Información

9.7: Otros métodos - Biología

9.7: Otros métodos - Biología


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Además de los HMM y los CRF, existen otros métodos para la identificación computacional de genes. Los modelos de semi-Markov generan emisiones de longitud de secuencia variable, lo que significa que las transiciones no son completamente sin memoria en los estados ocultos.

Los modelos max-min son adaptaciones de máquinas de vectores de soporte. Estos métodos aún no se han aplicado a genomas de mamíferos.4


4 Para una mejor comprensión de SVM: http://dspace.mit.edu/bitstream/hand...663/6-034Fall- 2002 / OcwWeb / Electrical-Engineering-and-Computer-Science / 6-034Artificial-IntelligenceFall2002 / Tools / detail / svmachine.htm


Conversiones enzimáticas de glutamato y ácido γ-aminobutírico como indicadores de la respuesta al estrés de las plantas

El glutamato juega un papel central en el metabolismo de los aminoácidos, en particular, en las reacciones de las aminotransferasas que conducen a la formación de muchos otros aminoácidos proteinogénicos y no proteinogénicos. En condiciones de estrés, el glutamato puede ser metabolizado a ácido γ-aminobutírico (GABA) por la glutamato descarboxilasa que inicia una derivación de GABA sin pasar por varias reacciones del ciclo del ácido tricarboxílico o convertido en 2-oxoglutarato por la glutamato deshidrogenasa. Ambas reacciones dirigen el carbono de la proteína a la respiración, pero también vinculan el metabolismo del glutamato a otras vías celulares, lo que resulta en la regulación del nivel redox y el equilibrio del pH. En este capítulo se describen ensayos para la determinación de las actividades de la glutamato deshidrogenasa y de las enzimas de derivación GABA como marcadores de la respuesta al estrés. Estos ensayos son importantes en los estudios de la estrategia de adaptación bioquímica de las plantas a las condiciones ambientales cambiantes, incluido el CO elevado.2, aumento de temperatura, inundaciones y otras tensiones.

Palabras clave: Metabolismo de los aminoácidos Glutamato Respiración Estrés Ácido γ-aminobutírico (GABA).


Contenido

Los primeros estudios de proteínas que podrían considerarse proteómicas comenzaron en 1975, tras la introducción del gel bidimensional y el mapeo de las proteínas de la bacteria. Escherichia coli.

La palabra proteoma es una mezcla de las palabras "proteína" y "genoma", y fue acuñada por Marc Wilkins en 1994 cuando era un Ph.D. estudiante de la Universidad Macquarie. [5] La Universidad de Macquarie también fundó el primer laboratorio de proteómica dedicado en 1995. [6] [7]

Después de la genómica y la transcriptómica, la proteómica es el siguiente paso en el estudio de los sistemas biológicos. Es más complicado que la genómica porque el genoma de un organismo es más o menos constante, mientras que los proteomas difieren de una célula a otra y de vez en cuando. Los genes distintos se expresan en diferentes tipos de células, lo que significa que es necesario identificar incluso el conjunto básico de proteínas que se producen en una célula.

En el pasado, este fenómeno se evaluó mediante análisis de ARN, pero se encontró que carece de correlación con el contenido de proteínas. [8] [9] Ahora se sabe que el ARNm no siempre se traduce en proteína, [10] y la cantidad de proteína producida para una determinada cantidad de ARNm depende del gen desde el que se transcribe y del estado fisiológico actual del celda. La proteómica confirma la presencia de la proteína y proporciona una medida directa de la cantidad presente.

Modificaciones postraduccionales Editar

No solo la traducción del ARNm causa diferencias, sino que muchas proteínas también están sujetas a una amplia variedad de modificaciones químicas después de la traducción. Las modificaciones postraduccionales más comunes y ampliamente estudiadas incluyen la fosforilación y la glicosilación. Muchas de estas modificaciones postraduccionales son críticas para la función de la proteína.

Fosforilación Editar

Una de esas modificaciones es la fosforilación, que ocurre con muchas enzimas y proteínas estructurales en el proceso de señalización celular. La adición de un fosfato a aminoácidos particulares, más comúnmente serina y treonina [11] mediada por serina-treonina quinasas, o más raramente tirosina mediada por tirosina quinasas, hace que una proteína se convierta en un objetivo para unirse o interactuar con un conjunto distinto de otras proteínas que reconocen el dominio fosforilado.

Debido a que la fosforilación de proteínas es una de las modificaciones de proteínas más estudiadas, muchos esfuerzos "proteómicos" están orientados a determinar el conjunto de proteínas fosforiladas en una célula o tipo de tejido en particular en circunstancias particulares. Esto alerta al científico sobre las vías de señalización que pueden estar activas en ese caso.

Ubiquitination Editar

La ubiquitina es una pequeña proteína que se puede fijar a ciertos sustratos proteicos mediante enzimas llamadas ubiquitina ligasas E3. Determinar qué proteínas son poliubiquitinadas ayuda a comprender cómo se regulan las vías de las proteínas. Este es, por tanto, un estudio "proteómico" legítimo adicional. De manera similar, una vez que un investigador determina qué sustratos están ubiquitinados por cada ligasa, es útil determinar el conjunto de ligasas expresadas en un tipo de célula en particular.

Modificaciones adicionales Editar

Además de la fosforilación y ubiquitinación, las proteínas pueden someterse a (entre otras) metilación, acetilación, glicosilación, oxidación y nitrosilación. Algunas proteínas experimentan todas estas modificaciones, a menudo en combinaciones dependientes del tiempo. Esto ilustra la potencial complejidad de estudiar la estructura y función de las proteínas.

Las proteínas distintas se elaboran en entornos distintos Editar

Una célula puede producir diferentes conjuntos de proteínas en diferentes momentos o en diferentes condiciones, por ejemplo, durante el desarrollo, la diferenciación celular, el ciclo celular o la carcinogénesis. Aumentando aún más la complejidad del proteoma, como se mencionó, la mayoría de las proteínas pueden sufrir una amplia gama de modificaciones postraduccionales.

Por lo tanto, un estudio de "proteómica" puede volverse complejo muy rápidamente, incluso si el tema de estudio es restringido. En entornos más ambiciosos, como cuando se busca un biomarcador para un subtipo de cáncer específico, el científico en proteómica podría optar por estudiar múltiples muestras de suero sanguíneo de múltiples pacientes con cáncer para minimizar los factores de confusión y tener en cuenta el ruido experimental. [12] Por lo tanto, a veces se necesitan diseños experimentales complicados para explicar la complejidad dinámica del proteoma.

