Informatie

10.5: Conceptbeoordeling - Biologie


  1. Wat is de basis voor het scheiden van DNA-fragmenten met behulp van elektroforese?
  2. Wat is de lading van de monsters?
  3. Wat denk je dat er zou gebeuren in de moleculen die de tegenovergestelde lading hadden?
  4. Wat zou er gebeuren als je de rode en zwarte elektrode aan de verkeerde kanten zou bevestigen?
  5. Als een DNA-molecuul drie restrictieplaatsen heeft, voor restrictie-enzym A, hoeveel fragmenten zouden er dan geproduceerd worden.
  6. Met restrictie-enzymen wordt een stukje DNA in 4 stukken geknipt, de fragmenten worden met gelelektroforese gescheiden. Hieronder de resultaten:
    1. Welk fragment zou het grootste zijn?
    2. Welk fragment zou het kleinste zijn?
  7. Hieronder staat een streng van twee DNA-monsters.
    1. Voorbeeld #1: C A G T G A T C T C G A A T T C G C T A G T A A C G T T
    2. Voorbeeld #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. Beide monsters worden behandeld met een restrictie-enzym restrictie-enzym EcoR1 dat DNA knipt op de sequentie GAATTC.
    4. Geef het aantal fragmenten aan dat door elk monster zou worden gegenereerd.
  8. Vergelijk de DNA-vingerafdruk van de plaats delict met de 3 verdachten. Welke verdachte heeft het misdrijf gepleegd?

Dit werk is in het publieke domein - http://www.genome.gov/glossary/


10.5: Conceptbeoordeling - Biologie

Alle door MDPI gepubliceerde artikelen worden direct wereldwijd beschikbaar gesteld onder een open access licentie. Er is geen speciale toestemming nodig om het door MDPI gepubliceerde artikel geheel of gedeeltelijk te hergebruiken, inclusief figuren en tabellen. Voor artikelen die zijn gepubliceerd onder een open access Creative Common CC BY-licentie, mag elk deel van het artikel zonder toestemming worden hergebruikt, op voorwaarde dat het originele artikel duidelijk wordt geciteerd.

Feature Papers vertegenwoordigen het meest geavanceerde onderzoek met een aanzienlijk potentieel voor grote impact in het veld. Feature Papers worden ingediend op individuele uitnodiging of aanbeveling door de wetenschappelijke redacteuren en ondergaan peer review voorafgaand aan publicatie.

De Feature Paper kan ofwel een origineel onderzoeksartikel zijn, een substantiële nieuwe onderzoeksstudie waarbij vaak verschillende technieken of benaderingen betrokken zijn, of een uitgebreid overzichtsdocument met beknopte en nauwkeurige updates over de laatste vooruitgang in het veld dat systematisch de meest opwindende vooruitgang in de wetenschappelijke literatuur. Dit type paper geeft een blik op toekomstige onderzoeksrichtingen of mogelijke toepassingen.

Editor's Choice-artikelen zijn gebaseerd op aanbevelingen van de wetenschappelijke redacteuren van MDPI-tijdschriften van over de hele wereld. Redacteuren selecteren een klein aantal artikelen die recentelijk in het tijdschrift zijn gepubliceerd en waarvan zij denken dat ze bijzonder interessant zijn voor auteurs, of belangrijk zijn op dit gebied. Het doel is om een ​​momentopname te geven van enkele van de meest opwindende werken die in de verschillende onderzoeksgebieden van het tijdschrift zijn gepubliceerd.


10.5 Prokaryote celdeling

Aan het einde van dit gedeelte kunt u het volgende doen:

  • Beschrijf het proces van binaire splitsing in prokaryoten
  • Leg uit hoe FtsZ- en tubuline-eiwitten voorbeelden zijn van homologie

Prokaryoten, zoals bacteriën, produceren dochtercellen door binaire splitsing. Voor eencellige organismen is celdeling de enige methode om nieuwe individuen te produceren. In zowel prokaryotische als eukaryote cellen is het resultaat van celreproductie een paar dochtercellen die genetisch identiek zijn aan de oudercel. In eencellige organismen zijn dochtercellen individuen.

Om het resultaat van gekloonde nakomelingen te bereiken, zijn bepaalde stappen essentieel. Het genomische DNA moet worden gerepliceerd en vervolgens worden toegewezen aan de dochtercellen. De cytoplasmatische inhoud moet ook worden verdeeld om beide nieuwe cellen de cellulaire machinerie te geven om het leven in stand te houden. Zoals we hebben gezien met bacteriële cellen, bestaat het genoom uit een enkel, circulair DNA-chromosoom, daarom is het proces van celdeling vereenvoudigd. Karyokinese is niet nodig omdat er geen echte kern is en het dus niet nodig is om één kopie van de meerdere chromosomen in elke dochtercel te sturen. Dit type celdeling wordt binaire (prokaryotische) splitsing genoemd.

Binaire splijting

Vanwege de relatieve eenvoud van de prokaryoten is het celdelingsproces een minder gecompliceerd en veel sneller proces dan celdeling bij eukaryoten. Als een overzicht van de algemene informatie over celdeling die we aan het begin van dit hoofdstuk bespraken, bedenk dan dat het enkele, circulaire DNA-chromosoom van bacteriën een specifieke locatie inneemt, het nucleoïde gebied, in de cel (Figuur 10.2). Hoewel het DNA van de nucleoïde is geassocieerd met eiwitten die helpen bij het verpakken van het molecuul in een compact formaat, zijn er geen histon-eiwitten en dus geen nucleosomen in prokaryoten. De pakkingseiwitten van bacteriën zijn echter verwant aan de cohesine- en condensine-eiwitten die betrokken zijn bij de chromosoomverdichting van eukaryoten.

