NPO MUNI MSMT-16606/2022
Analýza genové exprese a nástroje systémové biologie
Jan Hejátko
Funkční genomika a proteomika rostlin,
Středoevropský technologický institut (CEITEC)
a
Národní centrum pro výzkum biomolekul,
Přírodovědecká fakulta,
Masarykova univerzita, Brno
hejatko@sci.muni.cz, www.ceitec.eu
 Benitez, M. and Hejatko, J. Dynamics of cell-fate determination and patterning in the
vascular bundles of Arabidopsis thaliana (submitted)
 Brady SM, Orlando DA, Lee JY, Wang JY, Koch J, Dinneny JR, Mace D, Ohler U, Benfey PN.
2007. A high-resolution root spatiotemporal map reveals dominant expression patterns.
Science 318, 801-806.
 de Luis Balaguer MA, Fisher AP, Clark NM, Fernandez-Espinosa MG, Moller BK, Weijers D,
Lohmann JU, Williams C, Lorenzo O, Sozzani R. 2017. Predicting gene regulatory networks
by combining spatial and temporal gene expression data in Arabidopsis root stem cells.
Proc Natl Acad Sci U S A 114(36): E7632-E7640
 Eden, E., Navon, R., Steinfeld, I., Lipson, D., and Yakhini, Z. (2009). GOrilla: a tool for
discovery and visualization of enriched GO terms in ranked gene lists. BMC Bioinformatics
10, 48.
 Fucile G, Di Biase D, Nahal H, La G, Khodabandeh S, Chen Y, Easley K, Christendat D, Kelley
L, Provart NJ. 2011. ePlant and the 3D data display initiative: integrative systems biology
on the world wide web. PLoS One 6, e15237.
 Karaiskos N, Wahle P, Alles J, Boltengagen A, Ayoub S, Kipar C, Kocks C, Rajewsky N,
Zinzen RP (2017) The Drosophila embryo at single-cell transcriptome resolution. Science
358, 194-199
Zdrojová literatura
 Struktura genů
 Metody analýzy genové exprese
 Kvalitativní analýza exprese genů
 Příprava transkripční fůze promotoru analyzovaného genu s
reporterovým genem (gen zpravodaj)
 Příprava translační fůze kódující oblasti analyzovaného genu s
reporterovým genem
 Využití dostupných dat ve veřejných databázích
 Tkáňově a buněčně specifická analýza genové exprese
 Kvantitativní analýza exprese
 DNA čipy
 Next gen transkripční profilování
 Systémová biologie
 Definice
 Nástroje
 Genová ontologie
 Bayesovské sítě
 Modelování molekulárních/genových regulačních sítí
Osnova
 promotor
 počátek
transkripce
 5´UTR
 počátek
translace
 místa sestřihu
 stop kodon
 3´UTR
 polyadenylační
signál
TATA ATG….ATTCATCAT
ATTATCTGATATA
5´UTR
3´UTR
….ATAAATAAATGCGA
Struktura genů
 Struktura genů
 Metody analýzy genové exprese
Osnova
6
Časoprostorová specifita genové
exprese
Alberts et al., Molecular Biology of the Cell
7
 Struktura genů
 Metody analýzy genové exprese
 Kvalitativní analýza exprese genů
 Příprava transkripční fůze promotoru analyzovaného genu s
reporterovým genem (gen zpravodaj)
Osnova
8
□ Příprava transkripční fůze promotoru s reportérem
 Identifikace a klonování promotorové oblasti genu
 příprava rekombinantní DNA nesoucí promotor a reportérový gen
(uidA, GFP)
TATA box
počátek transkripce
promotor
5’ UTR
ATG…ORF reportérového genu
Transkripční fůze
9
□ Příprava transkripční fůze promotoru s reportérem
 Identifikace a klonování promotorové oblasti genu
 příprava rekombinantní DNA nesoucí promotor a reportérový gen
(uidA, GFP)
Transkripční fůze
 příprava transgenních organismů nesoucích tuto rekombinantní DNA a
jejich histologická analýza
Jan Hejatko,unpublished
10
LacZ reporter in mouse embryos
weizmann.ac.il
11
 Struktura genů
 Metody analýzy genové exprese
 Kvalitativní analýza exprese genů
 Příprava transkripční fůze promotoru analyzovaného genu s
reporterovým genem (gen zpravodaj)