La proteómica proporciona un nivel de comprensión diferente al de la genómica por muchas razones:

  • el nivel de transcripción de un gen da sólo una estimación aproximada de su nivel de traducción en una proteína. [13] Un ARNm producido en abundancia puede degradarse rápidamente o traducirse de manera ineficiente, lo que da como resultado una pequeña cantidad de proteína.
  • como se mencionó anteriormente, muchas proteínas experimentan modificaciones postraduccionales que afectan profundamente sus actividades, por ejemplo, algunas proteínas no están activas hasta que se fosforilan. Se utilizan métodos como la fosfoproteómica y la glicoproteómica para estudiar las modificaciones postraduccionales.
  • muchas transcripciones dan lugar a más de una proteína, mediante empalmes alternativos o modificaciones postraduccionales alternativas.
  • muchas proteínas forman complejos con otras proteínas o moléculas de ARN y solo funcionan en presencia de estas otras moléculas.
  • La tasa de degradación de las proteínas juega un papel importante en el contenido de proteínas. [14]

Reproducibilidad. Un factor importante que afecta la reproducibilidad en los experimentos de proteómica es la elución simultánea de muchos más péptidos de los que pueden medir los espectrómetros de masas. Esto provoca diferencias estocásticas entre experimentos debido a la adquisición de péptidos trípticos dependiente de los datos. Aunque los primeros análisis de proteómica de escopeta a gran escala mostraron una variabilidad considerable entre los laboratorios, [15] [16] presumiblemente debido en parte a las diferencias técnicas y experimentales entre los laboratorios, la reproducibilidad se ha mejorado en los análisis de espectrometría de masas más recientes, particularmente en el nivel de proteínas y el uso de Espectrómetros de masas Orbitrap. [17] En particular, la proteómica dirigida muestra una mayor reproducibilidad y repetibilidad en comparación con los métodos de escopeta, aunque a expensas de la densidad y la eficacia de los datos. [18]

En proteómica, existen múltiples métodos para estudiar proteínas. Generalmente, las proteínas pueden detectarse utilizando anticuerpos (inmunoensayos) o espectrometría de masas. Si se analiza una muestra biológica compleja, se debe utilizar un anticuerpo muy específico en el análisis de transferencia de puntos cuantitativos (QDB), o se debe utilizar la separación bioquímica antes del paso de detección, ya que hay demasiados analitos en la muestra para realizar detección y cuantificación precisas.

Detección de proteínas con anticuerpos (inmunoensayos) Editar

Los anticuerpos contra proteínas particulares, o sus formas modificadas, se han utilizado en estudios de bioquímica y biología celular. Estas se encuentran entre las herramientas más comunes utilizadas por los biólogos moleculares en la actualidad. Existen varias técnicas y protocolos específicos que utilizan anticuerpos para la detección de proteínas. El ensayo inmunoabsorbente ligado a enzimas (ELISA) se ha utilizado durante décadas para detectar y medir cuantitativamente proteínas en muestras. El western blot puede usarse para la detección y cuantificación de proteínas individuales, donde en un paso inicial, una mezcla de proteínas compleja se separa usando SDS-PAGE y luego la proteína de interés se identifica usando un anticuerpo.

Las proteínas modificadas pueden estudiarse desarrollando un anticuerpo específico para esa modificación. Por ejemplo, existen anticuerpos que solo reconocen determinadas proteínas cuando están fosforiladas en tirosina, se conocen como anticuerpos fosfoespecíficos. Además, existen anticuerpos específicos para otras modificaciones. Estos pueden usarse para determinar el conjunto de proteínas que han sufrido la modificación de interés.

La detección de enfermedades a nivel molecular está impulsando la revolución emergente del diagnóstico y tratamiento precoces. Un desafío al que se enfrenta el campo es que los biomarcadores de proteínas para el diagnóstico temprano pueden estar presentes en muy poca abundancia. El límite inferior de detección con la tecnología de inmunoensayo convencional es el rango femtomolar superior (10-13 M). La tecnología de inmunoensayo digital ha mejorado la sensibilidad de detección en tres registros, hasta el rango attomolar (10 −16 M). Esta capacidad tiene el potencial de abrir nuevos avances en el diagnóstico y la terapéutica, pero estas tecnologías han sido relegadas a procedimientos manuales que no son adecuados para un uso rutinario eficiente. [19]

Detección de proteínas sin anticuerpos Editar

Si bien la detección de proteínas con anticuerpos sigue siendo muy común en biología molecular, también se han desarrollado otros métodos que no se basan en un anticuerpo. Estos métodos ofrecen varias ventajas, por ejemplo, a menudo pueden determinar la secuencia de una proteína o péptido, pueden tener un rendimiento más alto que los basados ​​en anticuerpos y, a veces, pueden identificar y cuantificar proteínas para las que no existen anticuerpos.

Métodos de detección Editar

Uno de los primeros métodos para el análisis de proteínas ha sido la degradación de Edman (introducida en 1967) donde un solo péptido se somete a múltiples pasos de degradación química para resolver su secuencia. Estos primeros métodos han sido reemplazados en su mayoría por tecnologías que ofrecen un mayor rendimiento.

Los métodos implementados más recientemente utilizan técnicas basadas en espectrometría de masas, un desarrollo que fue posible gracias al descubrimiento de métodos de "ionización suave" desarrollados en la década de 1980, como la desorción / ionización láser asistida por matriz (MALDI) y la ionización por electropulverización (ESI). Estos métodos dieron lugar a los flujos de trabajo de proteómica de arriba hacia abajo y de abajo hacia arriba, donde a menudo se realiza una separación adicional antes del análisis (ver más abajo).

Métodos de separación Editar

Para el análisis de muestras biológicas complejas, se requiere una reducción de la complejidad de la muestra. Esto puede realizarse fuera de línea mediante separación unidimensional o bidimensional. Más recientemente, se han desarrollado métodos en línea en los que péptidos individuales (en enfoques proteómicos ascendentes) se separan mediante cromatografía de fase inversa y luego, se ionizan directamente mediante ESI. El acoplamiento directo de separación y análisis explica el término "en línea". análisis.

Tecnologías híbridas Editar

Existen varias tecnologías híbridas que utilizan la purificación de analitos individuales basada en anticuerpos y luego realizan análisis espectrométricos de masas para su identificación y cuantificación. Ejemplos de estos métodos son el MSIA (inmunoensayo por espectrometría de masas), desarrollado por Randall Nelson en 1995, [20] y el método SISCAPA (Captura estándar de isótopos estables con anticuerpos antipéptidos), introducido por Leigh Anderson en 2004. [21]

Metodologías de investigación actuales Editar

La electroforesis en gel diferencial bidimensional de fluorescencia (2-D DIGE) [22] puede utilizarse para cuantificar la variación en el proceso 2-D DIGE y establecer umbrales estadísticamente válidos para asignar cambios cuantitativos entre muestras. [22]

El análisis proteómico comparativo puede revelar el papel de las proteínas en sistemas biológicos complejos, incluida la reproducción. Por ejemplo, el tratamiento con el insecticida triazofos provoca un aumento en el contenido de saltahojas marrón (Nilaparvata lugens (Stål)) proteínas de las glándulas accesorias masculinas (Acps) que pueden transferirse a las hembras a través del apareamiento, provocando un aumento de la fecundidad (es decir, la tasa de natalidad) de las hembras. [23] Para identificar cambios en los tipos de proteínas de las glándulas accesorias (Acps) y proteínas reproductivas que los saltaplantas hembras recibían de los saltaplantas macho, los investigadores realizaron un análisis proteómico comparativo de N. lugens hembras. [24] Los resultados indicaron que estas proteínas participan en el proceso reproductivo de N. lugens hembras y machos adultos. [24]