Het bacteriële chromosoom is ongeveer in het midden van de cel aan het plasmamembraan bevestigd. Het startpunt van replicatie, de oorsprong , ligt dicht bij de bindingsplaats van het chromosoom aan het plasmamembraan (Figuur 10.15). Replicatie van het DNA is bidirectioneel en beweegt tegelijkertijd weg van de oorsprong op beide strengen van de lus. Terwijl de nieuwe dubbele strengen worden gevormd, beweegt elk oorsprongspunt weg van de celwandbevestiging naar de tegenovergestelde uiteinden van de cel. Naarmate de cel langer wordt, helpt het groeiende membraan bij het transport van de chromosomen. Nadat de chromosomen het middelpunt van de langwerpige cel hebben vrijgemaakt, begint de cytoplasmatische scheiding. De vorming van een ring bestaande uit herhalende eenheden van een eiwit genaamd FtsZ (afkorting van "filamenting temperatuurgevoelige mutant Z") leidt de scheiding tussen de nucleoïden. De vorming van de FtsZ-ring veroorzaakt de accumulatie van andere eiwitten die samenwerken om nieuwe membraan- en celwandmaterialen naar de locatie te rekruteren. Tussen de dochternucleoïden wordt een septum gevormd, dat zich geleidelijk van de periferie naar het midden van de cel uitstrekt. Wanneer de nieuwe celwanden op hun plaats zitten, scheiden de dochtercellen zich.

Evolutie verbinding

Mitotische spindelapparatuur

De precieze timing en vorming van de mitotische spil is van cruciaal belang voor het succes van eukaryote celdeling. Prokaryotische cellen ondergaan daarentegen geen karyokinese en hebben daarom geen mitotische spoel nodig. Het FtsZ-eiwit dat zo'n vitale rol speelt bij prokaryotische cytokinese, lijkt structureel en functioneel erg op tubuline, de bouwsteen van de microtubuli die de mitotische spoelvezels vormen die nodig zijn voor eukaryote nucleaire deling. FtsZ-eiwitten kunnen filamenten, ringen en andere driedimensionale structuren vormen die lijken op de manier waarop tubuline microtubuli, centriolen en verschillende cytoskeletcomponenten vormt. Bovendien gebruiken zowel FtsZ als tubuline dezelfde energiebron, GTP (guanosinetrifosfaat), om complexe structuren snel te monteren en te demonteren.

FtsZ en tubuline worden beschouwd als homologe structuren die zijn afgeleid van een gemeenschappelijke evolutionaire oorsprong. In dit voorbeeld is FtsZ het vooroudereiwit van tubuline (een evolutionair afgeleid eiwit). Hoewel beide eiwitten worden aangetroffen in bestaande organismen, is de tubuline-functie enorm geëvolueerd en gediversifieerd sinds de evolutie van de FtsZ-prokaryotische oorsprong. Een overzicht van mitotische assemblagecomponenten gevonden in hedendaagse eencellige eukaryoten onthult cruciale tussenstappen naar de complexe membraan-ingesloten genomen van meercellige eukaryoten (Tabel 10.3).


Referenties

Alon U (2003) Biologische netwerken: de knutselaar als ingenieur. Wetenschap 301(5641):1866-1867

Alon U (2007) Netwerkmotieven: theorie en experimentele benaderingen. Nat Rev Genet 8:450-461

Andasari V, Gerisch A, Lolas G, South A, Kapelaan MJ (2011) Wiskundige modellering van kankercelinvasie van weefsel: biologisch inzicht uit wiskundige analyse en computationele simulatie. J Math Biol 63(1):141-171

Arrell DK, Terzic A (2010) Netwerksysteembiologie voor medicijnontdekking. Clin Pharmacol Ther 88(1):120–125

Azmi AS, Wang Z, Philip PA, Mohammad RM, Sarkar FH (2010) Proof of concept: netwerk- en systeembiologische benaderingen helpen bij de ontdekking van krachtige combinaties van geneesmiddelen tegen kanker. Mol kanker Ther 9(12):3137-3144

Bajikar S, Janes K (2012) Multischaalmodellen van celsignalering. Ann Biomed Eng 40(11):2319-2327

Barabási A-L (2007) Netwerkgeneeskunde - van zwaarlijvigheid tot het 'ziekte'. N Engl J Med 357(4):404–407

Barkai N, Leibler S (1997) Robuustheid in eenvoudige biochemische netwerken. Natuur 387(6636):913-917

Bauer-Mehren A, Furlong LI, Sanz F (2009). Pathway-databases en hulpmiddelen voor hun exploitatie: voordelen, huidige beperkingen en uitdagingen. Mol Syst Biol 5 (Artikelnummer 290)

Becker S, Feist A, Mo M, Hannum G, Palsson B, Herrgard M (2007) Kwantitatieve voorspelling van cellulair metabolisme met op beperkingen gebaseerde modellen: de COBRA Toolbox. Nat Protoc 2:727–738

Bergman RN (1997) Het minimale model: gisteren, vandaag en morgen. In: Bergman RN, Lovejoy JC (eds) De minimale modelbenadering en bepaling van glucosetolerantie. LSU Press, Baton Rouge, pp 3-50

Bergman RN (2001) Het minimale model van glucoseregulatie: een biografie. In: Novotny J, Green M, Boston R (eds) Wiskundige modellering in voeding en gezondheid. Kluwer Academic/Plenum, Dordrecht/New York

Bertoletti A, Maini MK, Ferrari C (2010) De interactie tussen gastheer en ziekteverwekker tijdens HBV-infectie: immunologische controverses. Antivir Ther 15(3):15–24

Bhalla US, Iyengar R (1999) Opkomende eigenschappen van netwerken van biologische signaalroutes. Wetenschap 283 (5400): 381-387

Bhat PJ, Darunte L, Kareenhalli V, Dandekar J, Kumar A (2011) Kan metabole plasticiteit een oorzaak zijn van kanker? Warburg-Waddington erfenis herzien. Clin Epigenet 2:113–122

