomada de decisão regulatória: critérios, validação, estratégias. Annu Rev Pharmacol Toxicol 41 (1): 347-366

Liu B, Thagrajan PS (2012) Modeling and analysis of biopathways dynamics. J Bioinform Comput Biol 10 (04): 1231001

Liu W, Hsin CC, Tang F (2009) Um modelo matemático molecular de mobilização e captação de glicose. Math Biosci 221: 121–129

Maayan A (2011) Introdução à análise de redes em biologia de sistemas. Sci Signal 4 (190): tr5, 1-11

Macé G, Bogliolo M, Guervilly J-H, Dugas du Villard JA, Rosselli F (2005) coordenação 3R por proteínas de anemia de Fanconi. Biochimie 87 (7): 647-658

Makroglou A, Li J, Kuang Y (2006) Modelos matemáticos e ferramentas de software para o sistema regulador de glicose-insulina e diabetes: uma visão geral. Appl Numer Math 56: 559–573

Mardinoglu A, Nielsen J (2012) Medicina de sistemas e modelagem metabólica. J Intern Med 271 (2): 142-154

Mayer B (1999) Interações proteína-proteína em cascatas de sinalização. Mol Biotechnol 13 (3): 201-213

Meeting H (2007) Modelagem computacional do diabetes e suas complicações. Diabetes Care 30 (6): 1638-1646

Menolascina F, Siciliano V, di Bernardo D (2012) Engenharia e controle de sistemas biológicos: uma nova forma de enfrentar doenças complexas. FEBS Lett 586 (15): 2122-2128

Milo R, Shen-Orr S, Itzkovitz S, Kashtan N, Chklovskii D, Alon U (2002) Motivos de rede: blocos de construção simples de redes complexas. Science 298: 824-827

Miyatsuka H, ​​Matsuoka T, Kaneto H (2008) Fatores de transcrição como alvos terapêuticos para diabetes. Expert Opin Ther Targets 12 (11): 1431-1442

Mizushima T (2012) Identificação do mecanismo molecular para ações de medicamentos existentes e sua aplicação para o desenvolvimento de medicamentos. Yakugaku Zasshi 132 (6): 713-720

Moller DE (2001) Novos alvos de drogas para diabetes tipo 2 e síndrome metabólica. Nature 414 (6865): 821-827

Moreno-Sánchez R, Saavedra E, Rodríguez-Enríquez S, Olín-Sandoval V (2008) Análise do controle metabólico: uma ferramenta para desenhar estratégias para manipular as vias metabólicas. J Biomed Biotechnol (Artigo ID 597913): 30

Neduva V, Russell RB (2006) Peptídeos mediando redes de interação: enfim novos leads. Curr Opin Biotechnol 17 (5): 465-471

Nielsen J (2012) Medicina translacional e de sistemas. J Intern Med 271 (2): 108-110

Oberhardt M, Palsson B, Papin J (2009) Applications of genome-scale metabolic reconstructions. Mol Syst Biol 5 (320): 1-15

Ogata H, Goto S, Sato K, Fujibuchi W, Bono H, Kanehisa M (1999) KEGG: Kyoto encyclopedia of genes and genomes. Nucleic Acids Res 27 (1): 29-34

Orth J, Thiele I, Palsson B (2010) O que é a análise de equilíbrio de fluxo? Nat Biotechnol 28: 245–248

Papin JA, Hunter T, Palsson BO, Subramaniam S (2005) Reconstrução de redes de sinalização celular e análise de suas propriedades. Nat Rev Mol Cell Biol 6 (2): 99-111

Park J, Lee D-S, Christakis N, Barabasi A-L (2009) O impacto das redes celulares na comorbidade da doença. Mol Syst Biol 5: 262

Pattaranit R, van den Berg HA (2008) Modelos matemáticos de homeostase energética. J R Soc Interface 5 (27): 1119–1135

Perez-Iratxeta C, Bork P, Andrade MA (2002) Associação de genes para doenças hereditárias geneticamente usando mineração de dados. Nat Genet 31 (3): 316–319

Pfau T, Christian N, Ebenhöh O (2011) Abordagens de sistemas para modelar caminhos e redes. Briefings Funct Genomics 10 (5): 266-279

Post TM, Freijer JI, DeJongh J, Danhof M (2005) Disease system analysis: basic disease progression models in degenerative disease. Pharm Res 22 (7): 1038–1049

Przytycka T, Kim Y-A (2010) A integração da rede encontra a dinâmica da rede. BMC Biol 8 (1): 48

Pujol A, Farre J, Aloy P (2010) Desvendando o papel da rede e da biologia de sistemas na descoberta de medicamentos. Trends Pharmacol Sci 31 (3): 115-123

Qi Y, Ge H (2006) Modularidade e dinâmica das redes celulares. PLoS Comput Biol 2 (12): e174

Rao CV, Arkin AP (2001) Motifs de controle para redes regulatórias intracelulares. Annu Rev Biomed Eng 3 (1): 391–419