 Příprava translační fůze kódující oblasti analyzovaného genu s
reporterovým genem
Osnova
12
□ Příprava translační fůze kódující oblasti analyzovaného genu s repotérovým genem
 Identifikace a klonování promotorové a kódující oblasti analyzovaného
genu
 příprava rekombinantní DNA nesoucí promotor a kódující sekvenci
studovaného genu ve fůzi s reportérovým genem (uidA, GFP)
TATA box
promotor
5’ UTR
ATG…ORF analyzovaného genu….ATG…ORF reportérového genu….....STOP
Translační fůze
13
□ Translační fůze kódující oblasti analyzovaného genu s repotérovým genem
Histone 2A-GFP in Drosophila embryo by PAMPIN1-GFP in Arabidopsis
Translační fůze
 příprava transgenních organismů nesoucích tuto rekombinantní DNA a
jejich histologická analýza
 oproti transkripční fůzi umožńuje analyzovat např. intracelulární lokalizaci
genového produktu (proteinu) nebo jeho dynamiku
Jiri Friml,unpublished EMBO GFP Course, 2000
14
□ Translační fůze kódující oblasti analyzovaného genu s repotérovým genem
Translační fůze
15
 Struktura genů
 Metody analýzy genové exprese
 Kvalitativní analýza exprese genů
 Příprava transkripční fůze promotoru analyzovaného genu s
reporterovým genem (gen zpravodaj)
 Příprava translační fůze kódující oblasti analyzovaného genu s
reporterovým genem
 Využití dostupných dat ve veřejných databázích
Osnova
16
□ Analýza exprese pomocí Genevestigator (AHP1 a AHP2,
Arabidopsis, Affymetrix ATH 22K Array)
Databáze
ePlant, https://bar.utoronto.ca/eplant/
17
□ Analýza exprese pomocí Genevestigator (AHP1 a AHP2,
Arabidopsis, Affymetrix ATH 22K Array)
Databáze
ePlant,https://bar.utoronto.ca/eplant/
18
Databáze
□ Analýza exprese pomocí Genevestigator (AHP1 a AHP2,
Arabidopsis, Affymetrix ATH 22K Array)ePlant,https://bar.utoronto.ca/eplant/
19
□ Analýza exprese pomocí ePlant
Databáze
ePlant, https://bar.utoronto.ca/eplant/
20
□ Analýza exprese pomocí ePlant
Databáze
ePlant, https://bar.utoronto.ca/eplant/
21
 Struktura genů
 Metody analýzy genové exprese
 Kvalitativní analýza exprese genů
 Příprava transkripční fůze promotoru analyzovaného genu s
reporterovým genem (gen zpravodaj)
 Příprava translační fůze kódující oblasti analyzovaného genu s
reporterovým genem
 Využití dostupných dat ve veřejných databázích
 Tkáňově a buněčně specifická analýza genové exprese
Osnova
22
Fluorescence-Activated Cell Sorting (FACS)
□ High-Resolution Expression Map in Arabidopsis Root
Brady et al., Science, 2007
Expression Maps - RNA
23
□ High-Resolution Expression Map in Arabidopsis Root
Expression Maps - RNA
Brady et al., Science, 2007
24
□ High-Resolution Expression Map in Drosophilla
Expression Maps - RNA
Nikos Karaiskos et al. Science 2017;science.aan3235
25
□ Human Protein Atlas
Expression Maps - Proteins
Ponten et al., J Int Med, 2011
26
□ Human Protein Atlas (http://www.proteinatlas.org/)
Expression Maps - Proteins
27
□ Human Protein Atlas (http://www.proteinatlas.org/)
Expression Maps - Proteins
28
 Struktura genů
 Metody analýzy genové exprese
 Kvalitativní analýza exprese genů
 Příprava transkripční fůze promotoru analyzovaného genu s
reporterovým genem (gen zpravodaj)
 Příprava translační fůze kódující oblasti analyzovaného genu s
reporterovým genem
 Využití dostupných dat ve veřejných databázích
 Tkáňově a buněčně specifická analýza genové exprese
 Kvantitativní analýza exprese
 DNA čipy
Osnova
29
 metoda umožňující rychlé porovnání velkého množství
genů/proteinů mezi testovaným vzorkem a kontrolou
 nejčastěji jsou používané oligo DNA čipy