Bogle IDL, Allen R, Sumner T (2010) De rol van computerondersteunde procestechniek in fysiologie en klinische geneeskunde. Comput Chem Eng 34(5):763-769

Botstein D, White RL, Skolnick M, Davis RW (1980) Constructie van een genetische koppelingskaart bij de mens met behulp van polymorfismen van restrictiefragmentlengte. Am J Hum Genet 32(3):314-331

Brandman O, Ferrell JE Jr, Li R, Meyer T (2005) Onderling verbonden snelle en langzame positieve feedbackloops zorgen voor betrouwbare celbeslissingen. Wetenschap 310(5747):496-498

Butcher EC, Berg EL, Kunkel EJ (2004) Systeembiologie bij het ontdekken van geneesmiddelen. Nat Biotechnol 22(10):1253-1259

Butler D (1999) Computing 2010: van zwarte gaten tot biologie. Natuur 402 (6761 Suppl): C67-C70

Chan P, Holford N (2001) Geneesmiddelbehandelingseffecten op ziekteprogressie. Annu Rev Pharmacol Toxicol 41(1):625-659

Chandra N (2009) Computational system approach for drug target discovery. Expert Opin Drug Discov 4 (12): 1221-1236

Chautard E, Thierry-Mieg N, Ricard-Blum S (2009) Interactienetwerken: van eiwitfuncties tot medicijnontdekking. Een recensie. Pathol Biol (Parijs) 57(4):324-333

Chen CL, Tsai HW, Wong S-S (2010a) Modellering van het fysiologische glucose-insuline dynamische systeem bij diabetici. J Theor Biol 265(3):314-322

Chen Q, Wang Z, Wei D (2010b) Vooruitgang in de toepassingen van fluxanalyse van metabole netwerken. Chin Sci Bull 55(22):2315-2322

Chen Y, Zhang W, Gan M, Jiang R (2012) Constructie van menselijke fenomenen-interactoomnetwerken voor het prioriteren van kandidaatgenen. Stat-interface 5:137-148

Cheng TMK, Gulati S, Agius R, Bates PA (2012) Inzicht in kankermechanismen door netwerkdynamiek. Briefings Funct Genomics 11(6):543-560

Chew YH, Shia YL, Lee CT, Majid FAA, Chua LS, Sarmidi MR, Aziz AR (2009) Modellering van glucoseregulatie en insulinesignaleringsroutes. Mol Cell Endocrinol 303:13-24

Cho CR, Labow M, Reinhardt M, van Oostrum J, Peitsch MC (2006) De toepassing van systeembiologie op het ontdekken van geneesmiddelen. Curr Opin Chem Biol 10(4):294–302

Cho BK, Charusanti P, Herrgård MJ, Palsson B (2007) Microbiële regulerende en metabole netwerken. Curr Opin Biotechnol 18(4):360-364

Cloutier M, Wang E (2011) Dynamische modellering en analyse van cellulaire netwerkmotieven voor kanker. Integr Biol 3(7):724–732

Comen E, Morris P, Norton L (2012) Het vertalen van wiskundige modellering van tumorgroeipatronen naar nieuwe therapeutische benaderingen voor borstkanker. J Borstklier Biol Neoplasie 17(3–4):241–249

Csete ME, Doyle JC (2002) Reverse engineering van biologische complexiteit. Wetenschap 295 (5560): 1664-1669

Cuccato G, Gatta GD, di Bernardo D (2009) Systemen en synthetische biologie: genetische netwerken en complexe ziekten aanpakken. Erfelijkheid 102(6):527-532

Dalla Man C, Rizza RA (2007) Maaltijdsimulatiemodel van het glucose-insulinesysteem. IEEE Trans Biomed Eng 54:10

De Gaetano A, Hardy T, Beck B, Abu-Raddad E, Palumbo P, Bue-Valleskey J, Porksen N (2008) Wiskundige modellen van diabetesprogressie. 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) Modellering van voedingssysteembiologie: van moleculaire mechanismen tot fysiologie. PLoS-comput Biol 5(11):e1000554

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

del Sol A, Balling R, Hood L, Galas D (2010) Ziekten als netwerkverstoringen. Curr Opin Biotechnol 21:566-571

Duda DG, Munn LL, Jain RK (2013) Kunnen we voorspellende biomarkers voor anti-angiogene therapie van kanker identificeren met behulp van wiskundige modellering? J Natl Cancer Inst 105(11):762-765

Duffy BC, Zhu L, Decornez H, Kitchen DB (2012) Geneesmiddelontdekking in de vroege fase: cheminformatica en computationele technieken bij het identificeren van leadreeksen. Bioorg Med Chem 20(18):5324-5342

Dunker AK, Lawson JD, Brown CJ et al (2001) Intrinsiek ongeordend eiwit. J Mol Grafiek Model 19:26–59

Edelman LB, Eddy JA, Price ND (2010) In silico-modellen van kanker. Wiley Interdiscip Rev Syst Biol Med 2(4):438–459

Eissing T, Kuepfer L, Becker C, Block M, Coboeken K et al (2011) Een computersysteembiologie softwareplatform voor multischaalmodellering en simulatie: integratie van fysiologie van het hele lichaam, ziektebiologie en moleculaire reactienetwerken. Front Physiol 2(4):1–10

Erler JT, Linding R (2010) Netwerkgebaseerde medicijnen en biomarkers. J Pathol 220(2):290-296

Ferrell JE (2002) Zelf-bestendigende toestanden in signaaltransductie: positieve feedback, dubbel-negatieve feedback en bistabiliteit. Curr Opin Cell Biol 14(2):140–148

Folger O, Jerby L, Frezza C, Gottlieb E, Ruppin E, Shlomi T (2011) Voorspellen van selectieve medicijndoelen bij kanker via metabole netwerken. Mol Syst Biol 7(501):1-10