Rees SE, Carson ER, Feng DD, Andreassen S (2011) Modeling and control in biomedical systems. Programas de Métodos Computacionais Biomédicos 104 (2): 27-28

Renner S, Popov M, Schuffenhauer A, Roth H-J, Breitenstein W, Marzinzik A, Lewis I, Krastel P, Nigsch F, Jenkins J, Jacoby E (2011) Tendências e observações recentes no design de coleções de triagem de alta qualidade. Future Med Chem 3 (6): 751-766

Resendis-Antonio O, Checa A, Encarnación S (2010) Modelando o metabolismo central em células cancerosas: levantamento da topologia subjacente ao efeito Warburg. PLoS ONE 5 (8): e12383

Rolfsson O, Palsson B, Thiele I (2011) A reconstrução metabólica humana Recon 1 direciona hipóteses de novas funções metabólicas humanas. BMC Syst Biol 5 (1): 155

Roy A, Parker RS ​​(2006) Modelagem dinâmica de ácidos graxos livres, glicose e insulina: um “modelo mínimo” estendido. Diabetes Technol Ther 8: 617-626

Safran M, Chalifa-Caspi V, Shmueli O et al (2003) Bases de dados centradas em genes humanos no Weizmann Institute of Science: GeneCards, UDB, CroW 21 e HORDE. Nucleic Acids Res 31 (1): 142-146

Sam L, Liu Y, Jianrong L et al (2007) Descoberta de redes de interação de proteínas compartilhadas por doenças. Pac Symp Biocomput 12: 76-87

Sangar V, Eddy JA, Simeonidis E, Price N (2012) Modelagem mecanicista do metabolismo energético aberrante em doenças humanas. Front Physiol 3 (404): 1–10

Schenone M, Dančík V, Wagner BK, Clemons PA (2013), Identificação de alvos e mecanismo de ação em biologia química e descoberta de drogas. Nat Chem Biol 9: 232-240

Schleich K, Lavrik I (2013) Modelagem matemática da apoptose. Cell Commun Signal 11 (1): 44

Scriver CR, Waters PJ (1999) Monogenic traits não são simples: lições de fenilcetonúria. Trends Genet 15: 267-272

Sedaghat AR, Sherman A, Quon MJ (2002) Um modelo matemático de vias de sinalização metabólica da insulina. Am J Physiol Endocrinol Metab 283 (5): E1084 – E1101

Sesti G (2006) Fisiopatologia da resistência à insulina. Best Pract Res Clin Endocrinol Metab 20 (4): 665-679

Shahrezaei V, Swain PS (2008) A natureza estocástica das redes bioquímicas. Curr Opin Biotechnol 19 (4): 369-374

Sharan TI (2008) Protein networks in disease. Genome Res 18: 644-652

Smith C (2003) Validação de alvo de droga: acertando o alvo. Nature 422 (6929): 341-347

Smith JMD, Maas JA, Garnsworthy PC, Owen MR, Coombes S, Pillay TS, Barrett DA, Symonds ME (2009) Modelagem matemática da homeostase da glicose e sua relação com o balanço energético e a gordura corporal. Obesidade 17 (4): 632-639

Sriram G, Liao JC, Dipple KM (2005) Um modelo de sinalização de insulina abrangente para predizer fenótipos usando dados de expressão. Resumo, Reunião Anual AICHE 2005

Stelling J, Sauer U, Szallasi Z, Doyle Iii FJ, Doyle J (2004) Robustness of cell functions. Cell 118 (6): 675-685

Tegnér JN, Compte A, Auffray C et al (2009) Modelagem de doença computacional - fato ou ficção? BMC Syst Biol 3 (56): 1-3

Terentiev A, Moldogazieva N, Shaitan K (2009) Proteômica dinâmica na modelagem da célula viva. Interações proteína-proteína. Biochem (Moscou) 74 (13): 1586–1607

Tiffin N, Adie E, Turner F, Brunner HG, van Driel MA, Oti M, Lopez-Bigas N, Ouzounis C, Perez-Iratxeta C, Andrade-Navarro MA, Adeyemo A, Patti ME, Semple CAM, Hide W (1980 ) Identificação de genes de doenças computacionais: um conjunto de métodos prioriza genes candidatos para diabetes tipo 2 e obesidade. Nucleic Acids Res 34 (10): 3067–3081

Topp B, Promislow K, Devries G, Miuraa RM, Finegood DT (2000) Um modelo de massa de células b, insulina e cinética de glicose: caminhos para o diabetes. J Theor Biol 206: 605–619

Tripathy D, Chavez AO (2010) Defeitos na secreção de insulina e ação na patogênese do diabetes mellitus tipo 2. Curr Diab Rep 10: 184-191

Tyson JJ, Chen K, Novak B (2001) Network dynamics and cell physiology. Nat Rev Mol Cell Biol 2 (12): 908-916

van Driel MA, Cuelenaere K, Kemmeren PPCW, Leunissen JAM, Brunner HG, Vriend G (2005) GeneSeeker: extração e integração de informações relacionadas a doenças humanas de bancos de dados genéticos baseados na web. Ácidos nucléicos Res 33 (supl. 2): W758-W761