 k dispozici komerčně dostupné sady pro celý genom
 firma Operon (Qiagen), 29.110 70-mer oligonulkleotidů reprezentujících
26.173 genů kódujících proteiny, 28.964 transkriptů a 87 microRNA genů
Arabidopsis thaliana
 možnost používat pro přípravu čipů fotolitografické techniky-usnadnění
syntézy oligonukleotidů např. pro celý genom člověka (cca 3,1 x 109 bp) je
touto technikou možno připravit 25-mery v pouźe 100 krocích) Affymetrix ATH1 Arabidopsis genome array
 čipy nejen pro analýzu exprese,
ale např. i genotypování (SNP
polymorfizmy, sekvenování
pomocí čipů, …)
DNA čipy
30
DNA čipy
Alberts et al., Molecular Biology of the Cell
31
Fotolitografie
Alberts et al., Molecular Biology of the Cell
32
 pro správnou interpretaci výsledků je nutná dobrá znalost
pokročilých statistických metod
 kontrola na přesnost měření (opakované měření
na několika čipech se stejným vzorkem, vynesení
stejných vzorků analyzovaných na různých čipech
proti sobě)
 je nutné zahrnout dostatečný počet kontrol i opakování
 kontrola reproducibility měření (opakované měření
s různými vzorky, izolovanými za stejných
podmínek na stejném čipu-stejné podmínky proti
sobě)
Che et al., 2002
 identifikace hranice spolehlivého měření
nespolehlivé
spolehlivé
 konečně vynesení experimentu proti kontrole nebo
různých podmínek proti sobě – vlastní výsledek
 v současnosti je již velké množství výsledků různých
experimentů lokalizovaných ve veřejně přístupných
databázích
DNA čipy
33
 Struktura genů
 Metody analýzy genové exprese
 Kvalitativní analýza exprese genů
 Příprava transkripční fůze promotoru analyzovaného genu s
reporterovým genem (gen zpravodaj)
 Příprava translační fůze kódující oblasti analyzovaného genu s
reporterovým genem
 Využití dostupných dat ve veřejných databázích
 Tkáňově a buněčně specifická analýza genové exprese
 Kvantitativní analýza exprese
 DNA a proteinové čipy
 Next gen transkripční profilování
 Viz přístupy systémové biologie níže
Osnova
34
 Promotory a další regulační elementy řídí genovou expresi s
různou mírou časoprostorové specificity
 Genovou expresi lze studovat pomocí kvalitativních nebo
kvantitativních přístupů
 Cenné údaje o specifitě genové exprese lze získat i ve veřejně
dostupných databázích a to i na úrovni jednotlivých buněk
Klíčové koncepty – analýza
genové exprese
35
 Struktura genů
 Metody analýzy genové exprese
 Kvalitativní analýza exprese genů
 Příprava transkripční fůze promotoru analyzovaného genu s
reporterovým genem (gen zpravodaj)
 Příprava translační fůze kódující oblasti analyzovaného genu s
reporterovým genem
 Využití dostupných dat ve veřejných databázích
 Tkáňově a buněčně specifická analýza genové exprese
 Kvantitativní analýza exprese
 DNA čipy
 Next gen transkripční profilování
 Viz přístupy systémové biologie níže
 Systémová biologie
 Definice
Osnova
36
Systémová biologie je vědecký směr v biologii využívající přístupy dalších
věd, především biochemie, chemie, informatiky a matematiky. Zabývá se
studiem biologických funkcí a mechanizmů vzniklých následkem
komplexních interakcí v biologických systémech.
Základní myšlenkou je komplexní pohled, opak redukcionismu (který je
převládajícím paradigmatem například v molekulární biologii), tedy
předpoklad, že systém je víc než součet jeho částí.
Systémová biologie často pracuje s modely, které jsou vytvářeny
matematickými a informatickými přístupy na základě biologických dat,
jejichž vlastnosti jsou posléze porovnávány s vlastnostmi živých systémů
(Wikipedia).