Ge H, Walhout AJM, Vidal M (2003) Integratie van 'omic'-informatie: een brug tussen genomica en systeembiologie. Trends Genet 19(10):551-560

Gehlenborg N, O'Donoghue SI, Baliga NS et al (2010) Visualisatie van omics-gegevens voor systeembiologie. Nat-methoden 7 (3s): S56-S68

Ghosh S, Young DL, Gadkar KG, Wennerberg L, Basu K (2007) Op weg naar optimale virtuele patiënten: een online adaptieve controlebenadering. Engineering in Medicine and Biology Society, 2007. EMBS 2007. In: 29e jaarlijkse internationale conferentie van de IEEE

Giri L, Mutalik V, Venkatesh K (2004) Een steady-state-analyse geeft aan dat negatieve feedbackregulatie van PTP1B door Akt bistabiliteit opwekt bij insuline-gestimuleerde GLUT4-translocatie. Theor Biol Med Model 1(1):2

Goh K-I, Cusick ME, Valle D, Childs B, Vidal M, Barabasi A-L (2007) Het menselijke ziektenetwerk. PNAS 104(21):8685-8690

Hageman BR, Trichler DL, Gaile DP (2012) Wiskundige en statistische modellering in de biologie van kankersystemen. Front Physiol 3(227)::1–8

Hamosh A, Scott AF, Amberger JS, Bocchini CA, McKusick VA (2005) Online Mendeliaanse overerving bij de mens (OMIM), een kennisbank van menselijke genen en genetische aandoeningen. Nucleïnezuren Res 33(suppl 1):D514-D517

Handorf T, Klipp E (2012) Modellering van mechanistische biologische netwerken: een geavanceerde Booleaanse benadering. Bio-informatica 28(4):557-563

Hartwell LH, Hopfield JJ, Leibler S, Murray AW (1999) Van moleculaire tot modulaire celbiologie. Natuur 402:C47-C52

Hase T, Tanaka H, ​​Suzuki Y, Nakagawa S, Kitano H (2009) Structuur van eiwitinteractienetwerken en hun implicaties voor het ontwerpen van geneesmiddelen. PLoS-comput Biol 5(10):e1000550

Heiner M, Gilbert D (2013) BioModel engineering voor multiscale systeembiologie. Prog Biophys Mol Biol 111(2–3):119–128

Herrgård MJ, Covert MW, Palsson BØ (2004) Reconstructie van microbiële transcriptionele regulerende netwerken. Curr Opin Biotechnol 15(1):70–77

Houtman JCD, Barda-Saad M, Samelson LE (2005) Onderzoek van multiproteïne-signaleringscomplexen vanuit alle hoeken. FEBS J 272(21):5426–5435

Hunter P, Smith N, Fernandez J, Tawhai M (2005) Integratie van eiwitten naar organen: het IUPS-fysiome-project. Mech Aging Dev 126(1):187-192

Hunter P, Chapman T, Coveney PV et al (2013) Een visie en strategie voor de virtuele fysiologische mens: update 2012. Interface Focus 3(2):2042-8901

Imms R, Warburton C, Summers R (2011) Technische biologie: modelconceptualisatie en -realisatie. Meetcontrole 44(6):175–179

Janes KA, Yaffe MB (2006) Gegevensgestuurde modellering van signaaltransductienetwerken. Nat Rev Mol Cell Biol 7(11):820-828

Jordán F, Nguyen TP, Liu W (2012) Onderzoek naar eiwit-eiwit-interactienetwerken: een systeemvisie op ziekten. Briefings Funct Genomics 11(6):497-504

Jørgensen C, Linding R (2008) Directionele en kwantitatieve fosforyleringsnetwerken. Briefings Funct Genomics Proteomics 7(1):17–26

Kahraman A, Avramov A, Nashev LG et al (2005) PhenomicDB: een multi-species genotype / fenotype-database voor vergelijkende fenomics. Bio-informatica 21:418–420

Kann MG (2007) Eiwitinteracties en ziekte: computationele benaderingen om de etiologie van ziekten bloot te leggen. Briefings Bioinform 8(5):333-346

Karp PD, Ouzounis CA, Moore-Kochlacs C, Goldovsky L et al (2005) Uitbreiding van de BioCyc-verzameling van route-/genoomdatabases tot 160 genomen. Nucleïnezuren Res 33(19):6083-6089

Kholodenko BN (2006) Celsignaleringsdynamiek in tijd en ruimte. Nat Rev Mol Cell Biol 7 (3): 165-176

Kholodenko BN, Kiyatkin A, Bruggeman F, Sontag E, Westerhoff HV, Hoek JB (2002) De draden ontwarren: een strategie om functionele interacties in signalerings- en gennetwerken op te sporen. Proc Natl Acad Sci 99(20): 12841-12846

Kholodenko B, Yaffe MB, Kolch W (2012) Computationele benaderingen voor het analyseren van de informatiestroom in biologische netwerken. Sci Signaal 5(220):re1

Kim J, Saidel G, Cabrera M (2007) Multischaal computermodel van brandstofhomeostase tijdens inspanning: effect van hormonale controle. Ann Biomed Eng 35(1):69–90

Kim TY, Kim HU, Lee SY (2010) Gegevensintegratie en analyse van biologische netwerken. Curr Opin Biotechnol 21(1):78–84

Kim HU, Sohn SB, Lee SY (2012) Modellering en simulatie van metabolische netwerken voor targeting en ontdekking van geneesmiddelen. Biotechnol J 7(3):330-342

Kirouac DC, Ito C, Csaszar E, Roch A, Yu M, Sykes EA, Bader GD, Zandstra PW (2010) Dynamische interactienetwerken in een hiërarchisch georganiseerd weefsel. Mol Syst Biol 6(417)::1–17

