Struktura genové regulační sítě.
Řídicí proces genové regulační sítě.
U jednobuněčných organismů reagují regulační sítě na vnější prostředí a optimalizují buňku v daném okamžiku pro přežití v tomto prostředí. Kvasinková buňka, která se ocitne v roztoku cukru, tak zapne geny pro tvorbu enzymů, které zpracovávají cukr na alkohol. Tímto procesem, který si spojujeme s výrobou vína, se kvasinková buňka živí, získává energii na množení, které by za normálních okolností zvýšilo její vyhlídky na přežití.
U mnohobuněčných živočichů byl stejný princip použit u genových kaskád, které řídí tvar těla. Při každém dělení buňky vznikají dvě buňky, které sice obsahují zcela stejný genom, ale mohou se lišit v tom, které geny jsou zapnuty a vytvářejí proteiny. Někdy „samoudržující se zpětnovazební smyčka“ zajišťuje, že si buňka zachovává svou identitu a předává ji dál. Méně známý je mechanismus epigenetiky, kterým může modifikace chromatinu zajistit buněčnou paměť tím, že blokuje nebo umožňuje transkripci. Důležitým rysem mnohobuněčných živočichů je používání morfogenních gradientů, které ve skutečnosti poskytují polohovací systém, jenž buňce říká, kde se v těle nachází, a tedy jakou buňkou se má stát. Gen, který je zapnutý v jedné buňce, může vytvářet produkt, který opouští buňku a šíří se sousedními buňkami, vstupuje do nich a zapíná geny, pouze pokud je přítomen nad určitou prahovou hodnotou. Tyto buňky jsou tak indukovány k novému osudu a mohou dokonce vytvářet další morfogeny, které signalizují zpět do původní buňky. Na větší vzdálenosti mohou morfogeny využívat aktivní proces přenosu signálu. Taková signalizace řídí embryogenezi, budování tělesného plánu od nuly prostřednictvím řady postupných kroků. Řídí také udržování dospělých těl prostřednictvím zpětnovazebních procesů a ztráta takové zpětné vazby v důsledku mutace může být zodpovědná za buněčnou proliferaci, která se projevuje u rakoviny. Souběžně s tímto procesem budování struktury zapíná genová kaskáda geny, které vytvářejí strukturální proteiny, jež každé buňce dodávají potřebné fyzikální vlastnosti.
Uzly této sítě jsou proteiny, jim odpovídající mRNA a komplexy protein/protein. Uzly, které jsou znázorněny jako ležící podél svislých čar, jsou spojeny s rozhraními mezi buňkou a prostředím, zatímco ostatní jsou volně plovoucí a difúzní. Naznačeny jsou geny, sekvence DNA, které jsou přepisovány do mRNA, jež se překládají do proteinů. Hrany mezi uzly představují jednotlivé molekulární reakce, interakce protein/protein a protein/mRNA, jejichž prostřednictvím produkty jednoho genu ovlivňují produkty jiného genu, ačkoli nedostatek experimentálně získaných informací často znamená, že některé reakce nejsou modelovány na tak jemné úrovni detailů. Tyto interakce mohou být induktivní (šipky), kdy zvýšení koncentrace jednoho vede ke zvýšení druhého, nebo inhibiční (vyplněné kruhy), kdy zvýšení jednoho vede ke snížení druhého. Řada hran označuje řetězec těchto závislostí, přičemž cykly odpovídají smyčkám zpětné vazby. Síťová struktura je abstrakcí chemické dynamiky systému a popisuje rozmanité způsoby, jakými jedna látka ovlivňuje všechny ostatní, s nimiž je spojena. V praxi se takové GRN odvozují z biologické literatury o daném systému a představují destilaci kolektivních znalostí o souboru souvisejících biochemických reakcí.