Systémová biologie - definice
37
Systémová biologie se zabývá studiem biologických systémů, jejichž
chování nelze redukovat na lineární součet funkcí jejich částí. Systémová
biologie nemusí nutně zahrnovat velké množství komponent nebo
rozsáhlých datových souborů, jako je tomu v genomice nebo
konektomice, ale často vyžaduje metody kvantitativního modelování
vypůjčené z fyziky (Nature).
Systémová biologie - definice
38
Definice dle Dr. Nathana Price,
zástupce ředitele Ústavu pro systémovou biologii, Seattle, USA; https://www.youtube.com/watch?v=OrXRl_8UFHU.
Systémová biologie - definice
39
□ Výsledky –omických studií reprezentují enormní množství
dat, např. geny s rozdílnou expresí. Ale jak z nich získat
biologicky relevantní závěry?
gene locus sample_1 sample_2 status value_1 value_2 log2(fold_change) test_stat p_value q_value significant
AT1G07795 1:2414285-2414967 WT MT OK 0 1,1804 1.79769e+308
1.79769e+3
08 6.88885e-05
0,00039180
1 yes
HRS1 1:4556891-4558708 WT MT OK 0 0,696583 1.79769e+308
1.79769e+3
08 6.61994e-06
4.67708e-
05 yes
ATMLO14 1:9227472-9232296 WT MT OK 0 0,514609 1.79769e+308
1.79769e+3
08 9.74219e-05
0,00053505
5 yes
NRT1.6 1:9400663-9403789 WT MT OK 0 0,877865 1.79769e+308
1.79769e+3
08 3.2692e-08
3.50131e-
07 yes
AT1G27570 1:9575425-9582376 WT MT OK 0 2,0829 1.79769e+308
1.79769e+3
08 9.76039e-06 6.647e-05 yes
AT1G60095 1:22159735-22162419 WT MT OK 0 0,688588 1.79769e+308
1.79769e+3
08 9.95901e-08
9.84992e-
07 yes
AT1G03020 1:698206-698515 WT MT OK 0 1,78859 1.79769e+308
1.79769e+3
08 0,00913915 0,0277958 yes
AT1G13609 1:4662720-4663471 WT MT OK 0 3,55814 1.79769e+308
1.79769e+3
08 0,00021683 0,00108079 yes
AT1G21550 1:7553100-7553876 WT MT OK 0 0,562868 1.79769e+308
1.79769e+3
08 0,00115582 0,00471497 yes
AT1G22120 1:7806308-7809632 WT MT OK 0 0,617354 1.79769e+308
1.79769e+3
08 2.48392e-06
1.91089e-
05 yes
AT1G31370 1:11238297-11239363 WT MT OK 0 1,46254 1.79769e+308
1.79769e+3
08 4.83523e-05
0,00028514
3 yes
APUM10 1:13253397-13255570 WT MT OK 0 0,581031 1.79769e+308
1.79769e+3
08 7.87855e-06
5.46603e-
05 yes
AT1G48700 1:18010728-18012871 WT MT OK 0 0,556525 1.79769e+308
1.79769e+3
08 6.53917e-05
0,00037473
6 yes
AT1G59077 1:21746209-21833195 WT MT OK 0 138,886 1.79769e+308
1.79769e+3
08 0,00122789 0,00496816 yes
AT1G60050 1:22121549-22123702 WT MT OK 0 0,370087 1.79769e+308
1.79769e+3
08 0,00117953 0,0048001 yes
Ddii, Arnaud et al., bioRxiv 10.1101/2023.07.26.550726
AT4G15242 4:8705786-8706997 WT MT OK 0,00930712 17,9056 10,9098 -4,40523 1.05673e-05 7.13983e-05 yes
AT5G33251 5:12499071-12500433 WT MT OK 0,0498375 52,2837 10,0349 -9,8119 0 0 yes
AT4G12520 4:7421055-7421738 WT MT OK 0,0195111 15,8516 9,66612 -3,90043 9.60217e-05 0,000528904 yes
AT1G60020 1:22100651-22105276 WT MT OK 0,0118377 7,18823 9,24611 -7,50382 6.19504e-14 1.4988e-12 yes
AT5G15360 5:4987235-4989182 WT MT OK 0,0988273 56,4834 9,1587 -10,4392 0 0 yes
Výsledky –omických studií vs.