Análisis de proteoma de Peroxisomas de Arabidopsis [25] se ha establecido como el principal enfoque imparcial para identificar nuevas proteínas peroxisomales a gran escala. [25]

Existen muchos enfoques para caracterizar el proteoma humano, que se estima que contiene entre 20.000 y 25.000 proteínas no redundantes. El número de especies de proteínas únicas probablemente aumentará entre 50.000 y 500.000 debido al empalme de ARN y eventos de proteólisis, y cuando también se considera la modificación postraduccional, se estima que el número total de proteínas humanas únicas varía en pocos millones. [26] [27]

Además, recientemente se ha informado de los primeros intentos prometedores de descifrar el proteoma de los tumores animales. [28] Este método se utilizó como método funcional en Macrobrachium rosenbergii perfil de proteínas. [29]

Tecnologías proteómicas de alto rendimiento Editar

La proteómica ha ido ganando impulso durante la última década con la evolución de varios enfoques. Pocos son nuevos y otros se basan en métodos tradicionales. Los métodos basados ​​en espectrometría de masas y las micromatrices son las tecnologías más comunes para el estudio de proteínas a gran escala.

Espectrometría de masas y perfiles de proteínas Editar

Hay dos métodos basados ​​en espectrometría de masas que se utilizan actualmente para la elaboración de perfiles de proteínas. El método más establecido y extendido utiliza electroforesis bidimensional de alta resolución para separar proteínas de diferentes muestras en paralelo, seguido de la selección y tinción de proteínas expresadas diferencialmente para ser identificadas por espectrometría de masas. A pesar de los avances en 2-DE y su madurez, también tiene sus límites. La preocupación central es la incapacidad de resolver todas las proteínas dentro de una muestra, dado su rango dramático en el nivel de expresión y las diferentes propiedades. [30]

El segundo enfoque cuantitativo utiliza etiquetas de isótopos estables para marcar diferencialmente proteínas de dos mezclas complejas diferentes. Aquí, las proteínas dentro de una mezcla compleja primero se marcan isotópicamente y luego se digieren para producir péptidos marcados. A continuación, se combinan las mezclas marcadas, se separan los péptidos mediante cromatografía líquida multidimensional y se analizan mediante espectrometría de masas en tándem. Los reactivos de etiqueta de afinidad codificada por isótopos (ICAT) son las etiquetas de isótopos más utilizadas. En este método, los residuos de cisteína de las proteínas se unen covalentemente al reactivo ICAT, reduciendo así la complejidad de las mezclas omitiendo los residuos que no son de cisteína.

La proteómica cuantitativa que utiliza el marcado isotópico estable es una herramienta cada vez más útil en el desarrollo moderno. En primer lugar, se han utilizado reacciones químicas para introducir etiquetas en sitios o proteínas específicos con el fin de sondear funcionalidades proteicas específicas. El aislamiento de péptidos fosforilados se ha logrado utilizando marcaje isotópico y químicas selectivas para capturar la fracción de proteína entre la mezcla compleja. En segundo lugar, se utilizó la tecnología ICAT para diferenciar entre complejos macromoleculares parcialmente purificados o purificados, como el complejo de preiniciación de ARN polimerasa II grande y las proteínas complejadas con el factor de transcripción de levadura. En tercer lugar, el etiquetado ICAT se combinó recientemente con el aislamiento de cromatina para identificar y cuantificar las proteínas asociadas a la cromatina. Finalmente, los reactivos ICAT son útiles para el perfil proteómico de orgánulos celulares y fracciones celulares específicas. [30]

Otro enfoque cuantitativo es el enfoque de etiqueta precisa de masa y tiempo (AMT) desarrollado por Richard D. Smith y sus compañeros de trabajo en el Laboratorio Nacional del Noroeste del Pacífico. En este enfoque, se logra un mayor rendimiento y sensibilidad al evitar la necesidad de espectrometría de masas en tándem y al hacer uso de información de tiempo de separación determinada con precisión y determinaciones de masa altamente precisas para identificaciones de péptidos y proteínas.

Chips de proteína Editar

Equilibrar el uso de espectrómetros de masas en proteómica y en medicina es el uso de micromatrices de proteínas. El objetivo de las micromatrices de proteínas es imprimir miles de características de detección de proteínas para el interrogatorio de muestras biológicas. Las matrices de anticuerpos son un ejemplo en el que se disponen una gran cantidad de anticuerpos diferentes para detectar sus respectivos antígenos a partir de una muestra de sangre humana. Otro enfoque es la ordenación de múltiples tipos de proteínas para el estudio de propiedades como las interacciones proteína-ADN, proteína-proteína y proteína-ligando. Idealmente, las matrices proteómicas funcionales contendrían el complemento completo de las proteínas de un organismo dado. La primera versión de tales matrices consistió en 5000 proteínas purificadas de levadura depositadas en portaobjetos microscópicos de vidrio. A pesar del éxito del primer chip, la implementación de matrices de proteínas fue un desafío mayor. Las proteínas son intrínsecamente mucho más difíciles de trabajar que el ADN. Tienen un amplio rango dinámico, son menos estables que el ADN y su estructura es difícil de conservar en portaobjetos de vidrio, aunque son esenciales para la mayoría de los ensayos. La tecnología ICAT global tiene ventajas sorprendentes sobre las tecnologías de chips de proteínas. [30]

Microarrays de proteínas en fase inversa Editar

Se trata de una nueva y prometedora aplicación de microarrays para el diagnóstico, estudio y tratamiento de enfermedades complejas como el cáncer. La tecnología fusiona la microdisección de captura por láser (LCM) con la tecnología de microarrays para producir microarrays de proteínas de fase inversa. En este tipo de micromatrices, toda la colección de proteínas en sí se inmoviliza con la intención de capturar varias etapas de la enfermedad dentro de un paciente individual. Cuando se usa con LCM, las matrices de fase inversa pueden monitorear el estado fluctuante del proteoma entre diferentes poblaciones de células dentro de un área pequeña de tejido humano. Esto es útil para perfilar el estado de las moléculas de señalización celular, entre una sección transversal de tejido que incluye tanto células normales como cancerosas. Este enfoque es útil para controlar el estado de factores clave en el epitelio de próstata normal y los tejidos del cáncer de próstata invasivo. A continuación, LCM diseca estos tejidos y los lisados ​​de proteínas se distribuyen en portaobjetos de nitrocelulosa, que se sondaron con anticuerpos específicos. Este método puede rastrear todo tipo de eventos moleculares y puede comparar tejidos sanos y enfermos dentro del mismo paciente, lo que permite el desarrollo de estrategias de tratamiento y diagnóstico. La capacidad de adquirir instantáneas proteómicas de poblaciones de células vecinas, utilizando microarrays de fase inversa junto con LCM tiene una serie de aplicaciones más allá del estudio de los tumores. El enfoque puede proporcionar información sobre la fisiología y patología normales de todos los tejidos y es invaluable para caracterizar los procesos y anomalías del desarrollo. [30]

