Struktura genové regulační sítě.
Kontrolní proces genové regulační sítě.
V jednobuněčných organismech regulační sítě reagují na vnější prostředí a optimalizují buňku v daném čase pro přežití v tomto prostředí. Tak kvasinková buňka, která se ocitne v cukerném roztoku, zapne geny a vytvoří enzymy, které zpracovávají cukr na alkohol. Tento proces, který spojujeme s výrobou vína, je způsob, jakým kvasinková buňka žije, získává energii na množení, což by za normálních okolností zvýšilo její vyhlídky na přežití.
U mnohobuněčných živočichů byl stejný princip dán do služeb genové kaskády, která kontroluje tvar těla. Pokaždé, když se buňka rozdělí, výsledkem jsou dvě buňky, které sice obsahují stejný genom v plném rozsahu, ale mohou se lišit v tom, které geny jsou zapnuty a tvoří proteiny. Někdy „samonosná zpětnovazební smyčka“ zajišťuje, že si buňka udrží svou identitu a předá ji dál. Méně pochopený je mechanismus epigenetiky, kterým modifikace chromatinu může zajistit buněčnou paměť tím, že blokuje nebo umožňuje transkripci. Významným rysem mnohobuněčných živočichů je použití gradientů morfogenu, které ve skutečnosti poskytují polohovací systém, který říká buňce, kde v těle je, a tedy jakým typem buňky se má stát. Gen, který je zapnut v jedné buňce, může vytvořit produkt, který opustí buňku a difúzuje sousedními buňkami, vstupuje do nich a zapíná geny pouze tehdy, je-li přítomen nad určitou prahovou úroveň. Tyto buňky jsou tak navozeny k novému osudu a mohou dokonce generovat další morfogeny, které vysílají signál zpět do původní buňky. Na delší vzdálenosti mohou morfogeny používat aktivní proces přenosu signálu. Taková signalizace kontroluje embryogenezi, budování tělesného plánu od nuly prostřednictvím řady postupných kroků. Kontrolují také udržování dospělých těl prostřednictvím procesů zpětné vazby a ztráta takové zpětné vazby kvůli mutaci může být zodpovědná za proliferaci buněk, která je pozorována u rakoviny. Souběžně s tímto procesem budování struktury se genová kaskáda obrací na geny, které vytvářejí strukturální proteiny, které dávají každé buňce fyzické vlastnosti, které potřebuje.
Uzly této sítě jsou proteiny, jejich odpovídající mRNA a protein/proteinové komplexy. Uzly, které jsou zobrazeny jako ležící podél svislých čar, jsou spojeny s buňkou/prostředím rozhraní, zatímco ostatní jsou volně plovoucí a difuzní. Implikované jsou geny, sekvence DNA, které jsou přepsány do mRNA, které se převádějí do proteinů. Okraje mezi uzly představují jednotlivé molekulární reakce, interakce protein/protein a protein/mRNA, prostřednictvím kterých produkty jednoho genu ovlivňují produkty jiného genu, ačkoliv z nedostatku experimentálně získaných informací často vyplývá, že některé reakce nejsou modelovány na tak jemné úrovni detailu. Tyto interakce mohou být induktivní (hroty šípů), kdy zvýšení koncentrace jednoho vede ke zvýšení koncentrace druhého, nebo inhibiční (vyplněné kruhy), kdy zvýšení koncentrace jednoho vede ke snížení druhého. Řada hran ukazuje řetězec takových závislostí, přičemž cykly odpovídají smyčkám zpětné vazby. Struktura sítě je abstrakcí chemické dynamiky systému, popisující rozličné způsoby, kterými jedna látka ovlivňuje všechny ostatní, s nimiž je spojena. V praxi jsou takové GRN odvozeny z biologické literatury o daném systému a představují destilaci kolektivních znalostí o souboru souvisejících biochemických reakcí.
