Introdução a Biologia de S

Propaganda
30/05/16
NG110
Métodos
Computacionaisem
Bioinformá9ca
IntroduçãoaBiologiadeSistemas
Prof. Renato Vicentini – [email protected]
• 
• 
• 
• 
NG264
Princípiosda
BiologiadeSistemas
•  Introdução
•  ConceitosbásicosdeBiologiadeSistemas
Prof. Renato Vicentini – [email protected]
OmétodocienGfico
AcomplexidadenaBiologia
Observaçãodosistemadeinteresse;
Desenvolvimentodehipótesessobreosistemaobservado;
Prediçõesbaseadasnashipótesespropostas;
Conduçãodeexperimentosquevalidemouinvalidema
predição(econseqüentementeashipóteses);
•  Abiologiaéumadisciplinaexperimental;
•  Masbonsexperimentossãooresultadodeelucubrações,
planejamentoeanálisesconsideráveis;
•  Comastecnologiasexperimentaissetornandomais
complexas,estestrêspassosdemandamcadavezmaisouso
dointelecto;
•  Comoresultado,aconstruçãodemodeloscomputacionaisea
analisesdestesmodelossetornamparteintegraldabiologia;
AcomplexidadenaBiologia
OciclodeumapesquisaemBiologia
Molecular
•  Theoristvs.experimentalistjokes.
Bancosde
dados/literatura
–  Experimentalistsobservethingsthatcannotbeexplained
–  Theore9ciansexplainthingsthatcannotbeobserved
Analisede
dados
•  Theonlytruescienceisphysics,everythingelseisstamp
collec9ng
Experimentospara
testarashipóteses
Construção
domodelo
Analisedo
modelo
Planejamento
experimental
Ernest Rutherford
Formulação
dehipóteses
1
30/05/16
BiologiadeSistemas
•  AdisciplinadaBiologiadeSistemasexamina:
–  comooscomponentesbiológicos,emumacélulaouorganismo,
interagemeproduzemredesdeinteração;
–  comoasredesfornecemafunçãocelularnecessáriaparaofenó9po
observado.
Anecessidadedaintegraçãodaspartes
BiologiadeSistemas
•  Premissa:
–  Acomplexidadedabiologiapodesercompreendidaemtermosda
organizaçãodeseuscomponentes(“designprinciples”);
•  Generalizando:
–  Porqueumsistemaéconstruídodaformaemqueeleé?
Circuitosgené9cos
•  Funçõescelularessãoresultantesdeumaaçãocoordenada
doprodutosdemúl9plosgenes;
OparadigmadaBiologiadeSistemas
AsduasraízesdaBiologiadeSistemas
OsquatropassosprincipaisnaimplementaçãodaBiologiadeSistemas.Notemqueo
segundopassoéúnicoeéainterfaceentredadosHTeanalisesinsilico.
2
30/05/16
Compreendendoosistemabiológicocomoum
sistema
•  Iden9ficaçãodaestruturadosistema:
–  Relacionamentoentreoscomponentes(genes,proteínas,etc);
–  Microarrays,qRT-PCR,PPI;
•  Analisedocomportamentodosistema:
Iden9ficaçãodaestruturadosistema
•  Bo/on-up:
–  Compilaçãodedadosexperimentaisindependentes;
•  Top-down:
–  DadosHT;
–  Respostaaes9mulo;
•  Controledosistema:
–  Perturbação;
•  Design:
–  Biologiasinté9ca;
ABiologianotempoenoespaço
•  Adescriçãodeen9dadesbiológicasesuaspropriedades
abrangemdiferentesníveisdeorganizaçãoediferentes
escalasdetempo;
Oqueéummodelo?
ModeloseModelagem •  Seobservarmososprocessosbiológicos,seremos
confrontadoscomváriosprocessoscomplexosquenão
podemserexplicadospelosprincípiosbásicosdabiologia,e
osresultadosnãopodemserprevistosintui9vamente;
•  Amodelagemmatemá9caeasimulaçãocomputacional
podemnosajudaraentenderanaturezainternaeadinâmica
destesprocessos;
Oqueéummodelo?