Descubrimiento de nuevos fármacos Editar

Un avance importante derivado del estudio de genes y proteínas humanos ha sido la identificación de nuevos fármacos potenciales para el tratamiento de enfermedades. Esto se basa en la información del genoma y del proteoma para identificar proteínas asociadas con una enfermedad, que los programas informáticos pueden usar como objetivos para nuevos medicamentos. Por ejemplo, si una determinada proteína está implicada en una enfermedad, su estructura 3D proporciona la información para diseñar fármacos que interfieran con la acción de la proteína. Una molécula que se adapta al sitio activo de una enzima, pero que no puede ser liberada por la enzima, inactiva la enzima. Ésta es la base de nuevas herramientas de descubrimiento de fármacos, cuyo objetivo es encontrar nuevos fármacos para inactivar proteínas implicadas en enfermedades. A medida que se encuentran diferencias genéticas entre los individuos, los investigadores esperan utilizar estas técnicas para desarrollar medicamentos personalizados que sean más efectivos para el individuo. [31]

La proteómica también se utiliza para revelar interacciones complejas entre plantas e insectos que ayudan a identificar genes candidatos involucrados en la respuesta defensiva de las plantas a la herbivoría. [32] [33] [34]

Interacción proteómica y redes de proteínas Editar

La proteómica de interacción es el análisis de interacciones de proteínas desde escalas de interacciones binarias hasta proteomas o redes. La mayoría de las proteínas funcionan a través de interacciones proteína-proteína, y uno de los objetivos de la proteómica de interacción es identificar interacciones proteicas binarias, complejos proteicos e interactomas.

Hay varios métodos disponibles para analizar las interacciones proteína-proteína. Si bien el método más tradicional es el análisis de dos híbridos de levadura, un método emergente poderoso es la purificación por afinidad seguida de espectrometría de masas de proteínas utilizando cebos de proteínas etiquetadas. Otros métodos incluyen resonancia de plasmón de superficie (SPR), [35] [36] micromatrices de proteínas, interferometría de polarización dual, termoforesis a microescala y métodos experimentales como la visualización de fagos y en silico Métodos computacionales.

El conocimiento de las interacciones proteína-proteína es especialmente útil con respecto a las redes biológicas y la biología de sistemas, por ejemplo, en cascadas de señalización celular y redes reguladoras de genes (GRN, donde el conocimiento de las interacciones proteína-ADN también es informativo). El análisis de las interacciones de las proteínas en todo el proteoma y la integración de estos patrones de interacción en redes biológicas más grandes es crucial para comprender la biología a nivel de sistemas. [37] [38]

Proteómica de expresión Editar

La proteómica de expresión incluye el análisis de la expresión de proteínas a mayor escala. Ayuda a identificar las proteínas principales en una muestra en particular, y aquellas proteínas expresadas diferencialmente en muestras relacionadas, como tejido enfermo vs. tejido sano. Si una proteína se encuentra solo en una muestra enferma, entonces puede ser una diana de fármaco útil o un marcador de diagnóstico. Las proteínas con perfiles de expresión iguales o similares también pueden estar relacionadas funcionalmente. Existen tecnologías como 2D-PAGE y espectrometría de masas que se utilizan en proteómica de expresión. [39]

Biomarcadores Editar

Los Institutos Nacionales de Salud han definido un biomarcador como "una característica que se mide y evalúa objetivamente como un indicador de procesos biológicos normales, procesos patógenos o respuestas farmacológicas a una intervención terapéutica". [40] [41]

Comprender el proteoma, la estructura y función de cada proteína y las complejidades de las interacciones proteína-proteína es fundamental para desarrollar las técnicas de diagnóstico y los tratamientos de enfermedades más eficaces en el futuro. Por ejemplo, la proteómica es muy útil en la identificación de biomarcadores candidatos (proteínas en los fluidos corporales que son valiosas para el diagnóstico), la identificación de los antígenos bacterianos que son el objetivo de la respuesta inmune y la identificación de posibles marcadores inmunohistoquímicos de enfermedades infecciosas o neoplásicas. [42]

Un uso interesante de la proteómica es el uso de biomarcadores de proteínas específicos para diagnosticar enfermedades. Varias técnicas permiten analizar las proteínas producidas durante una enfermedad en particular, lo que ayuda a diagnosticar la enfermedad rápidamente. Las técnicas incluyen Western blot, tinción inmunohistoquímica, ensayo inmunoabsorbente ligado a enzimas (ELISA) o espectrometría de masas. [28] [43] La secretomía, un subcampo de la proteómica que estudia las proteínas secretadas y las vías de secreción mediante enfoques proteómicos, ha surgido recientemente como una herramienta importante para el descubrimiento de biomarcadores de enfermedades. [44]

Proteogenómica Editar

En proteogenómica, se utilizan tecnologías proteómicas como la espectrometría de masas para mejorar las anotaciones de genes. El análisis paralelo del genoma y el proteoma facilita el descubrimiento de modificaciones postraduccionales y eventos proteolíticos, [45] especialmente cuando se comparan múltiples especies (proteogenómica comparativa). [46]

Proteómica estructural Editar

La proteómica estructural incluye el análisis de estructuras de proteínas a gran escala. Compara estructuras de proteínas y ayuda a identificar funciones de genes recién descubiertos. El análisis estructural también ayuda a comprender dónde se unen los medicamentos a las proteínas y también muestra dónde las proteínas interactúan entre sí. Esta comprensión se logra utilizando diferentes tecnologías como la cristalografía de rayos X y la espectroscopia de RMN. [39]

Gran parte de los datos de proteómica se recopilan con la ayuda de tecnologías de alto rendimiento, como la espectrometría de masas y microarrays. A menudo, se necesitarían semanas o meses para analizar los datos y realizar comparaciones a mano. Por esta razón, los biólogos y químicos están colaborando con científicos informáticos y matemáticos para crear programas y una tubería para analizar computacionalmente los datos de proteínas. Utilizando técnicas de bioinformática, los investigadores pueden realizar análisis y almacenamiento de datos más rápido. Un buen lugar para encontrar listas de programas y bases de datos actuales es el portal de recursos bioinformáticos de ExPASy. Las aplicaciones de la proteómica basada en bioinformática incluyen medicina, diagnóstico de enfermedades, identificación de biomarcadores y muchas más.

Identificación de proteínas Editar

La espectrometría de masas y los microarrays producen información de fragmentación de péptidos pero no dan identificación de proteínas específicas presentes en la muestra original. Debido a la falta de identificación de proteínas específicas, los investigadores anteriores se vieron obligados a descifrar los propios fragmentos de péptidos. Sin embargo, actualmente hay programas disponibles para la identificación de proteínas. Estos programas toman la salida de secuencias de péptidos de espectrometría de masas y microarrays y devuelven información sobre proteínas similares o coincidentes. Esto se hace a través de algoritmos implementados por el programa que realizan alineaciones con proteínas de bases de datos conocidas como UniProt [47] y PROSITE [48] para predecir qué proteínas hay en la muestra con cierto grado de certeza.