biologicky relevantní závěry
40
□ Vodivé pletivo jako vývojový model pro GO analýzu a MRN
modelování
Lehesranta etal., Trends in Plant Sci (2010)
Vývoj rostlinných vodivých pletiv
41
WT hormonal mutant
□ Rostlinné hormony regulují ukládání ligninu v buněčných
stěnách a transport vody xylemem
WT mutant
lignified cell walls
Water Conductivity
WT hormonal mutants
Hormonální regulace vývoje
rostlinných vodivých pletiv
Didi, Arnaud et al., bioRxiv, 10.1101/2023.07.26.550726 and unpublished
42
WT hormonal mutant
□ Transkripční profilování pomocí sekvenování RNA
mRNA
Sekvenování pomocí Illumina a určení přesného počtu transkriptů
mRNA
cDNA cDNA
Hormonální regulace vývoje
rostlinných vodivých pletiv
Illumina,com
43
Sekvenování DNA metodami NGS
https://www.youtube.com/watch?v=-7GK1HXwCtE
44
□ Transkripční profilování identifikovalo víc než 9K odlišně
regulovaných genů…
gene locus sample_1 sample_2 status value_1 value_2 log2(fold_change) test_stat p_value q_value significant
AT1G07795 1:2414285-2414967 WT MT OK 0 1,1804 1.79769e+308
1.79769e+3
08 6.88885e-05
0,00039180
1 yes
HRS1 1:4556891-4558708 WT MT OK 0 0,696583 1.79769e+308
1.79769e+3
08 6.61994e-06
4.67708e-
05 yes
ATMLO14 1:9227472-9232296 WT MT OK 0 0,514609 1.79769e+308
1.79769e+3
08 9.74219e-05
0,00053505
5 yes
NRT1.6 1:9400663-9403789 WT MT OK 0 0,877865 1.79769e+308
1.79769e+3
08 3.2692e-08
3.50131e-
07 yes
AT1G27570 1:9575425-9582376 WT MT OK 0 2,0829 1.79769e+308
1.79769e+3
08 9.76039e-06 6.647e-05 yes
AT1G60095 1:22159735-22162419 WT MT OK 0 0,688588 1.79769e+308
1.79769e+3
08 9.95901e-08
9.84992e-
07 yes
AT1G03020 1:698206-698515 WT MT OK 0 1,78859 1.79769e+308
1.79769e+3
08 0,00913915 0,0277958 yes
AT1G13609 1:4662720-4663471 WT MT OK 0 3,55814 1.79769e+308
1.79769e+3
08 0,00021683 0,00108079 yes
AT1G21550 1:7553100-7553876 WT MT OK 0 0,562868 1.79769e+308
1.79769e+3
08 0,00115582 0,00471497 yes
AT1G22120 1:7806308-7809632 WT MT OK 0 0,617354 1.79769e+308
1.79769e+3
08 2.48392e-06
1.91089e-
05 yes
AT1G31370 1:11238297-11239363 WT MT OK 0 1,46254 1.79769e+308
1.79769e+3
08 4.83523e-05
0,00028514
3 yes
APUM10 1:13253397-13255570 WT MT OK 0 0,581031 1.79769e+308
1.79769e+3
08 7.87855e-06
5.46603e-
05 yes
AT1G48700 1:18010728-18012871 WT MT OK 0 0,556525 1.79769e+308
1.79769e+3
08 6.53917e-05
0,00037473
6 yes
AT1G59077 1:21746209-21833195 WT MT OK 0 138,886 1.79769e+308
1.79769e+3
08 0,00122789 0,00496816 yes
AT1G60050 1:22121549-22123702 WT MT OK 0 0,370087 1.79769e+308
1.79769e+3
08 0,00117953 0,0048001 yes
Ddii, Arnaud et al., bioRxiv 10.1101/2023.07.26.550726
AT4G15242 4:8705786-8706997 WT MT OK 0,00930712 17,9056 10,9098 -4,40523 1.05673e-05 7.13983e-05 yes
AT5G33251 5:12499071-12500433 WT MT OK 0,0498375 52,2837 10,0349 -9,8119 0 0 yes
AT4G12520 4:7421055-7421738 WT MT OK 0,0195111 15,8516 9,66612 -3,90043 9.60217e-05 0,000528904 yes
AT1G60020 1:22100651-22105276 WT MT OK 0,0118377 7,18823 9,24611 -7,50382 6.19504e-14 1.4988e-12 yes
AT5G15360 5:4987235-4989182 WT MT OK 0,0988273 56,4834 9,1587 -10,4392 0 0 yes
Výsledky –omických studií vs.