Na geny lze pohlížet jako na uzly sítě, přičemž vstupy jsou proteiny, například transkripční faktory, a výstupy jsou úrovně genové exprese. Na samotný uzel lze také pohlížet jako na funkci, kterou lze získat kombinací základních funkcí na vstupech (v níže popsané booleovské síti se jedná o booleovské funkce, typicky AND, OR a NOT). Tyto funkce byly interpretovány jako provádění určitého druhu zpracování informací v buňce, které určuje buněčné chování. Základními hybnými silami v buňkách jsou koncentrace některých proteinů, které určují jak prostorové (umístění v buňce nebo tkáni), tak časové (buněčný cyklus nebo vývojové stadium) souřadnice buňky jako druh „buněčné paměti“. Genové sítě se teprve začínají chápat a dalším krokem biologie je pokusit se odvodit funkce pro jednotlivé genové „uzly“, což pomůže pochopit chování systému na rostoucí úrovni složitosti, od genu přes signální dráhu až po úroveň buňky nebo tkáně (viz systémová biologie).
Byly vyvinuty matematické modely GRN, které zachycují chování modelovaného systému a v některých případech vytvářejí předpovědi odpovídající experimentálním pozorováním. V některých jiných případech se ukázalo, že modely vytvářejí přesné nové předpovědi, které lze experimentálně testovat, a navrhují tak nové přístupy ke zkoumání v experimentu, které by někdy nebyly brány v úvahu při návrhu protokolu experimentální laboratoře. Nejběžnější modelovací technika zahrnuje použití spřažených obyčejných diferenciálních rovnic (ODE). Bylo použito několik dalších slibných modelovacích technik, včetně booleovských sítí, Petriho sítí, bayesovských sítí, grafických gaussovských modelů, stochastických a procesních kalkulů. Naopak byly navrženy techniky pro generování modelů GRN, které nejlépe vysvětlují soubor pozorování časových řad.
Běžně se taková síť modeluje souborem spřažených obyčejných diferenciálních rovnic (ODE) nebo stochastických ODE, které popisují reakční kinetiku jednotlivých částí. Předpokládejme, že naše regulační síť má uzly, a nechť představují koncentrace příslušných látek v čase . Pak lze časový vývoj systému popsat přibližně takto
kde funkce vyjadřují závislost na koncentraci jiných látek přítomných v buňce. Funkce jsou nakonec odvozeny ze základních principů chemické kinetiky nebo jednoduchých výrazů z nich odvozených, např. z Michaelisovy-Mentenovy enzymatické kinetiky. Proto se obvykle volí funkční formy jako polynomy nízkého řádu nebo Hillovy funkce, které slouží jako ansatz pro skutečnou molekulovou dynamiku. Takové modely se pak studují pomocí matematiky nelineární dynamiky. Informace specifické pro systém, jako jsou konstanty reakční rychlosti a citlivosti, jsou zakódovány jako konstantní parametry.
Řešením pro pevný bod systému:
pro všechny , získáme (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. Matematickou stabilitu těchto atraktorů lze obvykle charakterizovat znaménkem vyšších derivací v kritických bodech, a pak odpovídají biochemické stabilitě koncentračního profilu. Kritické body a bifurkace v rovnicích odpovídají kritickým stavům buňky, v nichž by malé poruchy stavu nebo parametrů mohly přepnout systém mezi jedním z několika stabilních diferenciačních osudů. Trajektorie odpovídají rozvíjení biologických drah a přechodové jevy rovnic krátkodobým biologickým událostem. Podrobnější matematickou diskusi naleznete v článcích o nelinearitě, dynamických systémech, teorii bifurkací a teorii chaosu.
Následující příklad ilustruje, jak může booleovská síť modelovat GRN spolu s jejími genovými produkty (výstupy) a látkami z prostředí, které ji ovlivňují (vstupy). Stuart Kauffman byl jedním z prvních biologů, kteří použili metaforu booleovských sítí k modelování genetických regulačních sítí.
Platnost modelu lze testovat porovnáním výsledků simulace s pozorováními 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 tvrdí se, že použití spojité reprezentace zachycuje několik vlastností genových regulačních sítí, které nejsou přítomny v booleovském modelu. Formálně se většina těchto přístupů podobá umělé neuronové síti, protože vstupy do uzlu se sčítají a výsledek slouží jako vstup např. sigmoidní funkce, ale proteiny skutečně často řídí genovou expresi synergicky, tj. nelineárně. Nyní však existuje model spojité sítě, který umožňuje seskupování vstupů do uzlu, čímž se realizuje další úroveň regulace. Tento model se formálně blíží rekurentní neuronové síti vyššího řádu. Stejný model byl také použit k napodobení evoluce buněčné diferenciace, a dokonce i mnohobuněčné morfogeneze.