Estructura de las proteínas Editar

La estructura biomolecular forma la configuración 3D de la proteína. Comprender la estructura de la proteína ayuda a identificar las interacciones y la función de la proteína. Solía ​​ser que la estructura 3D de las proteínas solo se podía determinar mediante cristalografía de rayos X y espectroscopia de RMN. A partir de 2017, la microscopía crioelectrónica es una técnica líder, que resuelve las dificultades con la cristalización (en cristalografía de rayos X) y la ambigüedad conformacional (en RMN). La resolución fue de 2.2Å en 2015. Ahora, a través de la bioinformática, hay programas de computadora que pueden en algunos casos, predicen y modelan la estructura de las proteínas. Estos programas utilizan las propiedades químicas de los aminoácidos y las propiedades estructurales de proteínas conocidas para predecir el modelo 3D de las proteínas de muestra. Esto también permite a los científicos modelar interacciones de proteínas a mayor escala. Además, los ingenieros biomédicos están desarrollando métodos para tener en cuenta la flexibilidad de las estructuras de las proteínas para hacer comparaciones y predicciones. [49]

Modificaciones postraduccionales Editar

La mayoría de los programas disponibles para el análisis de proteínas no están escritos para proteínas que han sufrido modificaciones postraduccionales. [50] Algunos programas aceptarán modificaciones postraduccionales para ayudar en la identificación de proteínas, pero luego ignorarán la modificación durante el análisis de proteínas. Es importante tener en cuenta estas modificaciones, ya que pueden afectar la estructura de la proteína. A su vez, el análisis computacional de modificaciones postraduccionales ha atraído la atención de la comunidad científica. Los programas actuales de modificación postraduccional son solo predictivos. [51] Químicos, biólogos e informáticos están trabajando juntos para crear e introducir nuevas tuberías que permitan el análisis de modificaciones postraduccionales que han sido identificadas experimentalmente por su efecto sobre la estructura y función de la proteína.

Métodos computacionales en el estudio de biomarcadores de proteínas Editar

Un ejemplo del uso de la bioinformática y el uso de métodos computacionales es el estudio de biomarcadores de proteínas. Los modelos de predicción computacional [52] han demostrado que durante el embarazo se produce un tráfico de proteínas feto-materno extenso y diverso y que puede detectarse fácilmente de forma no invasiva en la sangre entera materna. Este enfoque computacional sorteó una limitación importante, la abundancia de proteínas maternas que interfieren con la detección de proteínas fetales, al análisis proteómico fetal de la sangre materna. Los modelos computacionales pueden usar transcripciones de genes fetales previamente identificadas en sangre completa materna para crear una red proteómica integral del término neonato. Este trabajo muestra que las proteínas fetales detectadas en la sangre de la mujer embarazada se originan en un grupo diverso de tejidos y órganos del feto en desarrollo. Las redes proteómicas contienen muchos biomarcadores que son indicadores del desarrollo e ilustran la posible aplicación clínica de esta tecnología como una forma de controlar el desarrollo fetal normal y anormal.

También se ha introducido un marco teórico de la información para el descubrimiento de biomarcadores, que integra información de biofluidos y tejidos. [53] Este nuevo enfoque aprovecha la sinergia funcional entre ciertos biofluidos y tejidos con el potencial de resultados clínicamente significativos que no serían posibles si los tejidos y los biofluidos se consideraran individualmente. Al conceptualizar el biofluido tisular como canales de información, se pueden identificar importantes sustitutos de biofluidos y luego utilizarlos para el desarrollo guiado de diagnósticos clínicos. Los biomarcadores candidatos se predicen luego en función de los criterios de transferencia de información a través de los canales de biofluidos tisulares. Se pueden utilizar relaciones significativas biofluido-tejido para priorizar la validación clínica de biomarcadores. [ cita necesaria ]

Varios conceptos emergentes tienen el potencial de mejorar las características actuales de la proteómica. Obtener la cuantificación absoluta de proteínas y monitorear las modificaciones postraduccionales son las dos tareas que impactan en la comprensión de la función de las proteínas en células sanas y enfermas. Para muchos eventos celulares, las concentraciones de proteínas no cambian, sino que su función está modulada por modificaciones postraduccionales (PTM). Los métodos de monitoreo de PTM son un área subdesarrollada en proteómica. La selección de un subconjunto particular de proteína para el análisis reduce sustancialmente la complejidad de la proteína, lo que la hace ventajosa para fines de diagnóstico donde la sangre es el material de partida. Another important aspect of proteomics, yet not addressed, is that proteomics methods should focus on studying proteins in the context of the environment. The increasing use of chemical cross linkers, introduced into living cells to fix protein-protein, protein-DNA and other interactions, may ameliorate this problem partially. The challenge is to identify suitable methods of preserving relevant interactions. Another goal for studying protein is to develop more sophisticated methods to image proteins and other molecules in living cells and real time. [30]

Systems biology Edit

Advances in quantitative proteomics would clearly enable more in-depth analysis of cellular systems. [37] [38] Biological systems are subject to a variety of perturbations (cell cycle, cellular differentiation, carcinogenesis, environment (biophysical), etc.). Transcriptional and translational responses to these perturbations results in functional changes to the proteome implicated in response to the stimulus. Therefore, describing and quantifying proteome-wide changes in protein abundance is crucial towards understanding biological phenomenon more holistically, on the level of the entire system. In this way, proteomics can be seen as complementary to genomics, transcriptomics, epigenomics, metabolomics, and other -omics approaches in integrative analyses attempting to define biological phenotypes more comprehensively. As an example, The Cancer Proteome Atlas provides quantitative protein expression data for

200 proteins in over 4,000 tumor samples with matched transcriptomic and genomic data from The Cancer Genome Atlas. [54] Similar datasets in other cell types, tissue types, and species, particularly using deep shotgun mass spectrometry, will be an immensely important resource for research in fields like cancer biology, developmental and stem cell biology, medicine, and evolutionary biology.

Human plasma proteome Edit

Characterizing the human plasma proteome has become a major goal in the proteomics arena, but it is also the most challenging proteomes of all human tissues. [55] It contains immunoglobulin, cytokines, protein hormones, and secreted proteins indicative of infection on top of resident, hemostatic proteins. It also contains tissue leakage proteins due to the blood circulation through different tissues in the body. The blood thus contains information on the physiological state of all tissues and, combined with its accessibility, makes the blood proteome invaluable for medical purposes. It is thought that characterizing the proteome of blood plasma is a daunting challenge.

The depth of the plasma proteome encompassing a dynamic range of more than 10 10 between the highest abundant protein (albumin) and the lowest (some cytokines) and is thought to be one of the main challenges for proteomics. [56] Temporal and spatial dynamics further complicate the study of human plasma proteome. The turnover of some proteins is quite faster than others and the protein content of an artery may substantially vary from that of a vein. All these differences make even the simplest proteomic task of cataloging the proteome seem out of reach. To tackle this problem, priorities need to be established. Capturing the most meaningful subset of proteins among the entire proteome to generate a diagnostic tool is one such priority. Secondly, since cancer is associated with enhanced glycosylation of proteins, methods that focus on this part of proteins will also be useful. Again: multiparameter analysis best reveals a pathological state. As these technologies improve, the disease profiles should be continually related to respective gene expression changes. [30] Due to the above-mentioned problems plasma proteomics remained challenging. However, technological advancements and continuous developments seem to result in a revival of plasma proteomics as it was shown recently by a technology called plasma proteome profiling. [57] Due to such technologies researchers were able to investigate inflammation processes in mice, the heritability of plasma proteomes as well as to show the effect of such a common life style change like weight loss on the plasma proteome. [58] [59] [60]

Numerous journals are dedicated to the field of proteomics and related areas. Note that journals dealing with proteinas are usually more focused on structure and function while proteómica journals are more focused on the large-scale analysis of whole proteomes or at least large sets of proteins. Some of the more important ones [ según quien? ] are listed below (with their publishers).