biologicky relevantní závěry
Didi, Arnaud et al., bioRxiv, 10.1101/2023.07.26.550726 and unpublished
45
 Struktura genů
 Metody analýzy genové exprese
 Kvalitativní analýza exprese genů
 Příprava transkripční fůze promotoru analyzovaného genu s
reporterovým genem (gen zpravodaj)
 Příprava translační fůze kódující oblasti analyzovaného genu s
reporterovým genem
 Využití dostupných dat ve veřejných databázích
 Tkáňově a buněčně specifická analýza genové exprese
 Kvantitativní analýza exprese
 DNA čipy
 Next gen transkripční profilování
 Systémová biologie
 Definice
 Nástroje
 Genová ontologie
Osnova
46
□ Jedním z možných přístupů je studium genové ontologie, tj. dříve prokázané spojitosti
mezi geny a biologickými procesy
Ddii et al., unpublished
Analýza genové ontologie
47
□ Několik nástrojů umožňuje statisticky vyhodnotit obohacení o geny spojené se specifickými
procesy Eden et al., BMC Biinformatics (2009)
Analýza genové ontologie
http://cbl-gorilla.cs.technion.ac.il/
48
GORILLA
http://cbl-gorilla.cs.technion.ac.il/
49
GORILLA
http://cbl-gorilla.cs.technion.ac.il/
50
GORILLA
http://cbl-gorilla.cs.technion.ac.il/
51
GORILLA
http://cbl-gorilla.cs.technion.ac.il/
52
GORILLA
http://cbl-gorilla.cs.technion.ac.il/
53
GORILLA
http://cbl-gorilla.cs.technion.ac.il/
54
 Struktura genů
 Metody analýzy genové exprese
 Kvalitativní analýza exprese genů
 Příprava transkripční fůze promotoru analyzovaného genu s
reporterovým genem (gen zpravodaj)
 Příprava translační fůze kódující oblasti analyzovaného genu s
reporterovým genem
 Využití dostupných dat ve veřejných databázích
 Tkáňově a buněčně specifická analýza genové exprese
 Kvantitativní analýza exprese
 DNA čipy
 Next gen transkripční profilování
 Systémová biologie
 Definice
 Nástroje
 Genová ontologie
 Bayesovské sítě
Osnova
55
Bayesovské sítě
Co je Bayesovská síť?
 Pravděpodobný grafický model, který se používá k vytváření modelů z dat a/nebo názoru
odborníka
56
https://www.youtube.com/watch?v=4fcqyzVJwHM
Bayesovské sítě
57
Bayesovské sítě
Co je Bayesovská síť?
 Pravděpodobný grafický model, který se používá k vytváření modelů z dat a/nebo názoru
odborníka
 může být využit v široké škále úkolů včetně predikce, detekce anomálie, diagnostiky,
automatického pohledu na věc, uvažování, predikce časové řady a rozhodování za nejistoty
 UZLY
 každý uzel představuje proměnnou, jako je výška, věk nebo pohlaví. Proměnná může být diskrétní,
jako například pohlaví = {samičí, samčí}, nebo spojitá, jako např. věk
 SPOJE
 přidány mezi uzly, aby ukazovaly, že jeden uzel má přímý vliv na druhý
58
UZLY
SPOJE/OKRAJE
Bayesovské sítě
59 https://www.bayesserver.com/
Asijská Bayesovská síť
60
 Struktura genů
 Metody analýzy genové exprese
 Kvalitativní analýza exprese genů
 Příprava transkripční fůze promotoru analyzovaného genu s
reporterovým genem (gen zpravodaj)
 Příprava translační fůze kódující oblasti analyzovaného genu s
reporterovým genem
 Využití dostupných dat ve veřejných databázích
 Tkáňově a buněčně specifická analýza genové exprese
 Kvantitativní analýza exprese
 DNA čipy
 Next gen transkripční profilování
 Systémová biologie
 Definice
 Nástroje
 Genová ontologie
 Bayesovské sítě
 Modelování molekulárních/genových regulačních sítí
Osnova
61
□ Vodivé pletivo jako vývojový model pro MRN modelování
Modelování molekulárních
regulačních sítí
Benitez and Hejatko, PLoS One, 2013
62
□ Vyhledávání publikovaných dat a vytvoření malé databáze
Interaction Evidence References
A-ARRs –| CK
signaling
Double and higher order type-A ARR mutants show
increased sensitivity to CK.