•  Algunsmodelospodemseraplicadosamuitoselementos
similares:
–  Ciné9cadeMichaelis-Menten:váriasenzimas;
–  TF-promotor:váriosgenes;
•  Enquantooutrossãoespecíficosdeumelementoem
par9cular:
–  Modelo3Ddeumaproteína;
•  Resolvendoasequações,sãoob9dasprediçõesdaconcentração/tempo.
Seestasprediçõesnãocorroboramosdadosexperimentais,istoquer
dizerqueomodeloestaerradooumuitosimplificado.
3
30/05/16
Oqueéummodelo?
Duasestratégiasdemodelagemmatemá9ca
•  Osmodelossãogeralmentebaseadosemleishsicasbem
definidas:
–  ex:termodinâmicadasreaçõesquímicas;
Métodoexploratório
Testaahipótese
“Assumindoestasinterações,podeo
sistemasecomportardaformacomo
observamos?”
Métodopredi9vo
Extrapolação
“Oqueacontecesenocautearmos
estesgenes?”
Classesderedesbiológicas
BiologiadeSistemas
BiologiadeSistema
BiologiadeSistema
•  Osistemadeveserdescrito
igualmentetantononíveldos
genes,dasviasbioquímicas,
dasorganelas,dascélulas,dos
órgãos,doorganismo,eda
comunidadeeambiente
(ecossistema).
•  Aumentodecomplexidade
quandonosmovemosda
escalamolecularparaaescala
doorganismocomoumtodo.
•  Estudarprocessosemlargaescala:
–  nãocomomecanismosindividuais,masapar9rdeinteraçõese
regulações.
•  Aunidadefundamentaldosprocessosbiológicoséacélula.
•  Amelhorformadeconstruirumapontedabiologiamolecular
paraafisiologiaéreconhecerqueasredesdeinteração
formamumsistemadinâmicoqueevoluinoespaçoeno
tempodeacordocomleisfundamentais.
•  Integrarinformaçõescomplexasealtamentediversasemuma
mesmaestruturaconceitual:
–  sendoestaholís9ca,quan9ta9vaepredi9va.
4
30/05/16
Redesderegulação
...
Signal1
Signal2
Signal3
Signal4
SignalN
Environment
Transcrip9on
factors
ConceitosbásicosdeBiologiade
Sistemas
X2
gene2
gene3
X3
...
Xm
genes
gene1
Prof. Renato Vicentini – [email protected]
Redesderegulação
gene4
gene5 gene6
...genek
Redesderegulação
promoter
X
DNA
X1
X
Ac3vator
Y
geneY
Xbindingsite
protein
Y
Y
Y
Sx
X
TRANSLATION
mRNA
geneY
RNApolymerase
geneY
Y
X*
X*
TRANSCRIPTION
Y
INCREASEDTRANSCRIPTION
Boundac3vator
Redesderegulação
RedederegulaçãoemE.coli
X
Boundrepressor
Y
•  Representaçãode20%dasinteraçõestranscricionais
conhecidas.
Sx
X
X*
NOTRANSCRIPTION
X*
Y
Boundrepressor
Unboundrepressor
X
Y
Y
Y
5
30/05/16
Modelagemdesistemasdinâmicos
Modelagemdesistemasdinâmicos
•  Descreveaevoluçãotemporaldeumsistemausandoum
conjuntofixoderegras:
–  ODEderivaçãodeumaciné9caenzimá9ca;
Modelagemdesistemasdinâmicos
EquaçãodeMichaelis-Menten
•  Aobtençãodedadosquan9ta9vosnabiologiacomeçoua
cercadeumséculoatrás;
•  QuandoMichaeliseMentenpublicaramseutrabalhosobre
osmecanismosdaciné9caenzimá9ca(1913);
•  Elesmostraramqueataxadeumareaçãoenzimá9caé
hiperbólicaedependedaconcentraçãodosubstrato;
•  Basedamaiorpartedaciné9caenzimá9camono-substrato;
Curva de saturação para uma enzima mostrando a relação entre
a concentração do substrato e a velocidade de reação.