Verkhedkar KD, Raman K, Chandra NR, Vishveshwara S (2007) Gráficos de reação baseados em metaboloma de M. tuberculosis e M. leprae: uma análise comparativa de redes. PLoS ONE 2 (9): e881

Vicini P (2008) Modelos cinéticos na interseção da biologia, engenharia e medicina. Drug Discov Today Dis Model 5 (4): 271-272

Vicini P, Caumo A, Cobelli C (1999) Eficácia da glicose e sensibilidade à insulina a partir dos modelos mínimos: consequências da submodulação avaliada por simulação de Monte Carlo. IEEE Trans Biomed Eng 46 (2): 130-137

Walpole J, Papin JA, Peirce SM (2013) Modelos computacionais multiescala de sistemas biológicos complexos. Annu Rev Biomed Eng 15 (1): 137-154

Wang E (2010) Um roteiro de biologia de sistemas de câncer. Procedimentos da natureza. http://hdl.handle.net/10101/npre.2010.4322.2

Wang E, Lenferink A, O’Connor-McCourt M (2007) Estudos genéticos de doenças. Cell Mol Life Sci 64 (14): 1752-1762

Wang J, Zhang L, Jing C, Ye G, Wu H, Miao H, Wu Y, Zhou X (2013) Modelagem baseada em agente multi-escala em melanoma e sua análise de angiogênese relacionada. Theor Biol Med Modelo 10 (1): 41

Wells JA, McClendon CL (2007) Alcançando frutos bem ao alcance da mão na descoberta de drogas em interfaces proteína-proteína. Nature 450 (7172): 1001–1009

Werner B, Dingli D, Traulsen A (2013) Um modelo determinístico para a ocorrência e dinâmica de múltiplas mutações em tecidos hierarquicamente organizados. Interface J R Soc 10 (85): 1–10

Wilkinson DJ (2009) Modelagem estocástica para descrição quantitativa de sistemas biológicos heterogêneos. Nat Rev Genet 10 (2): 122-133

Winslow RL, Trayanova N, Geman D, Miller MI (2012) Medicina computacional: traduzindo modelos para cuidados clínicos. Sci Transl Med 4 (158): 158rv111

Wolf DM, Arkin AP (2003) Motivos, módulos e jogos em bactérias. Curr Opin Microbiol 6 (2): 125-134

Yildirim MA, Goh K, Cusick ME, Cusick ME, Barabási A-L, Vidal M (2007) Drug-target network. Nat Biotechnol 25 (10): 1119-1126

Zanzoni A, Soler-López M, Aloy P (2009) Uma abordagem de medicina em rede para doenças humanas. FEBS Lett 583: 1759-1765

Zelezniak A, Pers T, Soares S, Patti M, Patil K (2010) A topologia da rede metabólica revela assinaturas regulatórias transcricionais do diabetes tipo 2. PLoS Comput Biol 6: e1000729

Zheng Y, Moore H, Piryatinska A, Solis T, Sweet-Cordero EA (2013) Modelagem matemática da cinética de proliferação de células tumorais e retenção de rótulo em um modelo de camundongo de câncer de pulmão. Cancer Res 73 (12): 3525-3533

Zhu X, Gerstein M, Snyder M (2007) Conectando-se: análise e princípios das redes biológicas. Genes Dev 21: 1010–1024

Zhu M, Gao L, Li X, Liu Z, Xu C, Yan Y, Walker E et al (2009) A análise dos alvos de drogas com base nas propriedades topológicas na rede de interação proteína-proteína humana. J Drug Target 17 (7): 524-532

Zinovyev A, Fourquet S, Tournier L, Calzone L, Barillot E (2012) Morte celular e vida no câncer: modelagem matemática de decisões de destino celular. Adv Expt Med Biol 736: 261-274


Conjunto Flashcard Compartilhado

Use a Figura 11–3 para responder à seguinte pergunta. Se uma planta de ervilha é heterozigótica para ervilhas amarelas redondas (RrYy) é cruzada com uma planta de ervilha que é homozigótica para ervilhas redondas, mas heterozigótica para ervilhas amarelas (RRYy), quantos fenótipos diferentes espera-se que seus descendentes apresentem?

uma. está localizado no núcleo.

c. está localizado nos ribossomos.

d. flutua livremente no citoplasma.

Um aluno colocou três cubos de ágar que continham o indicador fenolftaleína em um copo de vinagre. Os lados dos cubos tinham os seguintes comprimentos: 3 cm, 2 cm e 1 cm. Na presença de um ácido, como o vinagre, a fenolftaleína muda de rosa para transparente. Após 10 minutos, o aluno cortou cada cubo aberto e mediu a distância que o vinagre havia difundido em cada cubo. Ela então começou a preencher a tabela de dados.

Inferir Observe a configuração experimental na Figura 10-11. Qual é o volume (em cm3) do cubo de 2 cm?