Spatial patterns of A-type ARR gene expression and CK
response are consistent with partially redundant function
of these genes in CK signaling.
A-type ARRs decreases B-type ARR6-LUC.
Note: In certain contexts, however, some A-ARRs
appear to have effects antagonistic to other A-ARRs.
[27]
[27]
[13]
[27]
AHP6 –| AHP ahp6 partially recovers the mutant phenotype of the CK
receptor WOL.
Using an in vitro phosphotransfer system, it was shown
that, unlike the AHPs, native AHP6 was unable to
accept a phosphoryl group. Nevertheless, AHP6 is able
to inhibit phosphotransfer from other AHPs to ARRs.
[9]
[9]
Benitez and Hejatko, PLoS One, 2013
Modelování molekulárních
regulačních sítí
63
□ Formulace logických pravidel definujících dynamiku modelu
Modelování molekulárních
regulačních sítí
Network node Dynamical rule
CK 2 If ipt=1 and ckx=0
1 If ipt=1 and ckx=1
0 else
CKX 1 If barr>0 or arf=2
0 else
AHKs ahk=ck
AHPs 2 If ahk=2 and ahp6=0 and aarr=0
1 If ahk=2 and (ahp6+aarr<2)
1 If ahk=1 and ahp6<1
0 else
B-Type ARRs 1 If ahp>0
0 else
A-Type ARRs 1 If arf<2 and ahp>0
0 else
Benitez and Hejatko, PLoS One, 2013
64
□ Specifikace mobilních prvků a jejich chování v modelu
Modelování molekulárních
regulačních sítí
65
□ Příprava první verze modelu a její testování
Modelování molekulárních
regulačních sítí
66
□ Specifikace chybějících interakcí ze známých predikcí
Interaction Evidence References
A-ARRs –| CK
signaling
Double and higher order type-A ARR mutants show increased
sensitivity to CK.
Spatial patterns of A-type ARR gene expression and CK response
are consistent with partially redundant function of these genes in
CK signaling.
A-type ARRs decreases B-type ARR6-LUC.
Note: In certain contexts, however, some A-ARRs appear to have
effects antagonistic to other A-ARRs.
[27]
[27]
[13]
[27]
AHP6 –| AHP ahp6 partially recovers the mutant phenotype of the CK receptor
WOL.
Using an in vitro phosphotransfer system, it was shown that, unlike
the AHPs, native AHP6 was unable to accept a phosphoryl group.
Nevertheless, AHP6 is able to inhibit phosphotransfer from other
AHPs to ARRs.
[9]
[9]
CK → PIN7 radial
localization
Predicted interaction (could be direct or indirect)
Informed by the following data:
During the specification of root vascular cells in Arabidopsis
thaliana, CK regulates the radial localization of PIN7.
Expression of PIN7:GFP and PIN7::GUS is upregulated by CK with
no significant influence of ethylene.
In the root, CK signaling is required for the CK regulation of PIN1,
PIN3, and PIN7. Their expression is altered in wol, cre1, ahk3 and
ahp6 mutants.
[18]
[18,20]
[19]
CK→ APL Predicted interaction (could be direct or indirect)
Consistent with the fact that APL overexpression prevents or delays
xylem cell differentiation, as does CKs.
Partially supported by microarray data and phloem-specific
expression patterns of CK response factors.