Km (constante de Michaelis) é definida como a concentração
para a qual a velocidade da reação enzimática é metade de Vmax
Oqueéumsistema?
•  Linearidadevsnão-linearidade
Comportamentodesistemasdinâmicos
Função linear de uma única entrada
Função não-linear de uma única entrada
•  Analisedocomportamentodesistemasdinâmicos:
–  Funçãolineardeumaúnicaentrada
–  Funçãonão-lineardeumaúnicaentrada
6
30/05/16
Linearidadevsnão-linearidade
•  Ocomportamentodesistemasnãolineareségeralmente
dihcildepredizer;
•  Sistemasnãolinearessãoanorma,enãoaexceçãoem
biologia;
•  GRNeredesdeinteraçãobioquímicasapresentam
geralmenteumcomportamentodinâmiconão-linear;
Modelagemciné9cadereaçõesenzimá9cas
•  OmodelodeMichaelis-Mentenparaataxadeumareação
irreversíveldeumsubstratoéparteintegraldabioquímica;
•  Massac9onratelaw;
Leidaaçãodasmassas
•  Ataxadeumareaçãoéproporcionalaprobabilidadede
colisãodosreagentes;
•  Ouseja:
Modelagemdesistemasdinâmicos
•  Funçãolineardeduasentradas;
•  ConsidereumgeneGreguladopordoisfatoresdetranscrição
AeB;
–  proporcionalaconcentraçãodosubstrato;
A B
G
B*
A*eB*
A*
Funçãolineardeduasentradas;
•  SeAeBregulamGdeformaindependente,oefeito
combinadodosdoisemGseráadi9vo;
Funçãonãolineardeduasentradas
•  SeAeBinteragementreeles,opadrãodeexpressãodeG
nãoéasimplessomadopadrãodeexpressãodeAeB.
•  AregulaçãodeGporAeBnãoélinear;
A B
G
B*
A*eB*
Padrãode
expressão
deG
A*
B*
A*eB*
GapresentaumafunçãolineardeAeB
A*
7
30/05/16
Funçãonãolineardeduasentradas
Sistemasnãolineares
•  AeBsozinhosnãosãocapazesdeexplicaraexpressãodeG;
•  Interaçõesnãolinearesdeelementoscissãocomunsno
desenvolvimentocelular;
•  Variáveisdeumafunçãonãolinearseafetamentresie
influenciamnoresultado;
B*
A*eB*
A*
Sistemasnãolineares
Sistemasnãolineares
•  Considereumcenárionoqualcélulasdeinteresseestãoem
suspensão(ex:sangue);
•  ImaginequeAeBsãoiniciadoresdeduasviasdesinalização
diferentes;
•  Exp1:A9vamosapenasaviadesinalizaçãoAemedimosG;
•  Exp2:A9vamosapenasaviadesinalizaçãoBemedimosG;
A B
•  Nosdoiscasos,Gnãofoia9vado;
•  ErroneamenteconcluímosqueasviasAeBnãoregulamG;
•  Estaconclusãoestariacorretaapenasparaumsistemalinear
ondeAeBatuamdeformaindependente;
G
Sistemasnãolineares
•  Narealidade,AeBpodeminteragireregularGdeformanão
linear;
•  Estadificuldadeempredizerocomportamentodeum
sistema,fazcomquesejanecessárioumplanejamento
experimentalcuidadoso;
•  SenóssabemosqueAeBsãoa9vadores,umconjuntode
experimentosmaisinforma9voseriacomeçarcomcélulas
ondeasduasviasestãoa9vaseentãodesa9varumaviade
cadavez.