Algumas células formam uma placa celular durante a citocinese. Qual das afirmações a seguir é verdadeira para as células da Figura 10-6 acima?

uma. Nenhuma das células forma uma placa celular durante a citocinese.

b. Apenas a célula A forma uma placa de células durante a citocinese.

c. Ambas as células formam placas celulares durante a citocinese.

d. Apenas a célula B forma uma placa celular durante a citocinese.

d. Apenas a célula B forma uma placa celular durante a citocinese.

Interpretar recursos visuais Para onde vão os elétrons que se movem ao longo da membrana interna na Figura 9–8?

uma. Eles terminam no espaço intermembrana.

b. Eles se unem com 4 H + e O2 para formar moléculas de água.

c. Eles ligam ADP + P para formar ATP.

d. Eles terminam na cadeia de transporte de elétrons.

b. Eles se unem com 4 H + e O2 para formar moléculas de água.

Na Figura 12-4, as porcentagens de todas as quatro colunas devem somar 90.

Interpretar tabelas Identifique o fenótipo da prole representada pelo ponto de interrogação na Figura 11-6.

uma. O fenótipo da prole é bbRR

b. O fenótipo da prole é o cabelo branco e áspero.

c. O fenótipo da prole é preto, cabelo áspero

d. O fenótipo da prole é cabelo branco e liso

A divisão celular é representada na Figura 10-3 pela letra

Interpretar recursos visuais O que a Figura 10–10 representa? Como você sabe se esta é uma célula animal ou uma célula vegetal?

uma. Ele mostra vários estágios da meiose em uma célula animal. Sabemos que esta é uma célula animal por causa da presença de cromossomos.

b. Ele mostra vários estágios da meiose em uma célula animal. Sabemos que se trata de uma célula animal por causa da presença de centríolos e do formato das células.

c. Ele mostra vários estágios de mitose em uma célula animal. We know this is an animal cell because of the presence of chromosomes and the shape of the cells.

d. It shows various stages of mitosis in an animal cell. We know this is an animal cell because of the presence of centrioles and the shape of the cells.

Which trait is most likely linked to having a curved wing in the fruit fly in Figure 11–5?

In Figure 10–4, what role does structure A play in mitosis?

c. connect to spindle fibers

d. dissolve nuclear envelope

Prever Look at the cancer cells shown in Figure 10–12. What can happen if these cells are left untreated?

a. They will eventually stop growing and begin to shrink back to normal size and then go away.

b. They can break loose from the mass they are now a part of and spread throughout the body, disrupting normal activities, forming secondary tumors, and causing serious medical problems.

c. They won't respond to chemotherapy or radiation.

d. Nothing will happen if they are left untreated.

Se dióxido de carbono is not present, the pathway labeled C in Figure 9–4 usually will not occur.

The structures labeled B in Figure 10–5 are called

Based on Chargaff’s rule, the percentage of cytosine in the DNA of the bacterium, S. Lutea in Figure 12–3, should be around

Infer According to Figure 11–7, if red-flowered snapdragons and ivory-flowered snapdragons are crossed, what percentage of their offspring would be expected to be pink-flowered?

a. One hundred percent of the offspring would be expected to be pink-flowered.

b. Seventy five percent of the offspring would be expected to be pink-flowered.

c. Fifty percent of the offspring would be expected to be pink-flowered.

d. Zero percent of the offspring would be expected to be pink-flowered.

c. lactic acid fermentation

What did Rosalind Franklin contribute to the effort to identify the structure of DNA?

a. x-ray diffraction photos of the DNA molecule

b. the ratios of the two sets of nucleotide pairs in DNA

c. models made of cardboard and wire showing the shape of DNA

d. radioactive evidence that DNA carried the genetic code

Interpret Tables Identify the genotype of the offspring that would be represented by the question mark in Figure 11–6.

During which phase(s) of mitosis are structures like the one shown in Figure 10–5 visible?

Selected: a. prophase, metaphase, and anaphase This answer is correct.

d. anaphase and interphase

During which phase(s) of mitosis are structures like the one shown in Figure 10–5 visible?

a. prophase, metaphase, and anaphase

d. anaphase and interphase

The structure shown in Figure 10–5 is a replicated chromosome.

Interpret Visuals List the stages in Figure 11–8 in which the cells are 2N and those in which the cells are N.

a. The cells in stages A, B, and C are 2N. The cells in stages D, E, F, and G are N.

b. The cells in stages A, B, C, D, E and F are 2N. The cells in stage G is N.

c. The cells in stages A, B, and C are N. The cells in stages D, E, F, and G are 2N.

d. The cells in stage A is 2N. The cells in stages B,C,D, E, F, and G are N.

A student placed three cubes of agar that contained the indicator phenolphthalein in a beaker of vinegar. The sides of the cubes were the following lengths: 3 cm, 2 cm, and 1 cm. In the presence of an acid, such as vinegar, phenolphthalein turns from pink to clear. After 10 minutes, the student cut each cube open and measured the distance that the vinegar had diffused into each cube. She then started to complete the data table.