9.7: Other Methods - Biology

Todos los artículos publicados por MDPI están disponibles inmediatamente en todo el mundo bajo una licencia de acceso abierto. No se requiere un permiso especial para reutilizar todo o parte del artículo publicado por MDPI, incluidas las figuras y tablas. Para los artículos publicados bajo una licencia Creative Common CC BY de acceso abierto, cualquier parte del artículo puede ser reutilizada sin permiso siempre que el artículo original esté claramente citado.

Los artículos de fondo representan la investigación más avanzada con un potencial significativo de alto impacto en el campo. Los artículos de fondo se envían por invitación individual o recomendación de los editores científicos y se someten a una revisión por pares antes de su publicación.

El artículo destacado puede ser un artículo de investigación original, un estudio de investigación novedoso y sustancial que a menudo implica varias técnicas o enfoques, o un artículo de revisión completo con actualizaciones concisas y precisas sobre los últimos avances en el campo que revisan sistemáticamente los avances científicos más interesantes. literatura. Este tipo de artículo ofrece una perspectiva sobre las futuras direcciones de la investigación o sus posibles aplicaciones.

Los artículos de Editor's Choice se basan en las recomendaciones de los editores científicos de las revistas de MDPI de todo el mundo. Los editores seleccionan una pequeña cantidad de artículos publicados recientemente en la revista que creen que serán particularmente interesantes para los autores o importantes en este campo. El objetivo es proporcionar una instantánea de algunos de los trabajos más interesantes publicados en las diversas áreas de investigación de la revista.


Rule 3: Take Notes While Reading

If you read the papers first, and only afterwards start writing the review, you will need a very good memory to remember who wrote what, and what your impressions and associations were while reading each single paper. My advice is, while reading, to start writing down interesting pieces of information, insights about how to organize the review, and thoughts on what to write. This way, by the time you have read the literature you selected, you will already have a rough draft of the review.

Of course, this draft will still need much rewriting, restructuring, and rethinking to obtain a text with a coherent argument [11], but you will have avoided the danger posed by staring at a blank document. Be careful when taking notes to use quotation marks if you are provisionally copying verbatim from the literature. It is advisable then to reformulate such quotes with your own words in the final draft. It is important to be careful in noting the references already at this stage, so as to avoid misattributions. Using referencing software from the very beginning of your endeavour will save you time.


Los 6 tipos principales de interacción genética de la epistasis

Los siguientes puntos destacan los seis tipos principales de interacción de genes de epistasis. Los tipos son: 1. Epistasis recesiva 2. Epistasis dominante 3. Epistasis dominante [inhibitoria] 4. Epistasis recesiva duplicada 5. Epistasis dominante duplicada 6. Interacción de genes poliméricos.

Interacción del gen de la epistasis: tipo # 1.

Epistasis recesiva [Relación 9: 3: 4]:

Cuando los alelos recesivos en un locus enmascaran la expresión de ambos alelos (dominantes y recesivos) en otro locus, se conoce como epistasis recesiva. Este tipo de interacción genética también se conoce como epistasis suplementaria. Un buen ejemplo de dicha interacción genética se encuentra en el color del grano del maíz.

Hay tres colores de grano en el maíz, a saber, púrpura, rojo y blanco. El color púrpura se desarrolla en presencia de dos genes dominantes (R y P), el color rojo en presencia de un gen R dominante y el blanco en la condición homocigótica recesiva (rrpp).

Un cruce entre cepas de color de grano púrpura (RRPP) y blanco (rrpp) de maíz produjo plantas con color púrpura en F1. Inter-apareamiento de estos F1 las plantas produjeron progenie con granos morados, rojos y blancos en F2 en la proporción de 9: 3: 4 (Fig. 8.2).

Aquí el alelo r es recesivo a R, pero epistático a los alelos P y p. En F2, todas las plantas con R-P- (9/16) tendrán granos de color púrpura y aquellas con genotipos R-pp ​​(3/16) tendrán un color de grano rojo. El alelo epistático r en condición homocigótica producirá plantas con granos blancos de los genotipos rrP- (3/16) y rrpp (1/16).

Por lo tanto, la relación de segregación normal de 9: 3: 3: 1 se modifica a 9: 3: 4 en F2 Generacion. Este tipo de interacción genética también se encuentra en el color del pelaje de los ratones, el color del bulbo en la cebolla y para ciertos caracteres en muchos otros organismos.

Interacción del gen de la epistasis: Tipo # 2.

Epistasis dominante [Proporción 12: 3: 1]:

Cuando un alelo dominante en un locus puede enmascarar la expresión de ambos alelos (dominante y recesivo) en otro locus, se conoce como epistasis dominante. En otras palabras, la expresión de un alelo dominante o recesivo está enmascarada por otro gen dominante. Esto también se conoce como epistasis simple.

Un ejemplo de epistasis dominante se encuentra en el color de la fruta de la calabaza de verano. Hay tres tipos de colores de frutas en este pepino, a saber, blanco, amarillo y verde. El color blanco está controlado por el gen dominante W y el color amarillo por el gen dominante G. El blanco es dominante tanto sobre el amarillo como sobre el verde.

Los frutos verdes se producen en condición recesiva (wwgg). Un cruce entre plantas que tienen frutos blancos y amarillos produjo F1 con frutos blancos. Inter-apareamiento de F1 las plantas produjeron plantas con frutos de color blanco, amarillo y verde en F2 en una proporción de 12: 3: 1 (Fig. 8.3). Esto se puede explicar de la siguiente manera.

Aquí W es dominante ay epistático a los alelos G y g. Por tanto, enmascarará la expresión de los alelos G / g. Por lo tanto, en F2, las plantas con genotipos WG- (9/16) y W-gg (3/16) producirán frutos blancos, las plantas con wwG- (3/16) producirán frutos amarillos y aquellas con genotipo wwgg (1/16) producirán frutos verdes. frutas.

Por lo tanto, la proporción dihíbrida normal 9: 3: 3: 1 se modifica a la proporción 12: 3: 1 en F2 Generacion. Se ha informado de un tipo similar de interacción genética para el color de la piel en ratones y el color de la cubierta de la semilla en la cebada.

Interacción del gen de la epistasis: Tipo # 3.

Epistasis dominante [inhibitoria] [relación 13: 3]:

En este tipo de epistasis, un alelo dominante en un locus puede enmascarar la expresión de ambos alelos (dominante y recesivo) en el segundo locus. Esto también se conoce como interacción genética inhibitoria. Un ejemplo de este tipo de interacción genética se encuentra en la pigmentación de antocianinas en el arroz.

