Em minha pesquisa, sempre pareço estar em algum lugar próximo aos extremos de ter muitos dados ou não ter dados suficientes para responder às perguntas que estou fazendo. Mesmo no design experimental, parece haver uma dicotomia semelhante: como encontrar a resposta quando você só pode usar realisticamente oito preparações de lâminas de microscópio em um experimento, ou como encontrar a resposta a partir de gigabases de sequência de DNA (sua própria ou de banco de dados) ou milhares de pontos de microarray ou centenas de genótipos.
Modelar a dinâmica e as respostas das redes de sinalização gênica requer a análise de um grande número de interações múltiplas e complexas. Partes de muitas redes são redundantes e o controle ou feedback pode ser alcançado em vários pontos na maioria dos sistemas biológicos. Nosso papel em um projeto colaborativo com Laboratório de Kwang-Hyun Cho e colegas de Daejeon, Coréia, mostra como reduzir redes de sinalização grandes e complexas a núcleos muito menores que preservam as propriedades dinâmicas das redes originais. Esses kernels de rede são passíveis de simulação de computador, manipulação e perturbação, por exemplo, para examinar efeitos em larga escala na estabilidade e robustez. Eles também podem ser usados como uma estrutura em torno de uma rede detalhada (não reduzida) que está sendo estudada, colocando-a no contexto mais amplo de todas as interações e sinalizações em um sistema. Embora os nós ou vértices e arestas reduzidos não correspondam necessariamente a quaisquer feições da rede original, estávamos interessados em
descobrem que nós com relação óbvia com a rede original – aqueles que não sofreram um alto grau de redução – eram frequentemente relacionados a genes que apresentavam alta conservação evolutiva e realizavam processos celulares centrais e menos redundantes.
Nosso trabalho de redução de rede foi selecionado para a ilustração da capa da Science Signaling, e também um Resumo do Editor: “Reduzindo a Complexidade A natureza grande e complexa das redes reguladoras bioquímicas que governam o comportamento celular oferece um grande desafio para a análise sistemática da sinalização celular. No entanto, a maioria dos processos que reduzem a complexidade da rede não conseguem reproduzir as propriedades dinâmicas da rede original. Kim e outros. descrevem uma abordagem algorítmica para redução e simplificação de rede que preserva a dinâmica da rede. Eles aplicaram sua abordagem a várias redes em espécies, de bactérias a humanos, produzindo redes simplificadas chamadas “kernels”. O exame dos genes representados pelos nós do kernel forneceu informações sobre a evolução desses genes da rede central. Além disso, os genes representados pelos nós do kernel foram enriquecidos em genes associados a doenças e alvos de drogas, sugerindo que esse tipo de análise pode ser terapeuticamente benéfico”.
Este é o primeiro blog que escrevo sobre um de meus próprios artigos; embora não use principalmente exemplos de plantas, acho que as implicações para a modelagem de redes de genes em plantas são enormes. Estou ansioso agora para tentar essa abordagem na análise de alguns dos caminhos de resistência a doenças nas plantas: talvez o kernel ajude a entender a natureza e os requisitos para redundância e rápida evolução desses caminhos. Espero que outros artigos com fortes implicações para a ciência vegetal de campos complementares apareçam mais no AoBBlog.com no futuro.
Citação: Kim JR, Kim J, Kwon YK, Lee HY, Heslop-Harrison P, Cho KH. 2011. Redução de redes de sinalização complexas a um kernel representativo. Sinalização científica 4, ra35 . Disponível a partir de: http://dx.doi.org/10.1126/scisignal.2001390
Resumo: A rede de interações biomoleculares que ocorre dentro das células é grande e complexa. Quando tal rede é analisada, pode ser útil reduzir a complexidade da rede a um “kernel” que mantém as funções regulatórias essenciais para a saída em consideração. Desenvolvemos um algoritmo para identificar tal kernel e mostramos que o kernel resultante preserva a dinâmica da rede. Usando uma rede integrada de todas as vias de sinalização humana recuperadas do banco de dados KEGG (Kyoto Encyclopedia of Genes and Genomes), identificamos o kernel dessa rede e comparamos as propriedades do kernel com as da rede original. Descobrimos que a porcentagem de genes essenciais para os genes que codificam nós fora do kernel era de cerca de 10%, enquanto ~32% dos genes que codificavam nós dentro do kernel eram essenciais. Além disso, descobrimos que 95% dos nós do kernel correspondiam a genes de doenças mendelianas e que 93% dos pares letais sintéticos associados à rede estavam contidos no kernel. Genes correspondentes a nós no núcleo tiveram baixas taxas evolutivas, foram expressos de forma ubíqua em vários tecidos e foram bem conservados entre as espécies. Além disso, os genes do kernel incluíam muitos alvos de drogas, sugerindo que outros nós do kernel podem ser potenciais alvos de drogas. Devido à simplificação de toda a rede, torna-se possível a modelagem eficiente de uma rede de sinalização em larga escala e uma compreensão da estrutura central dentro de uma estrutura complexa.