Prever Examine Figure 10–11. In which cube will the vinegar take the longest time to diffuse into the center? In which tube will the vinegar take the shortest time to diffuse into the center?

a. The vinegar will take the longest amount of time to diffuse to the center of the 1 cm cube. It will take the shortest amount of time to reach the center of the 3 cm sides.

b. The vinegar will take the longest amount of time to diffuse to the center of the 3 cm cube. It will take the shortest amount of time to reach the center of the 1 cm sides.

c. The vinegar will reach the center of each cube at the same time.

d. The vinegar will take the longest amount of time to diffuse to the center of the 3 cm cube. It will take the shortest amount of time to reach the center of the 2 cm sides.

b. The vinegar will take the longest amount of time to diffuse to the center of the 3 cm cube. It will take the shortest amount of time to reach the center of the 1 cm sides.

A scientist set up a respiration chamber as shown below. She placed a mouse in flask B. Into flasks A, C, and D, she poured distilled water mixed with the acid-base indicator phenolphthalein. In the presence of CO2, phenolphthalein turns from pink to clear. She allowed the mouse to stay in the chamber for about an hour.

Prever Assume that the scientist set up an identical respiration chamber, except that in this setup she placed a mouse that had been exercising on a hamster wheel. Then, the scientist measured the amount of CO2 given off by both mice at the end of 15 minutes. Predict which setup produced the most CO2.

a. The mouse that had been exercising should give off more CO2 because this mouse will be breathing more heavily.

b. The mouse that had NOT been exercising should give off more CO2 because this mouse will be breathing more heavily.

c. The mouse that had been exercising should give off more O2 because this mouse will be breathing more heavily.

d. Both mice would give off the same amount of CO2.

The table in Figure 12–3 shows the results of measuring the percentages of the four bases in the DNA of several different organisms. Some of the values are missing from the table. Based on Chargaff’s rule, the percentages of guanine bases in chicken DNA should be around


Christopher T. Walsh

After an undergraduate degree in biology at Harvard, I started graduate school at The Rockefeller Institute for Medical Research in New York City in July 1965. I was attracted to the chemical side of biochemistry and joined Fritz Lipmann's large, hierarchical laboratory to study enzyme mechanisms. That work led to postdoctoral research with Robert Abeles at Brandeis, then a center of what, 30 years later, would be called chemical biology. I spent 15 years on the Massachusetts Institute of Technology faculty, in both the Chemistry and Biology Departments, and then 26 years on the Harvard Medical School Faculty. My research interests have been at the intersection of chemistry, biology, and medicine. One unanticipated major focus has been investigating the chemical logic and enzymatic machinery of natural product biosynthesis, including antibiotics and antitumor agents. In this postgenomic era it is now recognized that there may be from 10 5 to 10 6 biosynthetic gene clusters as yet uncharacterized for potential new therapeutic agents.


5 System Control and System Noise

An important aspect of synthetic biology is the demonstration of control. For example, it can be desirable that a specific gene or pathway be regulated by the addition or subtraction of an external chemical trigger. Commonly this is done by the addition of small diffusible inducers such as IPTG (isopropyl β- d -1-thiogalactopyranoside) or ATc (anhydrotetracycline). In such systems the gene of interest is situated behind a region of DNA that can be regulated by these molecules. For example, when IPTG enters a cell, it binds to the lac repressor protein, which is bound as a tetramer to the DNA of interest. The binding of IPTG to the lac repressor removes the repressor from the DNA, allowing for active transcription of the gene or genes. Of note are studies that creatively use other types of control. For example, blue light was used to induce the remote-controlled expression of insulin genes to enhance blood-glucose homeostasis in mice [57].

If one potential goal of synthetic biology is to engineer the regulated expression of a target gene, what amount of control versus noise is inherent in a typical biological system? How precise are the typical control mechanisms? A single-copy chromosomal gene with an inducible promoter was incorporated into the chromosome of Bacillus subtilis [43]. The gene was a commonly used reporter, the green fluorescent protein gene (GFP). They chose to integrate GFP into the chromosome itself, rather than in the form of plasmids, as variation in plasmid copy number can act as an additional and unwanted source of noise. Transcriptional efficiency was regulated by using an IPTG-inducible promoter, Pspac, upstream of GFP. The amount of GFP transcription was controlled by varying the concentration of the IPTG inducer in the growth medium.

In addition, the authors wanted to study the regulation of translation. Translational efficiency was regulated by constructing a series of B. subtilis strains that contained point mutations in the ribosome binding site (RBS) and initiation codon of GFP. By manipulating both the transcription and translation levels, the relative contributions of these processes to biochemical noise could be studied see the summary of the data in Figure 3. They found that the phenotypic noise strength shows a strong positive correlation with translational efficiency (slope 21.8), in contrast to the weak positive correlation observed for transcriptional efficiency (slope 6.5). This is a demonstration that phenotypic variation can be controlled by genetic parameters, and low translation rates will lead to reduced fluctuations in protein expression. Such results also suggest that in nature, several inefficiently translated regulatory genes could have been naturally selected for their low-noise characteristics, even though efficient translation is energetically favorable.

