In meiner Forschung scheine ich immer irgendwo in der Nähe der Extreme zu sein, zu viele Daten zu haben oder nicht genug Daten, um die Fragen zu beantworten, die ich stelle. Sogar im experimentellen Design scheint es eine ähnliche Dichotomie zu geben: wie findet man die Antwort, wenn man realistischerweise nur acht Mikroskoppräparate in einem Experiment verwenden kann, oder wie findet man die Antwort aus Gigabasen von DNA-Sequenzen (Ihre eigene oder Datenbank) oder Tausende von Microarray-Spots oder Hunderte von Genotypen.
Die Modellierung der Dynamik und Reaktionen von Gensignalisierungsnetzwerken erfordert die Analyse einer großen Anzahl multipler und komplexer Interaktionen. Teile vieler Netzwerke sind redundant, und eine Steuerung oder Rückmeldung kann in den meisten biologischen Systemen an mehreren Punkten erreicht werden. Unser Papier in einem Kooperationsprojekt mit Kwang-Hyun Chos Labor und Kollegen vom Daejeon, Korea, zeigen, wie große und komplexe Signalnetzwerke auf viel kleinere Kernel reduziert werden können, die die dynamischen Eigenschaften der ursprünglichen Netzwerke bewahren. Diese Netzwerkkerne sind für Computersimulationen, Manipulationen und Störungen zugänglich, um beispielsweise großflächige Auswirkungen auf Stabilität und Robustheit zu untersuchen. Sie können auch als Rahmen um ein detailliertes (nicht reduziertes) Netzwerk verwendet werden, das untersucht wird, und es in den breiteren Kontext aller Interaktionen und Signalisierungen in einem System stellen. Obwohl die reduzierten Knoten oder Scheitelpunkte und Kanten nicht unbedingt irgendwelchen Merkmalen im ursprünglichen Netzwerk entsprechen, waren wir daran interessiert
fanden heraus, dass Knoten mit offensichtlicher Beziehung zum ursprünglichen Netzwerk – diejenigen, die keinen hohen Grad an Reduktion durchmachten – oft mit Genen verwandt waren, die eine hohe evolutionäre Konservierung zeigten und zentrale und weniger redundante zelluläre Prozesse ausführten.
Unser Artikel zur Netzwerkreduzierung wurde für die Titelillustration in Science Signaling sowie für eine ausgewählt Zusammenfassung des Herausgebers: „Reduzierung der Komplexität Die große und komplexe Natur der biochemischen regulatorischen Netzwerke, die das Zellverhalten steuern, stellt eine große Herausforderung für die systematische Analyse der Zellsignalisierung dar. Die meisten Prozesse, die die Netzwerkkomplexität reduzieren, können jedoch die dynamischen Eigenschaften des ursprünglichen Netzwerks nicht reproduzieren. Kimet al. beschreiben einen algorithmischen Ansatz zur Netzwerkreduktion und -vereinfachung, der die Dynamik des Netzwerks bewahrt. Sie wendeten ihren Ansatz auf mehrere Netzwerke in Arten von Bakterien bis hin zu Menschen an und erzeugten vereinfachte Netzwerke, die als „Kerne“ bezeichnet werden. Die Untersuchung der durch die Kernel-Knoten repräsentierten Gene lieferte einen Einblick in die Evolution dieser Kernnetzwerk-Gene. Darüber hinaus wurden die durch die Kernknoten repräsentierten Gene mit krankheitsassoziierten Genen und Arzneimittelzielen angereichert, was darauf hindeutet, dass diese Art der Analyse therapeutisch vorteilhaft sein kann.“
Dies ist der erste Blog, in dem ich hauptsächlich über eine meiner eigenen Arbeiten geschrieben habe; Obwohl ich nicht hauptsächlich Pflanzenbeispiele verwende, denke ich, dass die Implikationen für die Modellierung von Gennetzwerken in Pflanzen enorm sind. Ich freue mich jetzt darauf, diesen Ansatz bei der Analyse einiger Krankheitsresistenzwege in Pflanzen auszuprobieren: Vielleicht hilft der Kernel dabei, die Natur und die Anforderungen für Redundanz und schnelle Entwicklung dieser Wege zu verstehen. Ich hoffe, dass andere Artikel mit starken Auswirkungen auf die Pflanzenwissenschaft aus komplementären Bereichen in Zukunft mehr auf AoBBlog.com erscheinen werden.
Zitat: Kim JR, Kim J, Kwon YK, Lee HY, Heslop-Harrison P, Cho KH. 2011. Reduktion komplexer Signalisierungsnetzwerke auf einen repräsentativen Kernel. Wissenschaftssignalisierung 4, ra35. Verfügbar ab: http://dx.doi.org/10.1126/scisignal.2001390
Zusammenfassung: Das Netzwerk biomolekularer Wechselwirkungen, das innerhalb von Zellen auftritt, ist groß und komplex. Wenn ein solches Netzwerk analysiert wird, kann es hilfreich sein, die Komplexität des Netzwerks auf einen „Kern“ zu reduzieren, der die wesentlichen regulatorischen Funktionen für die betrachtete Ausgabe aufrechterhält. Wir haben einen Algorithmus entwickelt, um einen solchen Kernel zu identifizieren, und gezeigt, dass der resultierende Kernel die Netzwerkdynamik bewahrt. Unter Verwendung eines integrierten Netzwerks aller menschlichen Signalwege, das aus der KEGG-Datenbank (Kyoto Encyclopedia of Genes and Genomes) abgerufen wurde, identifizierten wir den Kern dieses Netzwerks und verglichen die Eigenschaften des Kerns mit denen des ursprünglichen Netzwerks. Wir fanden heraus, dass der Anteil der essentiellen Gene an den Genen, die für Knoten außerhalb des Kerns kodieren, etwa 10 % betrug, während ~32 % der Gene, die für Knoten innerhalb des Kerns kodieren, essentiell waren. Darüber hinaus fanden wir heraus, dass 95 % der Kernel-Knoten den Genen der Mendelschen Krankheit entsprachen und dass 93 % der mit dem Netzwerk assoziierten synthetischen tödlichen Paare im Kernel enthalten waren. Gene, die Knoten im Kern entsprechen, hatten niedrige Evolutionsraten, wurden allgegenwärtig in verschiedenen Geweben exprimiert und waren zwischen den Arten gut konserviert. Darüber hinaus enthielten Kerngene viele Arzneimittelziele, was darauf hindeutet, dass andere Kernknoten potenzielle Arzneimittelziele sein könnten. Aufgrund der Vereinfachung des gesamten Netzwerks wird die effiziente Modellierung eines großen Signalisierungsnetzwerks und ein Verständnis der Kernstruktur innerhalb eines komplexen Rahmens möglich.