•  Masseumfora9vadoreooutrorepressor?
Sistemasnãolineares
•  Oconjuntodecomponentesdeterminaoestadodosistema;
•  Sistemaspodemser:
•  complicados(númerodecomponentes);
•  complexos(comportamentosdihceisdeimaginar);
•  Algumassistemaspodemsertãocomplexosquechegamaser
contra-intui9vos:
•  comportamentoemergente;
8
30/05/16
Comportamentoemergente
Comportamentoemergente
•  Pontosrandomicamentedistribuídosseauto-organizamem
umcirculoaolongodotempo;
•  Apenasduasregrassimples:
–  Ficarpróximoaseusdoisvisinhosmaispróximos;
–  Distanciar-sedetodososoutrospontos;
•  Nãoexisteumadefiniçãoexplicitaparaformaocirculo;
Comportamentoemergente
•  Aformaçãodocirculoéumapropriedadeemergenteda
interaçãodosagentesautônomos;
Comportamentoemergente
•  Nãoexistenadademágiconestaspropriedades;
•  Nesteexemploasregras:
–  Maximizamaáreatotal;
–  Minimizamadistanciaentreosvizinhosmaispróximos;
•  Umapropriedadebemconhecidadoscírculos;
Porquedesenvolvermodelos?
•  Imaginequeatranscriçãodeumgenedeinteresseseja
a9vadaporumcomplexoformadoportrêsproteínas;
•  Umadestasproteínasatuacomoscaffoldparaasoutrasduas;
•  Apenasoul9mocasoécapazdea9varatranscrição;
•  Vamosconsiderarqueaconcentraçãodastrêsproteínasé
estacionaria(steadystate);
•  U9lizandomassac9onkine9csnóspodemoscalculara
concentraçãoestacionariaparaocomplexo;
Porquedesenvolvermodelos?
•  Anãolinearidadelevaacomportamentosurpreendentes;
Comoesperadoaconcentraçãosegueuma
simplesciné9cadesaturação
9
30/05/16
Porquedesenvolvermodelos?
•  Variandoaproporçãodaconcentraçãofinaldastrês
proteínas:
–  Afetaoestadoestacionáriodocomplexo;
Efeitobifásico
•  Éomecanismoparaaregulaçãodasinalizaçãonaviadas
MAPkinases;
Porquedesenvolvermodelos?
•  Noexperimentoacimanãoserápossívelverificaro
comportamentobifásico;
•  Aconcentraçãodoscaffoldnuncaserámaiorqueadasoutras
proteínas;
Comportamentosurpreendente
•  Dependênciadaconcentraçãodocomplexoemrelação
concentraçãototaldaproteínascaffold.
•  Surpreendentementeaconcentraçãodocomplexocaia
medidaqueaconcentraçãodoscaffoldaumentaemrelaçãoa
concentraçãodasproteínasvermelhaeverde.
Porquedesenvolvermodelos?
•  Vamossuporqueastrêsproteínassãonecessáriasparaa9var
atranscrição;
•  Masnosnãosabemosqueumaéumscaffold;
•  Precisaríamoscomeçarumexperimentocomquan9dade
iguaisdastrêsproteínas;
•  Entãoirdiminuindoaconcentraçãodecadaumadas
proteínasemedirodecréscimonaconcentraçãodo
complexo;
Somentemodelosmecanis9camentecorretos
realizamboaspredições
Modelo simulado
Interpolação – predições dentro das amostras
Extrapolação– predições fora dos dados
10
30/05/16
Porquedesenvolvermodelos?
•  Todososmodelossãoaproximações;
•  Novosexperimentosdevemsermontadosparatestaro
modelo;
•  Falhasnomodelopodemauxiliarnodesenhodenovos
experimentos;
Oqueéummodelo?
•  Étudoaquiloqueéu9lizadocomoumsubs9tutoparao
sistemaquedesejamosentender;
•  U9lizadoparavisualizarsistemascomplexo;
•  Explorarseuscomportamentosemcondiçõesdeinteresse;
Oqueéummodelo?