The amount of noise in fluorescent protein output versus translation and transcriptional efficiencies. Output noise was estimated from a population of 10 4 –10 5 cells assayed by flow cytometry and represents the cell-to-cell variation in fluorescent signal as standard deviation. Translational and transcriptional levels were normalized to a wild-type strain. Figure adapted from [43].

The amount of noise in fluorescent protein output versus translation and transcriptional efficiencies. Output noise was estimated from a population of 10 4 –10 5 cells assayed by flow cytometry and represents the cell-to-cell variation in fluorescent signal as standard deviation. Translational and transcriptional levels were normalized to a wild-type strain. Figure adapted from [43].

Chizzolini et al. [14] explored the noise of a synthetic biological gene expression system in vitro. Ambos E. coli cell extract and the E. coli PURE system were tested for gene expression of a genetic construct with products including different fluorescent proteins (to quantitate protein production) and Spinach aptamer (to quantitate RNA transcript production). They found several sources of variability: the RBS sequence, whether the expressed genes are added in single expression vectors or cascaded in one vector, the GC content of the coding sequences, and the type of RNA polymerase used. Their results are consistent with the conclusions of Ozbudak et al. [43] that translation contributes more noise than transcription, perhaps due to the need for more molecular components to carry out the task. They point out that the accurate production of one gene product cannot be used to predict the production of another gene product using the same genetic construct and context. Further work on the role of mRNA dynamics could help to understand the source of noise and allow models to be more predictable.

The regulation of a target gene versus noise production has also been explored by Collins and colleagues [40]. They developed a combinatorial promoter design strategy to characterize how the position and number of tetO2 operator sites within the GAL1 promoter affect the target gene expression levels and expression noise in Saccharomyces cerevisiae. The promoters were designed with one, two, or three operators at varying proximity to the transcription start site. The inducer ATc was titrated into the system to control gene transcription levels. They found that the multiple operator elements did not behave independently, but rather a certain amount of cooperativity was seen when the ATc was added, with the largest amount of transcriptional variation found when the operators were farthest away from the start codon and when multiple operators were used. Such systematic effects could be modeled and both expression levels and noise levels predicted. These studies exemplify how much control versus biochemical noise could be expected from a biological cell engineered through synthetic biology.


Referências

Beddington, J. Food, energy, water and the climate: a perfect storm of global events? (UK Government, 2009).

Goold, H. D., Wright, P. & Hailstones, D. Emerging opportunities for synthetic biology in agriculture. Genes 9, 341 (2018).

Dorit, R. The biology of what is not there. Sou. Sci. 99, 20 (2011).

Way, J. C., Collins, J. J., Keasling, J. D. & Silver, P. A. Integrating biological redesign: where synthetic biology came from and where it needs to go. Célula 157, 151–161 (2014).

Revolutionizing Agriculture with Synthetic Biology (The Banbury Center, Cold Spring Harbor Laboratory, 2018) https://www.cshl.edu/wp-content/uploads/2018/12/PLANT18_Program.pdf

Simon, A. J., d’Oelsnitz, S. & Ellington, A. D. Synthetic evolution. Nat. Biotechnol. 37, 730–743 (2019).

Engqvist, M. K. M. & Rabe, K. S. Applications of protein engineering and directed evolution in plant research. Plant Physiol. 179, 907–917 (2019).

Bar-Even, A. Daring metabolic designs for enhanced plant carbon fixation. Plant Sci. 273, 71–83 (2018).

Tokuriki, N. et al. Diminishing returns and tradeoffs constrain the laboratory optimization of an enzyme. Nat. Comum. 3, 1257 (2012).

Davidi, D., Longo, L. M., Jabłońska, J., Milo, R. & Tawfik, D. S. A bird’s-eye view of enzyme evolution: chemical, physicochemical, and physiological considerations. Chem. Rev. 118, 8786–8797 (2018).

Erb, T. J., Jones, P. R. & Bar-Even, A. Synthetic metabolism: metabolic engineering meets enzyme design. Curr. Opiniões Chem. Biol. 37, 56–62 (2017).

de Lorenzo, V. et al. The power of synthetic biology for bioproduction, remediation and pollution control. EMBO Rep. 19, e45658 (2018).

South, P. F., Cavanagh, A. P., Liu, H. W. & Ort, D. R. Synthetic glycolate metabolism pathways stimulate crop growth and productivity in the field. Ciência 363, eaat9077 (2019).

Kubis, A. & Bar-Even, A. Synthetic biology approaches for improving photosynthesis. J. Exp. Robô. 70, 1425–1433 (2019).

Amthor, J. et al. Engineering strategies to boost crop productivity by cutting respiratory carbon loss. Célula vegetal 31, 297–314 (2019).

Wright, R. C. & Nemhauser, J. Plant synthetic biology: quantifying the “known unknowns” and discovering the “unknown unknowns”. Plant Physiol. 179, 885–893 (2019).