Kitano H (2002a) Computationele systeembiologie. Natuur 420(6912):206-210

Kitano H (2002b) Systeembiologie: een kort overzicht. Wetenschap 295 (5560): 1662-1664

Kitano H (2007) Op weg naar een theorie van biologische robuustheid. Mol Syst Biol 3(137)::1–7

Kitano H, Oda K, Kimura T, Matsuoka Y, Csete M, Doyle J, Muramatsu M (2004) Metabool syndroom en robuustheid afwegingen. Diabetes 53 (suppl 3):S6-S15

Klinke D (2008) Integratie van epidemiologische gegevens in een mechanisch model van type 2 diabetes: validering van de prevalentie van virtuele patiënten. Ann Biomed Eng 36(2):321-334

Klipp E, Wade RC, Kummer U (2010) Biochemische netwerkgebaseerde voorspelling van medicijndoelen. Curr Opin Biotechnol 21(4):511-516

Kolodkin A, Boogerd FC, Plant N, Bruggeman FJ, Goncharuk V et al (2012) Opkomst van de silicium mens- en netwerkgerichte medicijnen. Eur J Pharm Sci 46(4):190-197

Koschorreck M, Conzelmann H, Ebert S, Ederer M, Gilles E (2007) Verminderde modellering van signaaltransductie - een modulaire benadering. BMC Bio-informatica 8(1):336

Koshiyama H, Ogawa Y, Tanaka K, Tanaka I (2010) Geïntegreerde netwerksystemen en evolutionaire ontwikkelings-endocrinologie. Med Hypothesen 74(1):132-138

Koster ES, Rodin AS, Raaijmakers JA, Maitland-vander Zee AH (2009) Systeembiologie in farmacogenomisch onderzoek: de weg naar gepersonaliseerd voorschrijven? Farmacogenomica 10(6):971–981

Koyutürk M (2010) Algoritmische en analytische methoden in netwerkbiologie. Wiley Interdiscip Rev Syst Biol Med 2(3):277-292

Kumar N, Hendriks BS, Janes KA, de Graaf D, Lauffenburger DA (2006) Computermodellering toepassen op de ontdekking en ontwikkeling van geneesmiddelen. Geneesmiddelontdekking vandaag 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) Een menselijk fenomenen-interactoomnetwerk van eiwitcomplexen die betrokken zijn bij genetische aandoeningen. Nat Biotechnol 25(3):309–316

Langley SR, Dwyer J, Drozdov I, Yin X, Mayr M (2013) Proteomics: van afzonderlijke moleculen tot biologische routes. Cardiovasculaire 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) BioModels Database: een gratis, gecentraliseerde database van samengestelde, gepubliceerde, kwantitatieve kinetische modellen van biochemische en cellulaire systemen. Nucleïnezuren Res 34 (Databaseprobleem): D689-D691

Lesko L, Atkinson A (2001) Gebruik van biomarkers en surrogaateindpunten bij de ontwikkeling van geneesmiddelen en besluitvorming op het gebied van regelgeving: criteria, validatie, strategieën. Annu Rev Pharmacol Toxicol 41(1):347-366

Liu B, Thagrajan PS (2012) Modellering en analyse van de dynamiek van biopathways. J Bioinform Comput Biol 10(04):1231001

Liu W, Hsin CC, Tang F (2009) Een moleculair wiskundig model van glucosemobilisatie en opname. Wiskunde Biosci 221:121–129

Maayan A (2011) Inleiding tot netwerkanalyse in systeembiologie. Sci-signaal 4(190):tr5, 1-11

Macé G, Bogliolo M, Guervilly JH, Dugas du Villard JA, Rosselli F (2005) 3R-coördinatie door Fanconi-anemie-eiwitten. Biochimie 87(7):647-658

Makroglou A, Li J, Kuang Y (2006) Wiskundige modellen en softwaretools voor het glucose-insuline-regulatiesysteem en diabetes: een overzicht. Appl-nummer Wiskunde 56:559-573

Mardinoglu A, Nielsen J (2012) Systeemgeneeskunde en metabole modellering. J Stagiair Med 271(2):142–154

Mayer B (1999) Eiwit-eiwit interacties in signaalcascades. Mol Biotechnol 13(3):201-213

Meeting H (2007) Computermodellering van diabetes en de complicaties ervan. Diabeteszorg 30(6):1638-1646

Menolascina F, Siciliano V, di Bernardo D (2012) Engineering en controle van biologische systemen: een nieuwe manier om complexe ziekten aan te pakken. FEBS Lett 586(15):2122–2128

Milo R, Shen-Orr S, Itzkovitz S, Kashtan N, Chklovskii D, Alon U (2002) Netwerkmotieven: eenvoudige bouwstenen van complexe netwerken. Wetenschap 298:824–827

Miyatsuka H, ​​Matsuoka T, Kaneto H (2008) Transcriptiefactoren als therapeutische doelen voor diabetes. Expert Mening Ther Targets 12(11):1431-1442

Mizushima T (2012) Identificatie van moleculair mechanisme voor acties van bestaande medicijnen en de toepassing ervan voor medicijnontwikkeling. Yakugaku Zasshi 132(6):713-720

Moller DE (2001) Nieuwe medicijndoelen voor diabetes type 2 en het metabool syndroom. Natuur 414(6865):821-827

Moreno-Sánchez R, Saavedra E, Rodríguez-Enríquez S, Olín-Sandoval V (2008) Analyse van metabole controle: een hulpmiddel voor het ontwerpen van strategieën om metabole routes te manipuleren. J Biomed Biotechnol (Artikel ID 597913):30

Neduva V, Russell RB (2006) Peptiden die interactienetwerken bemiddelen: eindelijk nieuwe leads. Curr Opin Biotechnol 17(5):465-471

Nielsen J (2012) Translationele en systeemgeneeskunde. J Stagiair Med 271(2):108–110