Editorial
All systems go!
November 2006
Reviews
Linking publication, gene and protein data
Data-driven modelling of signal-transduction networks
Paul Kersey and Rolf Apweiler
Nature Cell Biology advance online publication, 22 October 2006
Kevin A. Janes and Michael B. Yaffe
Nature Reviews Molecular Cell Biology 7, 820-828 (2006)
Modelling data across labs, genomes, space and time
Modelling microtubule patterns
Jason R. Swedlow, Suzanna E. Lewis and Ilya G. Goldberg
Nature Cell Biology advance online publication, 22 October 2006
Eric Karsenti, François Nédélec and Thomas Surrey
Nature Cell Biology advance online publication, 22 October 2006
Collecting and organizing systematic sets of protein data
John G. Albeck, Gavin MacBeath, Forest M. White, Peter K. Sorger, Douglas A.
Lauffenburger and Suzanne Gaudet
Perspective
Nature Reviews Molecular Cell Biology 7, 803-812 (2006)
Essay
Back to the future: education for systems-level biologists
Linking data to models: data regression
Ned Wingreen and David Botstein
Nature Reviews Molecular Cell Biology 7, 829-832 (2006)
Khuloud Jaqaman and Gaudenz Danuser
Nature Reviews Molecular Cell Biology 7, 813-819 (2006)
Tutorial
Physicochemical modelling of cell signalling pathways
Yasushi Sako
Molecular Systems Biology 2, published online: 17 October 2006
Imaging single molecules in living cells for systems biology
Bree B. Aldridge, John M. Burke, Douglas A. Lauffenburger and Peter K. Sorger
Nature Cell Biology advance online publication, 22 October 2006
PrincípiosdaBiologia
deSistemas
Redesderegulaçãogênica
Elementosderegulaçãoemredesde
transcrição
Prof. Renato Vicentini – [email protected]
11
30/05/16
Redesregulatóriasdatranscrição
•  Aexpressãodegenesemumgenomaéumprocesso
cuidadosamenteregulado;
•  Existemcomplexasredesregulatóriasquecontrolamquais
genesserãoexpressosemrespostasadiversosesGmulos
ambientaiseasinaisdedesenvolvimento;
Propriedadesbásicas
•  Especificidade:
–  Especificidadedaligaçãoeassociaçãocommacromoléculas;
•  Co-localizaçãodoscomponentes;
•  Passocri9co,governadopelafreqüênciadecolisão,oupela
ciné9cadeaçãodasmassas;
Propriedadesbásicas
•  Associaçãoeinteraçãodemacromoléculas:
–  Proteína-proteína;
–  DNA-proteína;
•  Nãoseconhecebemaredesmetabólicasenvolvidasno
processodeGRN;
OoperonlacemEscherichiacoli
•  Trêsgenesestruturais:
–  lacA,lacZ,elacY;
–  Envolvidosnau9lizaçãodelactose;
•  Reguladoporsinaisdelactoseeglicose;
•  EnvolvendoduasproteínasregulatóriasdeligaçãoaoDNA:
–  orepressorlac(lactose);
–  CAP(glicose);
•  OrepressorlacseligaaoDNAsomentenaausênciade
lactose;
•  AproteínaCAPseligaaoDNAsomentenaausênciade
glicose;
OoperonlacemEscherichiacoli
•  Dependendodaconcentraçãodeglicoseelactosenomeio,
trêsestadosdiferentesdosistemapodemserobservados:
RegulonGALemlevedura
•  GenesGALsãonecessáriosparaaquebradagalactose;