[21]
(TAIR,
ExpressionSet:10
05823559, [22])
Modelování molekulárních
regulačních sítí
67
□ Příprava další verze modelu a její testování
Benitez and Hejatko, PLoS One, 2013
Modelování molekulárních
regulačních sítí
68
□ Dobrý model by měl být schopen simulovat realitu
Benitez and Hejatko, PLoS One, 2013
Modelování molekulárních
regulačních sítí
69
□ Formulace rovnic popisujících vzájemné vztahy v modelu
Static nodes: gn(t+1)=Fn(gn1(t),gn2(t),..., gnk(t))
Mobile nodes: g(t+1)T [i]= H(g(t) [i]+ D (g(t) [i+1]+g(t) [i-1] – N(g(t) [i]))-b)
state in the time t+1
state in the time tlogical rule function
state in the time t+1
Amount if TDIF or MIR165 in cell i
proportion of movable element
constant corresponding to a degradation term
Modelování molekulárních
regulačních sítí
70
□ Dobrý model by měl být schopen simulovat realitu
Modelování molekulárních
regulačních sítí
Benitez and Hejatko, PLoS One, 2013
Static nodes: gn(t+1)=Fn(gn1(t),gn2(t),..., gnk(t))
Mobile nodes: g(t+1)T [i]= H(g(t) [i]+ D (g(t) [i+1]+g(t) [i-1] – N(g(t) [i]))-b)
71
Benitez and Hejatko, submitted
□ Dobrý model by měl být schopen simulovat realitu
Modelování molekulárních
regulačních sítí
72
□ Simulace mutantů
Modelování molekulárních
regulačních sítí
Benitez and Hejatko, submitted
73 Benkova and Hejatko,Plant Mol Biol (2008)
proximalroot
meristem
distalroot
meristem
Odvození genových
regulačních sítí
74
Klidové centrum
Quiescent centre
Kolumela
Columella cell files
Iniciály kolumely
Columella initials
Epiderims
Epidermis
Kortex
Cortex
Endodermis
Endodermis
Iniciály stéle
Stele initials
proximalroot
meristem
distalroot
meristem
Postranní kořenová čepička
Lateral root cap
Iniciály epidermis
Epidermis initials
Iniciála endodermis a kortexu
Endodermis and cortex initial
Odvození genových
regulačních sítí
75 Birnbaum et al., Science, 2003
de Luis Balaguer et al., PNAS, 2017
Genové regulační sítě -
GENIST
 Odvození GR sítí přes
GENIST
 GEne regulatory Network
Inference from SpatioTemporal
data algorithm
 Kombinace prostorových- a
časově- specifických profilů
exprese genů
76
GENY
PLETIVO/ČAS
Kombinace velkých omických
datových sad
77
 Odvození GR sítí přes
GENIST
 shlukování (klastrování) genů
 Expresní podobnost za
různých
podmínek/genetické
pozadí, časové body, …
 Odvození spojení uvnitř klastru
 Selekce potenciálních
regulátorů a ko-
regulátorů
 Na základě časové
korelace ve změně
exprese a/nebo
specifikace uživatele
 Modelování dynamické
Bayesovské sítě
Haeseleer, Computational Biology, 2005
Genové regulační sítě -
GENIST
78
 Odvození GR sítí přes
GENIST
 shlukování (klastrování) genů
 Expresní podobnost za
různých
podmínek/genetické
pozadí, časové body, …
 Odvození spojení uvnitř klastru
 Selekce potenciálních
regulátorů a ko-
regulátorů
 Na základě časové
korelace ve změně
exprese a/nebo
specifikace uživatele
 Modelování dynamické
Bayesovské sítě
Genové regulační sítě -
GENIST
de Luis Balaguer et al., PNAS, 2017
79
de Luis Balaguer et al., PNAS, 2017
Genové regulační sítě -
GENIST
80 de Luis Balaguer et al., PNAS, 2017
Genové regulační sítě -
GENIST
81
Indirect PAN targets
feed-back loops
MODEL PREDICTION
EXPERIMENTAL
VERIFICATION
Genové regulační sítě -
GENIST
82 de Luis Balaguer et al., PNAS, 2017
Identifikace PAN jako důležitého
regulátoru identity QC
83
 Systémová biologie se pokouší identifikovat nové vlastnosti/chování
skupin funkčních podjednotek (regulátorů/molekul), které nejsou
prostým součtem vlastností jednotlivých podjednotek, ale jsou novou
vlastností závislou na způsobu jejich vzájemné interakce
 Využívá matematické modely, často Bayesovské sítě
 Genové regulační sítě lze identifikovat i pomocí (semi)automatických
nástrojů z velkých datových sad (např. genové exprese na úrovni
celého genomu)
 Využití metod strojového účení („umělá inteligence“)
Klíčové koncepty – systémová
biologie