Oberhardt M, Palsson B, Papin J (2009) Toepassingen van metabole reconstructies op genoomschaal. Mol Syst Biol 5(320)::1–15

Ogata H, Goto S, Sato K, Fujibuchi W, Bono H, Kanehisa M (1999) KEGG: Kyoto-encyclopedie van genen en genomen. Nucleïnezuren Res 27(1):29–34

Orth J, Thiele I, Palsson B (2010) Wat is fluxbalansanalyse? Nat Biotechnol 28:245-248

Papin JA, Hunter T, Palsson BO, Subramaniam S (2005) Reconstructie van cellulaire signaleringsnetwerken en analyse van hun eigenschappen. Nat Rev Mol Cell Biol 6(2):99–111

Park J, Lee D-S, Christakis N, Barabasi A-L (2009) De impact van cellulaire netwerken op comorbiditeit van ziekten. Mol Syst Biol 5:262

Pattaranit R, van den Berg HA (2008) Wiskundige modellen van energiehomeostase. JR Soc-interface 5(27)::1119–1135

Perez-Iratxeta C, Bork P, Andrade MA (2002) Vereniging van genen voor genetisch overgeërfde ziekten met behulp van datamining. Nat Genet 31(3):316-319

Pfau T, Christian N, Ebenhöh O (2011) Systeembenaderingen voor het modelleren van paden en netwerken. Briefings Funct Genomics 10(5):266-279

Post TM, Freijer JI, DeJongh J, Danhof M (2005) Analyse van het ziektesysteem: basismodellen voor ziekteprogressie bij degeneratieve ziekte. Pharm Res 22(7):1038-1049

Przytycka T, Kim Y-A (2010) Netwerkintegratie ontmoet netwerkdynamiek. BMC Biol 8(1):48

Pujol A, Farre J, Aloy P (2010) Onthulling van de rol van netwerk- en systeembiologie bij het ontdekken van geneesmiddelen. Trends Pharmacol Sci 31(3): 115–123

Qi Y, Ge H (2006) Modulariteit en dynamiek van mobiele netwerken. PLoS-comput Biol 2 (12): e174

Rao CV, Arkin AP (2001) Controlemotieven voor intracellulaire regulerende netwerken. Annu Rev Biomed Eng 3(1):391-419

Rees SE, Carson ER, Feng DD, Andreassen S (2011) Modellering en controle in biomedische systemen. Computermethoden Programma's Biomed 104(2):27–28

Renner S, Popov M, Schuffenhauer A, Roth HJ, Breitenstein W, Marzinzik A, Lewis I, Krastel P, Nigsch F, Jenkins J, Jacoby E (2011) Recente trends en observaties in het ontwerp van hoogwaardige screeningcollecties. Toekomstige Med Chem 3 (6):751-766

Resendis-Antonio O, Checa A, Encarnación S (2010) Modellering van het kernmetabolisme in kankercellen: onderzoek naar de topologie die ten grondslag ligt aan het Warburg-effect. PLoS EEN 5(8):e12383

Rolfsson O, Palsson B, Thiele I (2011) De menselijke metabole reconstructie Recon 1 stuurt hypothesen van nieuwe menselijke metabole functies. BMC Syst Biol 5(1):155

Roy A, Parker RS ​​(2006) Dynamische modellering van vrije vetzuren, glucose en insuline: een uitgebreid "minimaal model". Diabetes Technol Ther 8:617–626

Safran M, Chalifa-Caspi V, Shmueli O et al (2003) Menselijke gencentrische databases bij het Weizmann Institute of Science: GeneCards, UDB, CroW 21 en HORDE. Nucleïnezuren Res 31(1):142–146

Sam L, Liu Y, Jianrong L et al (2007) Ontdekking van eiwitinteractienetwerken gedeeld door ziekten. Pac Symp Biocomput 12:76–87

Sangar V, Eddy JA, Simeonidis E, Price N (2012) Mechanistische modellering van afwijkend energiemetabolisme bij menselijke ziekten. Front Physiol 3(404)::1-10

Schenone M, Dančík V, Wagner BK, Clemons PA (2013), Doelidentificatie en werkingsmechanisme in chemische biologie en medicijnontdekking. Nat Chem Biol 9:232–240

Schleich K, Lavrik I (2013) Wiskundige modellering van apoptose. Cel gemeenschappelijk signaal 11(1):44

Scriver CR, Waters PJ (1999) Monogene eigenschappen zijn niet eenvoudig: lessen uit fenylketonurie. Trends Genet 15:267–272

Sedaghat AR, Sherman A, Quon MJ (2002) Een wiskundig model van metabole insulinesignaleringsroutes. Am J Physiol Endocrinol Metab 283(5):E1084-E1101

Sesti G (2006) Pathofysiologie van insulineresistentie. Best Pract Res Clin Endocrinol Metab 20(4):665–679

Shahrezaei V, Swain PS (2008) De stochastische aard van biochemische netwerken. Curr Opin Biotechnol 19(4):369-374

Sharan TI (2008) Eiwitnetwerken bij ziekten. Genoom Res 18:644-652

Smith C (2003) Validatie van medicijndoelen: het doelwit raken. Natuur 422(6929):341-347

Smith JMD, Maas JA, Garnsworthy PC, Owen MR, Coombes S, Pillay TS, Barrett DA, Symonds ME (2009) Wiskundige modellering van glucosehomeostase en de relatie met energiebalans en lichaamsvet. Obesitas 17 (4): 632-639

Sriram G, Liao JC, Dipple KM (2005) Een uitgebreid insulinesignaleringsmodel voor het voorspellen van fenotypen met behulp van expressiegegevens. Samenvatting, AICHE Jaarvergadering 2005

Stelling J, Sauer U, Szallasi Z, Doyle Iii FJ, Doyle J (2004) Robuustheid van cellulaire functies. Cel 118(6):675-685