Park, S. Y. et al. Agrochemical control of plant water use using engineered abscisic acid receptors. Natureza 520, 545–548 (2015).

Liu, W. & Stewart, C. N. Jr. Plant synthetic biology. Trends Plant Sci. 20, 309–317 (2015).

Galanie, S., Thodey, K., Trenchard, I. J., Filsinger Interrante, M. & Smolke, C. D. Complete biosynthesis of opioids in yeast. Ciência 349, 1095–1100 (2015).

Wang, C., Zheng, P. & Chen, P. Construction of synthetic pathways for raspberry ketone production in engineered Escherichia coli. Appl. Microbiol. Biotechnol. 103, 3715–3725 (2019).

Liu, W. C., Gong, T. & Zhu, P. Advances in exploring alternative Taxol sources. RSC Adv. 6, 48800–48809 (2016).

Cazimoglu, I. et al. Developing a graduate training program in Synthetic Biology: SynBioCDT. Synth. Biol. 4, ysz006 (2019).

Delebecque, C. & Philp, J. Training for synthetic biology jobs in the new bioeconomy. Ciência https://www.sciencemag.org/careers/2015/06/training-synthetic-biology-jobs-new-bioeconomy (2015).

Niehaus, T. D., Thamm, A. M., de Crécy-Lagard, V. & Hanson, A. D. Proteins of unknown biochemical function: a persistent problem and a roadmap to help overcome it. Plant Physiol. 169, 1436–1442 (2015).

Zhao, Y. et al. Generation of a selectable marker free, highly expressed single copy locus as landing pad for transgene stacking in sugarcane. Plant Mol. Biol. 100, 247–263 (2019).

Hillson, N. et al. Building a global alliance of biofoundries. Nat. Comum. 10, 2040 (2019).

Vazquez-Vilar, M., Orzaez, D. & Patron, N. DNA assembly standards: setting the low-level programming code for plant biotechnology. Plant Sci. 273, 33–41 (2018).

Agapakis, C. M. Designing synthetic biology. ACS Synth. Biol. 3, 121–128 (2014).

de Lorenzo, V. & Schmidt, M. The do-it-yourself movement as a source of innovation in biotechnology – and much more. Microb. Biotechnol. 10, 517–519 (2017).

Bassham, J. A., Benson, A. A. & Calvin, M. The path of carbon in photosynthesis. J. Biol. Chem. 185, 781–787 (1950).

Raven, J. A., Cockell, C. S. & De La Rocha, C. S. The evolution of inorganic carbon concentrating mechanisms in photosynthesis. Philos. Trans. R. Soc. Lond. B Biol. Sci. 363, 2641–2650 (2008).

Berg, I. A., Kockelkorn, D., Buckel, W. & Fuchs, G. A 3-hydroxypropionate/4-hydroxybutyrate autotrophic carbon dioxide assimilation pathway in Archaea. Ciência 318, 1782–1786 (2007).

Zarzycki, J., Brecht, V., Muller, M. & Fuchs, G. Identifying the missing steps of the autotrophic 3-hydroxypropionate CO2 fixation cycle in Chloroflexus aurantiacus. Proc. Natl Acad Sci. EUA 106, 21317–21322 (2009).

Figueroa, I. A. et al. Metagenomics-guided analysis of microbial chemolithoautotrophic phosphite oxidation yields evidence of a seventh natural CO2 fixation pathway. Proc. Natl Acad. Sci. EUA 115, E92–E101 (2018).

Ragsdale, S. W. & Pierce, E. Acetogenesis and the Wood-Ljungdahl pathway of CO2 fixação. Biochim. Biophys. Acta 1784, 1873–1898 (2008).

Evans, M. C. W., Buchanan, B. B. & Arnon, D. I. A new ferredoxin-dependent carbon reduction cycle in a photosynthetic bacterium. Proc. Natl Acad. Sci. EUA 55, 928–934 (1966).

Huber, H. et al. A dicarboxylate/4-hydroxybutyrate autotrophic carbon assimilation cycle in the hyperthermophilic Archaeum Ignicoccus hospitalis. Proc. Natl Acad. Sci. EUA 105, 7851–7856 (2008).

Trudeau, D. L. et al. Design and in vitro realization of carbon-conserving photorespiration. Proc. Natl Acad. Sci. EUA 115, E11455–E11464 (2018).

Bar-Even, A., Noor, E., Lewis, N. E. & Milo, R. Design and analysis of synthetic carbon fixation pathways. Proc. Natl Acad. Sci. EUA 107, 8889–8894 (2010).

Schwander, T. et al. A synthetic pathway for the fixation of carbon dioxide in vitro. Ciência 354, 900–904 (2016).

Durall, C., Rukminasaria, N. & Lindblad, P. Enhanced growth at low light intensity in the cyanobacterium Synechocystis PCC 6803 by overexpressing phosphoenolpyruvate carboxylase. Algal Res. 16, 275–281 (2016).