Na geny lze pohlížet jako na uzly v síti, přičemž vstupem jsou proteiny, jako jsou transkripční faktory, a výstupy je úroveň genové exprese. Na samotný uzel lze také pohlížet jako na funkci, kterou lze získat kombinací základních funkcí na vstupech (v booleovské síti popsané níže jsou to booleovské funkce, typicky AND, OR a NOT). Tyto funkce byly interpretovány jako provádění určitého druhu zpracování informací uvnitř buňky, které určuje buněčné chování. Základními hybateli uvnitř buněk jsou koncentrace některých proteinů, které určují jak prostorové (umístění uvnitř buňky nebo tkáně), tak časové (buněčný cyklus nebo vývojové stadium) souřadnice buňky, jako druh „buněčné paměti“. Genové sítě teprve začínají být pochopeny a je dalším krokem biologie pokusit se odvodit funkce pro každý genový „uzel“, pomoci pochopit chování systému ve stále větší míře složitosti, od genu po signální dráhu, úroveň buněk nebo tkání (viz biologie systémů).
Matematické modely GRN byly vyvinuty pro zachycení chování modelovaného systému a v některých případech generují předpovědi odpovídající experimentálním pozorováním. V některých jiných případech modely prokázaly, že vytvářejí přesné neotřelé předpovědi, které mohou být experimentálně testovány, a tak navrhují nové přístupy k prozkoumání v experimentu, které by někdy nebyly brány v úvahu při návrhu protokolu experimentální laboratoře. Nejběžnější modelovací technika zahrnuje použití spojených obyčejných diferenciálních rovnic (ODE). Bylo použito několik dalších slibných modelovacích technik, včetně booleovských sítí, Petriho sítí, bayesovských sítí, grafických Gaussových modelů, stochastických a procesních výpočtů. Naopak byly navrženy techniky pro generování modelů GRN, které nejlépe vysvětlují množinu pozorování časových řad.
Je běžné modelovat takovou síť se souborem spřažených obyčejných diferenciálních rovnic (ODE) nebo stochastických ODE, popisujících reakční kinetiku jednotlivých složek. Předpokládejme, že naše regulační síť má uzly, a nechť reprezentují koncentrace odpovídajících látek v čase . Pak může být časový vývoj systému popsán přibližně podle
kde funkce vyjadřují závislost na koncentracích jiných látek přítomných v buňce. Funkce jsou nakonec odvozeny ze základních principů chemické kinetiky nebo jednoduchých výrazů odvozených z těchto např. Michaelis-Mentenovy enzymatické kinetiky. Proto jsou funkční formy obvykle vybírány jako polynomy nízkého řádu nebo Hillovy funkce, které slouží jako ansatz pro skutečnou molekulární dynamiku. Takové modely jsou pak studovány pomocí matematiky nelineární dynamiky. Systémově specifické informace, jako konstanty a citlivosti reakční rychlosti, jsou kódovány jako konstantní parametry.
Řešením pro pevný bod systému:
pro všechny , Jeden získá (případně několik) koncentračních profilů proteinů a mRNA, které jsou teoreticky udržitelné (i když ne nutně stabilní). Ustálené stavy kinetických rovnic tak odpovídají potenciálním typům buněk a oscilační řešení výše uvedené rovnice přirozeně cyklickým typům buněk. Matematická stabilita těchto atraktorů může být obvykle charakterizována znaménkem vyšších derivátů v kritických bodech a pak odpovídá biochemické stabilitě koncentračního profilu. Kritické body a bifurkace v rovnicích odpovídají kritickým stavům buněk, ve kterých by malé stavy nebo odchylky parametrů mohly přepínat systém mezi jedním z několika stabilních diferenciačních osudů. Trajektorie odpovídají rozvíjení biologických drah a přechodových jevů rovnic ke krátkodobým biologickým dějům. Více matematické diskuse viz články o nelinearitě, dynamických systémech, bifurkační teorii a teorii chaosu.
Následující příklad ilustruje, jak může booleovská síť modelovat GRN společně s jejími genovými produkty (výstupy) a látkami z prostředí, které ji ovlivňují (vstupy). Stuart Kauffman byl mezi prvními biology, kteří použili metaforu booleovských sítí k modelování genetických regulačních sítí.
Platnost modelu lze testovat porovnáním výsledků simulace s pozorováním časových řad.
Spojité síťové modely GRN jsou rozšířením výše popsaných booleovských sítí. Uzly stále představují geny a spojení mezi nimi regulační vlivy na genovou expresi. Geny v biologických systémech vykazují spojitý rozsah úrovní aktivity a bylo argumentováno, že použití spojité reprezentace zachycuje několik vlastností genových regulačních sítí, které nejsou přítomny v booleovském modelu. Formálně je většina těchto přístupů podobná umělé neuronové síti, protože vstupy do uzlu jsou sečteny a výsledek slouží jako vstup do sigmoidní funkce, např. ale proteiny často kontrolují genovou expresi synergickým, tj. nelineárním způsobem. Nicméně nyní existuje spojitý síťový model, který umožňuje seskupení vstupů do uzlu a tím realizaci další úrovně regulace. Tento model je formálně blíže k rekurentní neuronové síti vyššího řádu. Stejný model byl také použit k napodobení vývoje buněčné diferenciace a dokonce multibuněčné morfogeneze.