El color verde de las plantas está gobernado por el gen I, que es dominante sobre el color púrpura. El color púrpura está controlado por un gen dominante P. Cuando se realizó un cruce entre plantas de color verde (IIpp) y púrpura (iiPP), la F1 era verde. Inter-apareamiento de F1 las plantas produjeron plantas verdes y púrpuras en una proporción de 13: 3 en F2 (Figura 8.4). Esto se puede explicar de la siguiente manera.

Aquí el alelo I es epistático a los alelos P y p. Por lo tanto, en F2, las plantas con genotipos I-P- (9/16), I-pp (3/16) e iipp (1/16) serán verdes porque enmascararé el efecto de P o p. Las plantas con iiP- (3/16) serán moradas, porque I está ausente.

De esta manera, la relación de segregación dihíbrida normal de 9: 3: 3: 1 se modifica a una relación de 13: 3. Se encuentra una interacción genética similar para el color del grano en el maíz, el color del plumaje en las aves de corral y ciertos caracteres en otras especies de cultivos.

Interacción del gen de la epistasis: Tipo # 4.

Epistasis recesiva duplicada [proporción 9: 7]:

Cuando los alelos recesivos en cualquiera de los dos loci pueden enmascarar la expresión de los alelos dominantes en los dos loci, se denomina epistasis recesiva duplicada. Esto también se conoce como epistasis complementaria. El mejor ejemplo de epistasis recesiva duplicada si se encuentra para el color de la flor en el guisante de olor.

El color púrpura de la flor en el guisante de olor se rige por dos genes dominantes, como A y B. Cuando estos genes están en individuos separados (AAbb o aaBB) o recesivos (aabb), producen una flor blanca.

Un cruce entre las cepas de flor violeta (AABB) y flor blanca (aabb) produjo un color púrpura en F1. Inter-apareamiento de F1 las plantas produjeron plantas de flores púrpuras y blancas en una proporción de 9: 7 en F2 generación (Fig. 8.5). Esto se puede explicar de la siguiente manera.

Aquí el alelo recesivo a isepistático de los alelos B / b y enmascara la expresión de estos alelos. Otro alelo b recesivo es epistático a los alelos A / a y enmascara su expresión.

Por lo tanto, en F2, las plantas con genotipos A-B- (9/16) tendrán flores de color púrpura, y las plantas con genotipos aaB- (3/16), A-bb- (3/16) y aabb (1/16) producen flores blancas. Por lo tanto, solo se producen dos clases fenotípicas, a saber, púrpura y blanco y la proporción de segregación dihíbrida normal 9: 3: 3: 1 se cambia a la proporción 9: 7 en F2 Generacion.

Interacción del gen de la epistasis: Tipo # 5.

Epistasis dominante duplicada [relación 15: 1]:

Cuando un alelo dominante en cualquiera de los dos loci puede enmascarar la expresión de alelos recesivos en los dos loci, se conoce como epistasis dominante duplicada. Esto también se denomina acción genética duplicada. Un buen ejemplo de epistasis dominante duplicada es el carácter awn en el arroz. El desarrollo de la arista en el arroz está controlado por dos genes duplicados dominantes (A y B).

La presencia de cualquiera de estos dos alelos puede producir arcos. La condición sin aristas se desarrolla solo cuando ambos genes están en estado homocigótico recesivo (aabb). Un cruce entre variedades con arista y sin arista produjo plantas con arista en F1. Inter-apareamiento de F1 las plantas produjeron plantas con y sin toldo en una proporción de 15: 1 en F2 generación (Fig. 8.6). Esto se puede explicar de la siguiente manera.

El alelo A es epistático de los alelos B / b y todas las plantas que tienen el alelo A desarrollarán un awn. Otro alelo B dominante es epistático a los alelos A / a. Los individuos con este alelo también desarrollarán un carácter propio. Por lo tanto, en F2, las plantas con genotipos A-B- (9/16), A-bb- (3/16) y aaB- (3/16) desarrollarán awn.

La condición sin aristas se desarrollará solo en el genotipo doble recesivo (aabb) (1/16). De esta manera solo se desarrollan dos clases de plantas y la relación de segregación dihíbrida normal 9: 3: 3: 1 se modifica a una relación de 15: 1 en F2. Se encuentra una acción genética similar para la nodulación en el maní y el carácter no flotante en el arroz.

Interacción del gen de la epistasis: Tipo # 6.

Interacción de genes poliméricos [Relación 9: 6: 1]:

Dos alelos dominantes tienen un efecto similar cuando están separados, pero producen un efecto mejorado cuando se unen. Esta interacción de genes se conoce como interacción de genes poliméricos. El efecto conjunto de dos alelos parece ser aditivo o acumulativo, pero cada uno de los dos genes muestra un dominio completo, por lo que no pueden considerarse genes aditivos. En caso de efecto aditivo, los genes muestran falta de dominancia.

Un ejemplo bien conocido de interacción de genes poliméricos es la forma de la fruta en la calabaza de verano. Hay tres tipos de forma de fruta en esta planta, a saber, disco, esférica y larga. La forma del disco está controlada por dos genes dominantes (A y B), la forma esférica es producida por el alelo dominante (A o B) y los frutos de forma alargada se desarrollan en plantas de doble recesión (aabb).

Un cruce entre las cepas en forma de disco (AABB) y de forma larga (aabb) produjo frutos en forma de disco en F1. Inter-apareamiento de F1 las plantas produjeron plantas con frutos en forma de disco, esféricos y alargados en una proporción de 9: 6: 1 en F2 (Figura 8.7). Esto se puede explicar de la siguiente manera.

Aquí las plantas con genotipos A — B— (9/16) producen frutos en forma de disco, aquellas con genotipos A-bb- (3/16) y aaB- (3/16) producen frutos esféricos y las plantas con aabb (1/16 ) genotipo produce frutos largos. Así en F2, la relación de segregación dihíbrida normal de 9: 3: 3: 1 se modifica a una relación de 9: 6: 1. También se encuentra una acción genética similar en la cebada para la longitud del arista.


9.1 Goals for this chapter

Extend linear dimension reduction methods to cases when the distances between observations are available, known as metroultiDimensional scaling (MDS) or principal coordinates analysis.

Find modifications of MDS that are nonlinear and robust to outliers.

Encode combinations of categorical data and continuous data as well as so-called ‘supplementary’ information. We will see that this enables us to remove batch effects.

Use chi-square distances and Correspondence analysis (CA) to see where categorical data (contingency tables) contain notable dependencies.

Generalize clustering methods that can uncover latent variables that are not categorical. This will allow us to detect gradients, “pseudotime” and hidden nonlinear effects in our data.

Generalize the notion of variance and covariance to the study of tables of data from multiple different data domains.


Referencias

Turing, A.M. The chemical basis of morphogenesis. 1953. Toro. Matemáticas. Biol. 52, 153–197, discussion 119–152 (1990).

Altschul, S.F., Gish, W., Miller, W., Myers, E.W. & Lipman, D.J. Basic local alignment search tool. J. Mol. Biol. 215, 403–410 (1990).

Myers, E.W. et al. A whole-genome assembly of Drosophila. Ciencias 287, 2196–2204 (2000).

Neumann, B. et al. Phenotypic profiling of the human genome by time-lapse microscopy reveals cell division genes. Naturaleza 464, 721–727 (2010).

