En mi investigación, siempre parezco estar cerca de los extremos de tener demasiados datos o no tener suficientes datos para abordar las preguntas que hago. Incluso en el diseño experimental, parece haber una dicotomía similar: cómo encontrar la respuesta cuando solo puede usar de manera realista ocho preparaciones de portaobjetos de microscopio en un experimento, o cómo encontrar la respuesta a partir de gigabases de secuencias de ADN (propias o de bases de datos) o miles de puntos de microarrays o cientos de genotipos.

El modelado de la dinámica y las respuestas de las redes de señalización génica requiere el análisis de un gran número de interacciones múltiples y complejas. Partes de muchas redes son redundantes y el control o la retroalimentación se pueden lograr en múltiples puntos en la mayoría de los sistemas biológicos. Nuestro papel en un proyecto colaborativo con Laboratorio de Kwang-Hyun Cho y colegas de Daejeon, Corea, muestra cómo reducir redes de señalización grandes y complejas a núcleos mucho más pequeños que conservan las propiedades dinámicas de las redes originales. Estos núcleos de red son susceptibles de simulación, manipulación y perturbación por computadora, por ejemplo, para examinar los efectos a gran escala sobre la estabilidad y la robustez. También se pueden utilizar como marco en torno a una red detallada (no reducida) que se está estudiando, colocándola en el contexto más amplio de todas las interacciones y señalización en un sistema. Aunque los nodos reducidos o los vértices y las aristas no corresponden necesariamente a ninguna característica de la red original, estábamos interesados ​​en

encuentran que los nodos con una relación obvia con la red original, aquellos que no sufrieron un alto grado de reducción, a menudo estaban relacionados con genes que mostraban una alta conservación evolutiva y llevaban a cabo procesos celulares centrales y menos redundantes.

Nuestro artículo de reducción de red fue seleccionado para la ilustración de portada en Science Signaling, y también como Resumen del editor: “Reducción de la complejidad La naturaleza grande y compleja de las redes reguladoras bioquímicas que gobiernan el comportamiento celular presenta un gran desafío para el análisis sistemático de la señalización celular. Sin embargo, la mayoría de los procesos que reducen la complejidad de la red no logran reproducir las propiedades dinámicas de la red original. Kim et al. describir un enfoque algorítmico para la reducción y simplificación de la red que preserva la dinámica de la red. Aplicaron su enfoque a varias redes en especies, desde bacterias hasta humanos, produciendo redes simplificadas llamadas "núcleos". El examen de los genes representados por los nodos del kernel proporcionó información sobre la evolución de estos genes de la red central. Además, los genes representados por los nódulos del núcleo se enriquecieron en genes asociados a enfermedades y objetivos farmacológicos, lo que sugiere que este tipo de análisis puede ser terapéuticamente beneficioso”.

Este es el primer blog que escribo en gran parte sobre uno de mis propios artículos; aunque no utilice principalmente ejemplos de plantas, creo que las implicaciones para el modelado de redes de genes en plantas son enormes. Estoy ansioso por probar este enfoque en el análisis de algunas de las vías de resistencia a enfermedades en las plantas: tal vez el kernel ayude a comprender la naturaleza y los requisitos para la redundancia y la rápida evolución de estas vías. Espero que otros artículos con fuertes implicaciones para la ciencia de las plantas de campos complementarios aparezcan más en AoBBlog.com en el futuro.

Cita: Kim JR, Kim J, Kwon YK, Lee HY, Heslop-Harrison P, Cho KH. 2011. Reducción de redes de señalización complejas a un kernel representativo. Señalización científica 4, ra35 . Disponible de: http://dx.doi.org/10.1126/scisignal.2001390

Resumen: La red de interacciones biomoleculares que ocurre dentro de las células es grande y compleja. Cuando se analiza una red de este tipo, puede ser útil reducir la complejidad de la red a un "núcleo" que mantiene las funciones reguladoras esenciales para la salida en consideración. Desarrollamos un algoritmo para identificar dicho kernel y demostramos que el kernel resultante conserva la dinámica de la red. Utilizando una red integrada de todas las vías de señalización humana recuperadas de la base de datos KEGG (Kyoto Encyclopedia of Genes and Genomes), identificamos el núcleo de esta red y comparamos las propiedades del núcleo con las de la red original. Descubrimos que el porcentaje de genes esenciales para los genes que codifican nodos fuera del kernel era de alrededor del 10 %, mientras que ~32 % de los genes que codificaban nodos dentro del kernel eran esenciales. Además, encontramos que el 95% de los nodos del kernel correspondían a genes de enfermedades mendelianas y que el 93% de los pares letales sintéticos asociados con la red estaban contenidos en el kernel. Los genes correspondientes a los nodos en el núcleo tenían tasas evolutivas bajas, se expresaban de manera ubicua en varios tejidos y se conservaban bien entre especies. Además, los genes del kernel incluían muchos objetivos farmacológicos, lo que sugiere que otros nodos del kernel pueden ser posibles objetivos farmacológicos. Debido a la simplificación de toda la red, se hace posible el modelado eficiente de una red de señalización a gran escala y la comprensión de la estructura central dentro de un marco complejo.