Tegnér JN, Compte A, Auffray C et al (2009) Computationele ziektemodellering - feit of fictie? BMC Syst Biol 3(56)::1-3

Terentiev A, Mologazieva N, Shaitan K (2009) Dynamische proteomics bij het modelleren van de levende cel. Eiwit-eiwit interacties. Biochem (Moskou) 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 ) Identificatie van computerziektegenen: een samenspel van methoden geeft prioriteit aan kandidaatgenen voor type 2 diabetes en obesitas. Nucleïnezuren Res 34(10):3067-3081

Topp B, Promislow K, Devries G, Miuraa RM, Finegood DT (2000) Een model van B-celmassa, insuline en glucosekinetiek: wegen naar diabetes. J Theor Biol 206:605-619

Tripathy D, Chavez AO (2010) Defecten in insulinesecretie en actie in de pathogenese van type 2 diabetes mellitus. Curr Diab Rep 10: 184-191

Tyson JJ, Chen K, Novak B (2001) Netwerkdynamiek en celfysiologie. Nat Rev Mol Cell Biol 2 (12): 908-916

van Driel MA, Cuelenaere K, Kemmeren PPCW, Leunissen JAM, Brunner HG, Vriend G (2005) GeneSeeker: extractie en integratie van menselijke ziektegerelateerde informatie uit webgebaseerde genetische databases. Nucleïnezuren Res 33 (suppl 2): ​​W758-W761

Verkhedkar KD, Raman K, Chandra NR, Vishveshwara S (2007) Metabolome-gebaseerde reactiegrafieken van M. tuberculose en M. leprae: een vergelijkende netwerkanalyse. PLoS EEN 2(9):e881

Vicini P (2008) Kinetische modellen op het snijvlak van biologie, techniek en geneeskunde. Drug Discov Today Dis Model 5 (4): 271–272

Vicini P, Caumo A, Cobelli C (1999) Glucose-effectiviteit en insulinegevoeligheid van de minimale modellen: gevolgen van ondermodellering beoordeeld door Monte Carlo-simulatie. IEEE Trans Biomed Eng 46(2):130–137

Walpole J, Papin JA, Peirce SM (2013) Multiscale computationele modellen van complexe biologische systemen. Annu Rev Biomed Eng 15(1):137–154

Wang E (2010) Een routekaart van de biologie van kankersystemen. Natuurprocedures. http://hdl.handle.net/10101/npre.2010.4322.2

Wang E, Lenferink A, O'Connor-McCourt M (2007) Genetische studies van ziekten. Cel Mol Life Sci 64(14):1752-1762

Wang J, Zhang L, Jing C, Ye G, Wu H, Miao H, Wu Y, Zhou X (2013) Multi-scale agent-gebaseerde modellering van melanoom en de bijbehorende angiogenese-analyse. Theor Biol Med Model 10(1):41

Wells JA, McClendon CL (2007) Bereiken van hooghangend fruit bij het ontdekken van geneesmiddelen op eiwit-eiwitinterfaces. Natuur 450(7172)::1001-1009

Werner B, Dingli D, Traulsen A (2013) Een deterministisch model voor het optreden en de dynamiek van meerdere mutaties in hiërarchisch georganiseerde weefsels. JR Soc-interface 10(85)::1–10

Wilkinson DJ (2009) Stochastische modellering voor kwantitatieve beschrijving van heterogene biologische systemen. Nat Rev Genet 10(2):122-133

Winslow RL, Trayanova N, Geman D, Miller MI (2012) Computergeneeskunde: modellen vertalen naar klinische zorg. Sci Transl Med 4(158):158rv111

Wolf DM, Arkin AP (2003) Motieven, modules en games in bacteriën. Curr Opin Microbiol 6(2):125–134

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

Zanzoni A, Soler-López M, Aloy P (2009) Een netwerkgeneeskundige benadering van ziekten bij de mens. FEBS Lett 583:1759-1765

Zelezniak A, Pers T, Soares S, Patti M, Patil K (2010) Metabolische netwerktopologie onthult transcriptionele regulerende handtekeningen van type 2-diabetes. PLoS Comput Biol 6:e1000729

Zheng Y, Moore H, Piryatinska A, Solis T, Sweet-Cordero EA (2013) Wiskundige modellering van tumorcelproliferatiekinetiek en labelretentie in een muismodel van longkanker. Kankeronderzoek 73 (12): 3525-3533

Zhu X, Gerstein M, Snyder M (2007) Verbinding maken: analyse en principes van biologische netwerken. Genen Dev 21: 1010-1024

Zhu M, Gao L, Li X, Liu Z, Xu C, Yan Y, Walker E et al (2009) De analyse van de medicijndoelen op basis van de topologische eigenschappen in het menselijke eiwit-eiwitinteractienetwerk. J Geneesmiddeldoel 17 (7): 524-532

Zinovyev A, Fourquet S, Tournier L, Calzone L, Barillot E (2012) Celdood en leven bij kanker: wiskundige modellering van beslissingen over het lot van cellen. Adv Expt Med Biol 736:261–274


Gedeelde Flashcard-set

Gebruik figuur 11–3 om de volgende vraag te beantwoorden. Als een erwtenplant die heterozygoot is voor ronde, gele erwten (RrYy) is gekruist met een erwtenplant die homozygoot is voor ronde erwten maar heterozygoot voor gele erwten (RRYy), hoeveel verschillende fenotypes zullen hun nakomelingen naar verwachting vertonen?

A. bevindt zich in de kern.

C. bevindt zich in de ribosomen.

NS. zweeft vrij in het cytoplasma.