Nejnovější experimentální výsledky
ukázaly, že genová exprese je stochastický proces. Mnoho autorů proto nyní používá stochastický formalismus, po práci autorů. Práce o expresi jednotlivých genů a malých syntetických genetických sítích, jako je genetický přepínač 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 řídily se Gillespieho algoritmem.
Protože některé procesy, jako je například transkripce genů, zahrnují mnoho reakcí a nelze je správně modelovat jako okamžitou reakci v jednom kroku, bylo navrženo modelovat tyto reakce jako jednokrokové vícenásobné zpožděné reakce, aby se zohlednila doba potřebná k dokončení celého procesu.
Odtud byl navržen soubor reakcí, které umožňují generovat GRN. Ty jsou pak simulovány pomocí modifikované verze Gillespieho algoritmu, který dokáže simulovat vícenásobné časově zpožděné reakce (chemické reakce, u nichž je každému z produktů poskytnuto časové zpoždění, které určuje, kdy bude uvolněn do systému jako „hotový produkt“).
Například základní transkripci genu lze znázornit následující jednokrokovou reakcí (RNAP je RNA polymeráza, RBS je vazebné místo pro ribozom RNA a Pro i je promotorová oblast genu i):
V nedávné práci byl navržen simulátor (SGNSim, Stochastic Gene Networks Simulator), který dokáže modelovat GRN, kde jsou transkripce a translace modelovány jako události s několikanásobným časovým zpožděním a jejich dynamika je řízena stochastickým simulačním algoritmem (SSA), který je schopen řešit události s několikanásobným časovým zpožděním.
Časová zpoždění lze čerpat z několika distribucí a reakční rychlosti z komplexních distribucí.
nebo z fyzikálních parametrů. SGNSim může generovat soubory GRN v rámci souboru parametrů definovaných uživatelem, jako je topologie. Lze jej také použít k modelování konkrétních GRN a systémů chemických reakcí. Stejně tak lze modelovat genetické poruchy, jako jsou delece genů, nadměrná exprese genů, inzerce, mutace s posunem rámce.
GRN se vytvoří z grafu s požadovanou topologií, přičemž se uloží distribuce stupňů in a out. Aktivity promotorů genů jsou ovlivňovány expresními produkty jiných genů, které vystupují jako vstupy, a to ve formě monomerů nebo kombinovaných do multimerů a nastavených jako přímé nebo nepřímé. Dále je každému přímému vstupu přiřazeno operátorové místo a různým transkripčním faktorům může být povoleno, nebo naopak zakázáno soutěžit o stejné operátorové místo, zatímco nepřímým vstupům je přiřazen cíl. Nakonec je každému genu přiřazena funkce, která definuje odpověď genu na kombinaci transkripčních faktorů (stav promotoru). Přenosové funkce (tj. jak geny reagují na kombinaci vstupů) lze každé kombinaci stavů promotoru přiřadit podle potřeby.
V jiných nedávných pracích byly vyvinuty víceúrovňové modely genových regulačních sítí, které se zaměřují na aplikace v syntetické biologii. Byly použity simulace, které modelují všechny biomolekulární interakce v transkripci, translaci, regulaci a indukci genových regulačních sítí a slouží jako vodítko pro návrh syntetických systémů.
Empirické údaje ukazují, že biologické genové sítě jsou řídce propojené a že průměrný počet regulátorů v přední části sítě na jeden gen je menší než dva. Teoretické výsledky ukazují, že výběr pro robustní genové sítě bude upřednostňovat minimálně složité, řídce propojené sítě. Tyto výsledky naznačují, že řídká, minimálně propojená genetická architektura může být základním omezením návrhu, které formuje evoluci složitosti genových sítí.