Nedávné experimentální výsledky
prokázaly, že genová exprese je stochastický proces. Mnoho autorů tedy nyní používá stochastický formalismus, po práci. Práce na jednoduché genové expresi a malých syntetických genetických sítích, jako je genetický přepínací spínač Tima Gardnera a Jima Collinse, poskytly další experimentální údaje o fenotypové variabilitě a stochastické povaze genové exprese. První verze stochastických modelů genové exprese zahrnovaly pouze okamžité reakce a byly řízeny Gillespieho algoritmem.
Vzhledem k tomu, že některé procesy, jako například transkripce genů, zahrnují mnoho reakcí a nemohly být správně modelovány jako okamžitá reakce v jednom kroku, bylo navrženo modelovat tyto reakce jako jednorázové vícenásobné opožděné reakce, aby byl započítán čas potřebný k dokončení celého procesu.
Odtud byla navržena sada reakcí, které umožňují generovat GRN. Ty jsou pak simulovány pomocí modifikované verze Gillespieho algoritmu, který může simulovat vícenásobné časově opožděné reakce (chemické reakce, kdy je každému z produktů poskytnuta časová prodleva, která určuje, kdy bude uvolněn do systému jako „hotový produkt“).
Například základní transkripce genu může být reprezentována následující jednokrokovou reakcí (RNAP je RNA polymeráza, RBS je RNA ribozomové vazebné místo a Pro i je promotorová oblast genu i):
Nedávná práce navrhla simulátor (SGNSim, Stochastic Gene Networks Simulator), který může modelovat GRN, kde transkripce a překlad jsou modelovány jako vícenásobné časově zpožděné události a jeho dynamika je řízena stochastickým simulačním algoritmem (SSA), který je schopen vypořádat se s vícenásobnými časově zpožděnými událostmi.
Časová zpoždění mohou být odvozena z několika distribucí a rychlosti reakce z komplexních
funkcí nebo z fyzikálních parametrů. SGNSim může generovat soubory GRN v rámci sady uživatelem definovaných parametrů, jako je topologie. Může být také použit k modelování specifických GRN a systémů chemických reakcí. Genetické perturbace, jako jsou genové delece, genová nadměrná exprese, inzerce, mutace posunu rámce, mohou být také modelovány.
GRN je vytvořena z grafu s požadovanou topologií, ukládající ve stupních a mimo stupních rozdělení. Aktivity genového promotoru jsou ovlivněny jinými produkty exprese genů, které působí jako vstupy, ve formě monomerů nebo kombinované do multimerů a nastavené jako přímé nebo nepřímé. Dále je každý přímý vstup přiřazen k operátorskému místu a různé transkripční faktory mohou, nebo nemusí, soutěžit o stejné operátorské místo, zatímco nepřímým vstupům je přiřazen cíl. Nakonec je každému genu přiřazena funkce, definující odpověď genu na kombinaci transkripčních faktorů (promotorový stav). Přenosové funkce (tedy jak geny reagují na kombinaci vstupů) mohou být přiřazeny ke každé kombinaci promotorových stavů podle potřeby.
V jiné nedávné práci byly vyvinuty vícerozměrné modely genových regulačních sítí, které se zaměřují na aplikace v syntetické biologii. Byly použity simulace, které modelují všechny biomolekulární interakce v transkripci, překladu, regulaci a indukci genových regulačních sítí, které řídí návrh syntetických systémů.
Empirická data naznačují, že biologické genové sítě jsou propojeny jen řídce a že průměrný počet regulátorů proti proudu na jeden gen je menší než dva. Teoretické výsledky ukazují, že výběr robustních genových sítí bude upřednostňovat minimálně komplexní, méně propojené sítě. Tyto výsledky naznačují, že řídká, minimálně propojená genetická architektura může být základním konstrukčním omezením formujícím vývoj komplexnosti genové sítě.