Collinet, C. et al. Systems survey of endocytosis by multiparametric image analysis. Naturaleza 464, 243–249 (2010).

Shariff, A., Kangas, J., Coelho, L.P., Quinn, S. & Murphy, R.F. Automated image analysis for high-content screening and analysis. J. Biomol. Screen. 15, 726–734 (2010).

Megason, S.G. & Fraser, S.E. Imaging in systems biology. Celda 130, 784–795 (2007).

Keller, P.J., Schmidt, A.D., Wittbrodt, J. & Stelzer, E.H. Reconstruction of zebrafish early embryonic development by scanned light sheet microscopy. Ciencias 322, 1065–1069 (2008).

Fowlkes, C.C. et al. A quantitative spatiotemporal atlas of gene expression in the Drosophila blastoderm. Celda 133, 364–374 (2008).

Anderson, J.R. et al. A computational framework for ultrastructural mapping of neural circuitry. PLoS Biol. 7, e1000074 (2009).

Saalfeld, S., Cardona, A., Hartenstein, V. & Tomancak, P. As-rigid-as-possible mosaicking and serial section registration of large ssTEM datasets. Bioinformática 26, i57–i63 (2010).

Murray, J.I. et al. Automated analysis of embryonic gene expression with cellular resolution in C. elegans. Nat. Métodos 5, 703–709 (2008).

Fernandez, R. et al. Imaging plant growth in 4D: robust tissue reconstruction and lineaging at cell resolution. Nat. Métodos 7, 547–553 (2010).

Bao, Z. et al. Automated cell lineage tracing in Caenorhabditis elegans. Proc. Natl. Acad. Sci. Estados Unidos 103, 2707–2712 (2006).

Long, F., Peng, H., Liu, X., Kim, S.K. & Myers, E. A 3D digital atlas of C. elegans and its application to single-cell analyses. Nat. Métodos 6, 667–672 (2009).

Peng, H. et al. BrainAligner: 3D registration atlases of Drosophila sesos. Nat. Métodos 8, 493–500 (2011).

Swedlow, J.R. & Eliceiri, K.W. Open source bioimage informatics for cell biology. Trends Cell Biol. 19, 656–660 (2009).

Peng, H. Bioimage informatics: a new area of engineering biology. Bioinformática 24, 1827–1836 (2008).

Abramoff, M.D., Magalhaes, P.J. & Ram, S.J. Image processing with ImageJ. Biophotonics International 11, 36–42 (2004).

Carpenter, A.E. et al. CellProfiler: image analysis software for identifying and quantifying cell phenotypes. Genome Biol. 7, R100 (2006).

Peng, H., Ruan, Z., Long, F., Simpson, J.H. & Myers, E.W. V3D enables real-time 3D visualization and quantitative analysis of large-scale biological image data sets. Nat. Biotechnol. 28, 348–353 (2010).

de Chaumont, F., Dallongeville, S. & Olivo-Marin, J.-C. ICY: a new open-source community image processing software in. IEEE Int. Symp. on Biomedical Imaging 234–237 (2011).

Berthold, M.R. et al. KNIME: the Konstanz Information Miner. en Studies in Classification, Data Analysis, and Knowledge Organization (GfKL 2007) 319–326 (Springer, 2007).

Cardona, A. et al. TrakEM2 software for neural circuit reconstruction. Más uno (en la prensa).

Schmid, B., Schindelin, J., Cardona, A., Longair, M. & Heisenberg, M. A high-level 3D visualization API for Java and ImageJ. Bioinformática BMC 11, 274 (2010).

Preibisch, S., Saalfeld, S., Schindelin, J. & Tomancak, P. Software for bead-based registration of selective plane illumination microscopy data. Nat. Métodos 7, 418–419 (2010).

Preibisch, S., Tomancak, P. & Saalfeld, S. in Proc. ImageJ User and Developer Conf. 1, 72–76 (2010).

Matas, J., Chum, O., Urban, M. & Pajdla, T. Robust wide baseline stereo from maximally stable extremal regions. Image Vis. Computación. 22, 761–767 (2004).

Ibanez, L., Schroeder, W., Ng, L. & Cates, J. The ITK Software Guide (Kitware Inc., 2005).

Köthe, U. Reusable software in computer vision. en Handbook of Computer Vision and Applications Vol. 3 (eds. Jähne, B., Haussecker, H. & Geissler P.) 103–132 (San Diego: Academic Press, 1999).

Preibisch, S., Saalfeld, S. & Tomancak, P. Globally optimal stitching of tiled 3D microscopic image acquisitions. Bioinformática 25, 1463–1465 (2009).

Cardona, A. et al. An integrated micro- and macroarchitectural analysis of the Drosophila brain by computer-assisted serial section electron microscopy. PLoS Biol. 8, e1000502 (2010).

Bock, D.D. et al. Network anatomy and en vivo physiology of visual cortical neurons. Naturaleza 471, 177–182 (2011).

Kaynig, V., Fischer, B., Müller, E. & Buhmann, J.M. Fully automatic stitching and distortion correction of transmission electron microscope images. J. Struct. Biol. 171, 163–173 (2010).

Saalfeld, S., Fetter, R., Cardona, A. & Tomancak, P. Elastic volume reconstruction from series of ultrathin microscopy sections. Métodos de la naturaleza advance online publication, doi:10.1038/nmeth.2072 (10 June 2012).

Arganda-Carreras, I. et al. Consistent and elastic registration of histological sections using vector-spline regularization. en Notas de la clase en Ciencias de la Computación 4241, 85–95 (Springer, 2006).

Lowe, D.G. Distinctive image features from scale-invariant keypoints. En t. J. Comput. Vis. 60, 91–110 (2004).

Sethian, J.A. Level Set Methods and Fast Marching Methods: Evolving Interfaces in Computational Geometry, Fluid Mechanics, Computer Vision, and Materials Science (Cambridge University Press, 1999).

Kass, M., Witkin, A. & Terzopoulos, D. Snakes: active contour models. En t. J. Comput. Vis. 1, 321–331 (1988).

Hall, M. et al. The WEKA data mining software: an update. SIGKDD Explor. 11, 10–18 (2009).

Kaynig, V., Fuchs, T.J. & Buhmann, J.M. Geometrical consistent 3D tracing of neuronal processes in ssTEM data. Medicina. Imagen. Computación. Computación. Assist. Interv. 13, 209–216 (2010).

Cardona, A. et al. Identifying neuronal lineages of Drosophila by sequence analysis of axon tracts. J. Neurosci. 30, 7538–7553 (2010).

Longair, M.H., Baker, D.A. & Armstrong, J.D. Simple Neurite Tracer: open source software for reconstruction, visualization and analysis of neuronal processes. Bioinformática 27, 2453–2454 (2011).

Edelstein, A., Amodaj, N., Hoover, K., Vale, R. & Stuurman, N. Computer control of microscopes using μManager. en Protocolos actuales en biología molecular (John Wiley & Sons, Inc., 2010).


Ver el vídeo: GENÉTICA NO VESTIBULAR: LEIS DE MENDEL, GENES, DNA E CROMOSSOMOS. QUER QUE DESENHE? (Febrero 2023).