•  Transcriçãoinduzidapelagalactose;
–  A9vadordeligaçãoaoDNA,Gal4;
•  Reprimidapelaglicose;
–  RepressordeligaçãoaoDNA,Mig1;
12
30/05/16
RegulonGALemlevedura
•  Trêsestadosdiferentesdosistemapodemserobservados,
sendoqueGal80atuacomouminibidor;
Redesregulatóriasdatranscrição
Redesregulatóriasdatranscrição
•  Notemqueapesardeevidenciasexperimentaisseremabase
paraestesdoisúl9mosexemplos,elessãodescritos
essencialmenteemtermosdepresençaeausência;
•  Podemmuitasvezesserrepresentadosmatema9camente;
ProteínasqueseligamaoDNA
•  MasnarealidadeestesdiferentesestadosdeligaçãoaoDNA
representameventosquímicos,quesãodeterminadospor:
–  Concentração;
–  Afinidadedeligação;
•  SeasequaçõesquímicasquedescrevemaligaçãoaoDNAde
proteínaregulatóriasforemconhecidas,estescircuitos
regulatóriospodemserdescritosestequiometricamente;
ProteínasqueseligamaoDNA
•  QuandotodasasproteínasqueseligamaoDNA,assimcomo
seusalvos,sãoconsideradosjuntos,umacomplexarede
regulatóriaemerge;
•  Comcascatasdetranscriçãoeloopsdeauto-regularão;
Blocosfundamentas
•  Blocofundamentaldeumarederegulatória:
–  Regiãopromotora;
•  Rederegulatóriadatranscrição:
–  QualTFseligaaqualpromotor,equaléoefeitointegradodetodos
osTFsnaexpressãodogene;
•  Existeumpequenoconjuntodemo9voscomumente
encontradosembactérias;
13
30/05/16
Mo9voscomumenteencontrados
Hierarquiadasredesdetranscrição
•  ExistemdiversosníveisdeabstraçãoparaasGRN
Reconstruindoredesregulatórias
Top-downapproach
•  Dadosemlargaescala(HT)quesejamcapazesdemedir
simultaneamenteumgrandenumerodevariáveis/estados;
•  Medindoexperimentalmenteaexpressãodeumgenoma:
–  WT/knockoutdeumTF;
–  Perturbandooexperimento(es9mulo,etc);
•  Iden9ficaçãodetodosossí9osempromotoresu9lizando
bioinformá9ca;
•  LocalizaçãoexperimentaldaligaçãoDNA-proteína:
–  ChIP-chip;
ChIP-chip
Boyom-upapproach
•  Usodedadosderivadosdabioquímica/gené9catradicionais;
•  Focamempoucasvariáveis,oumesmoapenasuma;
•  ExemplodooperonlacedoregulonGAL;
14
30/05/16
Reconstruindoredesregulatórias
Modelagemimplícita
•  ModeloscomputacionaisdeGRNnãonecessariamente
precisamserformuladosmatema9camente;
•  DadosdeHTdemediçõesdeabundanciaoumodificaçõesde
estados:
–  RNAs,proteínas,lipídiosemetabolitos;
•  Culpadosporassociação;
Modelagemimplícita
•  Data-driven(top-down)
•  Associaçãoporfunção;
•  Cytoscape;
Modelagemimplícita
•  Noteasimilaridadeentreascondiçõesnacolunadadireita;
•  Omesmoparaascolunasdaesquerda;
Modelagemimplícita
•  Exemplosdousodemapasdeinteraçãocomomodelos
predi9vos:
– 
– 
– 
– 
– 
– 
Novosmembrosemgruposdaredes;
Evidenciasquesuportamfracaspredições;
Padrõesdeinteraçãoemlargaescala;
Conservaçãoevolu9vadatopologiadarede;
Redeemmul9escalas;
Dadosmul9dimensionais;
Modelagemimplícita
•  Asduascolunasparecemsercomplementaresemtermosda
expressãogênica;
•  Padrõescomoestepodemauxiliarainterpretargrandes