INDIVIDUALS AS GROUPS

An important advance in evolutionary biology began with Margulis’s (1970) theory of the eukaryotic cell. She proposed that eukaryotic (nucleated) cells did not evolve by small mutational steps from prokaryotic (bacterial) cells, but by symbiotic associations of bacteria becoming so integrated that the associations qualified as single organisms in their own right. The concept of groups do organisms turning into groups Como organisms was then extended to other major transitions during the history of life, including the origin of life itself as groups of cooperating molecular reactions, the first cells, and multicellular organisms (e.g., Maynard Smith and Szathmáry 1995, 1999 Michod 1999 Jablonka and Lamb 2006 Michod and Herron 2006).

Despite multilevel selection theory’s turbulent history for the traditional study of social behavior, it is an accepted theoretical framework for the study of major transitions. There is widespread agreement that selection occurs within and among groups, that the balance between levels of selection can itself evolve, and that a major transition occurs when selection within groups is suppressed, enabling selection among groups to dominate the final vector of evolutionary change. Genetic and developmental phenomena such as chromosomes, the rules of meiosis, a single cell stage in the life cycle, the early sequestration of the germ line, and programmed death of cell lineages are interpreted as mechanisms for stabilizing the organism and preventing it from becoming a mere group of evolving elements. At the same time, within‐group selection is never completely suppressed. There are many examples of intragenomic conflict that prevent the higher‐level units from functioning as organisms in the full and truest sense of the word (Burt and Trivers 2006).

The concept of major transitions decisively refutes the notion that higher‐level selection is invariably weaker than lower‐level selection. The domain of multilevel selection theory has been expanded to include the internal organization of individuals in addition to the social organization of groups. Ironically, the rejection of group selection made it heresy to think about groups as like organisms, and now it has emerged that organisms are literally the groups of past ages. Okasha (2005:1008) eloquently summarizes the implications of these developments for sociobiological theory as a whole:

Since cells and multi‐celled creatures obviously have evolved, and function well as adaptive units, the efficacy of group selection cannot be denied. Just as the blanket assumption that the individual organism is the sole unit of selection is untenable from a diachronic perspective, so too is the assumption that group selection is a negligible force. For by ‘frameshifting’ our perspective downwards, it becomes apparent that individual organisms estão co‐operative groups, so are the produtos of group selection!


Resumo da Seção

Nucleic acids can be isolated from cells for the purposes of further analysis by breaking open the cells and enzymatically destroying all other major macromolecules. Fragmented or whole chromosomes can be separated on the basis of size by gel electrophoresis. Short stretches of DNA can be amplified by PCR. DNA can be cut (and subsequently re-spliced together) using restriction enzymes. The molecular and cellular techniques of biotechnology allow researchers to genetically engineer organisms, modifying them to achieve desirable traits.

Cloning may involve cloning small DNA fragments (molecular cloning), or cloning entire organisms (reproductive cloning). In molecular cloning with bacteria, a desired DNA fragment is inserted into a bacterial plasmid using restriction enzymes and the plasmid is taken up by a bacterium, which will then express the foreign DNA. Using other techniques, foreign genes can be inserted into eukaryotic organisms. In each case, the organisms are called transgenic organisms. In reproductive cloning, a donor nucleus is put into an enucleated egg cell, which is then stimulated to divide and develop into an organism.

In reverse genetics methods, a gene is mutated or removed in some way to identify its effect on the phenotype of the whole organism as a way to determine its function.

Exercícios

Glossário

anneal: in molecular biology, the process by which two single strands of DNA hydrogen bond at complementary nucleotides to form a double-stranded molecule

biotechnology: the use of artificial methods to modify the genetic material of living organisms or cells to produce novel compounds or to perform new functions

cloning: the production of an exact copy—specifically, an exact genetic copy—of a gene, cell, or organism

gel electrophoresis: a technique used to separate molecules on the basis of their ability to migrate through a semisolid gel in response to an electric current

Engenharia genética: alteration of the genetic makeup of an organism using the molecular methods of biotechnology
genetically modified organism (GMO): an organism whose genome has been artificially changed

plasmídeo: a small circular molecule of DNA found in bacteria that replicates independently of the main bacterial chromosome plasmids code for some important traits for bacteria and can be used as vectors to transport DNA into bacteria in genetic engineering applications

polymerase chain reaction (PCR): a technique used to make multiple copies of DNA

recombinant DNA: a combination of DNA fragments generated by molecular cloning that does not exist in nature
strong>recombinant protein: a protein that is expressed from recombinant DNA molecules

restriction enzyme: an enzyme that recognizes a specific nucleotide sequence in DNA and cuts the DNA double strand at that recognition site, often with a staggered cut leaving short single strands or “sticky” ends

reverse genetics: a form of genetic analysis that manipulates DNA to disrupt or affect the product of a gene to analyze the gene’s function

reproductive cloning: cloning of entire organisms

transgenic: describing an organism that receives DNA from a different species


Assista o vídeo: BASES MOLECULARES DA CONSTITUIÇÃO CELULAR e revisão de conceitos. Aula 6. Biologia Celular (Janeiro 2022).