Een student deed drie blokjes agar met de indicator fenolftaleïne in een beker azijn. De zijkanten van de kubussen hadden de volgende lengtes: 3 cm, 2 cm en 1 cm. In aanwezigheid van een zuur, zoals azijn, verkleurt fenolftaleïne van roze naar helder. Na 10 minuten sneed de student elke kubus open en mat de afstand die de azijn in elke kubus had verspreid. Daarna begon ze de gegevenstabel in te vullen.

afleiden Kijk naar de experimentele opstelling in figuur 10–11. Wat is het volume (in cm3) van de kubus van 2 cm?

Sommige cellen vormen een celplaat tijdens cytokinese. Welke van de volgende situaties is waar voor de cellen in figuur 10.6 hierboven?

A. Geen van beide cellen vormt een celplaat tijdens cytokinese.

B. Alleen cel A vormt een celplaat tijdens cytokinese.

C. Beide cellen vormen celplaten tijdens cytokinese.

NS. Alleen cel B vormt een celplaat tijdens cytokinese.

NS. Alleen cel B vormt een celplaat tijdens cytokinese.

Beelden interpreteren Waar komen de elektronen die langs het binnenmembraan in figuur 9–8 bewegen terecht?

A. Ze eindigen in de intermembrane ruimte.

B. Ze verbinden zich met 4 H+ en O2 om watermoleculen te vormen.

C. Ze binden ADP + P om ATP te maken.

NS. Ze eindigen in de elektronentransportketen.

B. Ze verbinden zich met 4 H+ en O2 om watermoleculen te vormen.

In figuur 12–4 moeten de percentages van alle vier de kolommen optellen tot 90.

Tabellen interpreteren Identificeer het fenotype van het nageslacht dat wordt weergegeven door het vraagteken in figuur 11–6.

A. Het fenotype van het nageslacht is bbRR

B. Het fenotype van het nageslacht is wit, ruw haar.

C. Het fenotype van het nageslacht is zwart, ruw haar

NS. Het fenotype van het nageslacht is wit, glad haar

Celdeling wordt in figuur 10–3 weergegeven met de letter

Beelden interpreteren Wat stelt figuur 10–10 voor? Hoe weet je of dit een dierlijke cel of een plantencel is?

A. Het toont verschillende stadia van meiose in een dierlijke cel. We weten dat dit een dierlijke cel is vanwege de aanwezigheid van chromosomen.

B. Het toont verschillende stadia van meiose in een dierlijke cel. We weten dat dit een dierlijke cel is vanwege de aanwezigheid van centriolen en de vorm van de cellen.

C. Het toont verschillende stadia van mitose in een dierlijke cel. We weten dat dit een dierlijke cel is vanwege de aanwezigheid van chromosomen en de vorm van de cellen.

NS. Het toont verschillende stadia van mitose in een dierlijke cel. We weten dat dit een dierlijke cel is vanwege de aanwezigheid van centriolen en de vorm van de cellen.

Welke eigenschap houdt hoogstwaarschijnlijk verband met het hebben van een gebogen vleugel in de fruitvlieg in figuur 11.5?

Welke rol speelt structuur A in mitose in figuur 10.4?

C. verbinden met spindelvezels

NS. nucleaire envelop oplossen

Voorspellen Kijk naar de kankercellen in figuur 10–12. Wat kan er gebeuren als deze cellen onbehandeld blijven?

A. Ze zullen uiteindelijk stoppen met groeien en beginnen terug te krimpen tot normale grootte en verdwijnen dan.

B. Ze kunnen loskomen van de massa waar ze nu deel van uitmaken en zich door het lichaam verspreiden, normale activiteiten verstoren, secundaire tumoren vormen en ernstige medische problemen veroorzaken.

C. Ze zullen niet reageren op chemotherapie of bestraling.

NS. Er gebeurt niets als ze onbehandeld blijven.

Indien kooldioxide 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.

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

C. melkzuurfermentatie

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

NS. 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.

NS. 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

NS. 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.

NS. 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.

Voorspellen 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.

NS. 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.

Voorspellen 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.

NS. 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. Beide 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.


Referenties

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. genen 9, 341 (2018).

Dorit, R. The biology of what is not there. Ben. Wetenschap. 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. Cel 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. Biotechnologie. 37, 730–743 (2019).

Engqvist, M. K. M. & Rabe, K. S. Applications of protein engineering and directed evolution in plant research. Planten Fysiol. 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. gemeenschappelijk 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. ds. 118, 8786–8797 (2018).

Erb, T. J., Jones, P. R. & Bar-Even, A. Synthetic metabolism: metabolic engineering meets enzyme design. Curr. Opin. 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. Wetenschap 363, eaat9077 (2019).

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

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

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

Park, S. Y. et al. Agrochemical control of plant water use using engineered abscisic acid receptors. Natuur 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. Wetenschap 349, 1095–1100 (2015).

Wang, C., Zheng, P. & Chen, P. Construction of synthetic pathways for raspberry ketone production in engineered Escherichia coli. Toepasselijk microbiologisch. Biotechnologie. 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. Wetenschap 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. Planten Fysiol. 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. gemeenschappelijk 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. Biotechnologie. 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. Filos. Trans. R. Soc. Londen. B Biol. Wetenschap. 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. Wetenschap 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. VS 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. Wetenschap. VS 115, E92–E101 (2018).

Ragsdale, S. W. & Pierce, E. Acetogenesis and the Wood-Ljungdahl pathway of CO2 fixation. Biochim. Biofysica. 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. Wetenschap. VS 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. Wetenschap. VS 105, 7851–7856 (2008).

Trudeau, D. L. et al. Design and in vitro realization of carbon-conserving photorespiration. Proc. Natl Acad. Wetenschap. VS 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. Wetenschap. VS 107, 8889–8894 (2010).

Schwander, T. et al. A synthetic pathway for the fixation of carbon dioxide in vitro. Wetenschap 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 van organisms turning into groups als 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 zijn co‐operative groups, so are the Product of group selection!


Sectie Samenvatting

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.

Opdrachten

Woordenlijst

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

genetische manipulatie: 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

plasmide: 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