volumesdedados;
•  Podemsertestadosesta9s9camente;
•  Servemcomopontodeinicioparanovosestudos;
15
30/05/16
Modelagemimplícita
RededetranscriçãoemE.coli
•  U9lizandoaanalisedosgrafospodemos:
–  Avaliaraevoluçãonoespaçoenotempodeumsistema;
•  Ajudandoassimaencontrarpotenciaisrelaçõescausa-efeito;
•  Valer-sedeferramentasdateoriadegrafos:
–  Umaáreadematemá9cajábemestabelecida;
N=420 Nodes
E=520 Edges
Es=40 self-edges
RededetranscriçãoemE.coli
•  Estaéumaredecomplexa;
•  Vamostentardefinirpadrõesquesirvamcomoblocos
básicosdaconstruçãodestarede(networkmo3fs);
Blue nodes have self-edges
Networkmo9fs
•  Paradefinirumpadrãoesta9s9camentesignificante,nos
comparamosaredeob9dacomumconjuntoderedes
randomizadas;
•  Devempossuirasmesmascaracterís9casdaredereal(ex:
numerodenoseligações);
•  Masasconexõesentreosnossãofeitasrandomicamente;
Networkmo9fs
Networkmo9fs
•  Padrõesqueocorremnarederealsignifica9vamentemais
vezesdoquenasredesrandomizadassãochamadosnetwork
mo9fs;
•  Ouseja,estãosendoevolu9vamenteconservado:
•  Seummo9vonãooferecevantagemsele9va,eleéremovido
eocorreraemquan9dadesimilaremumarederandomizada;
–  mutaçõesquemodificamasinterações;
•  Aperdadeumaligaçãoéalgosimples(umamutaçãoem
apenasumabase);
16
30/05/16
Networkmo9fs
Auto-regularão
Randomized network
(Erdos – Renyi model)
‘Real’ Network
•  Vamoscompararredesreaiscomredesrandômicas;
•  Vamoscomeçarpelaautoregulação(40casosnoexemploa
servistoparaE.coli);
•  Aceleraotempoderespostadarede;
•  Estabilizaarede;
N=10 nodes
E= 14 edges
Es=4 self-edges
N=10 nodes
E= 14 edges
Es=1 self-edge
Regulaçãosimples
Auto-regularão
•  Amaioriasãoauto-reguladoresnega9vos
A
X
A
Auto-regularão
X
Auto-regularão
•  40casosvistosnaredereal,contraapenas1vistonasredes
simuladas;
Randomized network
‘Real’ Network
(Erdos – Renyi model)
N=10 nodes
E= 14 edges
Es=4 self-edges
K
•  Porqueaauto-regularãoéumnetworkmo9f?
•  Elaapresentaalgumafunçãoú9l?
N=10 nodes
E= 14 edges
Es=1 self-edge
17
30/05/16
Auto-regularão
Auto-regularão
•  Auto-regularãonega9vapodeu9lizarumpromotorfortepara
umaproduçãoinicialrápida;
•  Eentãou9lizaraauto-repressãoparapararaproduçãono
estadoestacionáriodesejado;
•  Emumgenesimplesmenteregulado,oestagioestacionárioé
umbalançoentreaproduçãoeadegradação;
•  Sumarizando:Aauto-regularãonega9vanosforneceomelhor
dedoismundos:
Dinâmicadeumgeneauto-regulado
nega9vamente(linhacon9nua)
Dinâmicadoprodutodeumgeneautoreguladonega9vamente(linhacon9nua)
–  Umpromotorfortepodegerarumarápidaprodução;
–  Aauto-repressãoéfinamentecontrolada;
•  Omesmopromotoremumcircuitoderegulaçãosimplesiria
levaraumasuper-expressãoindesejada;
2
X(t) / K
1.5
1.8
1.6
1.4
X/Xst
1
1.2
1
0.8
0.6
0.5
0.4
0.2
0
0
0
0.2
T1/2 (nar)
0.4
0.6
0.8
T1/2
1
(simple)
1.2
1.4
1.6
1.8
time α t
2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Time (α t)
18
Download