7/21/2019 Teorica1 ACL IG 2014
1/48
Biologa de sistemasmoleculares
Clase 1, 21 de octubre de 2014
7/21/2019 Teorica1 ACL IG 2014
2/48
Qu es un sistema?
2
Un conjunto de partes que
interactan entre s paraproducir una funcin
Ejemplo:
Una ruta de transduccin de sealeses un sistema compuesto por
subsistemas:
transmisin de la seal al ncleotranscripcin
traduccinejecucin de la respuesta
Las partes, a su vez, pueden
ser sistemas en s mismos
(subsistemas)
Sistema nerviosoSistema socialSistema legal
Sistema escolar
Cada objeto que la biologa estudia es un sistema de sistemas
, Francois Jacob 1974.
7/21/2019 Teorica1 ACL IG 2014
3/48
Qu es una funcin (en biologa)?
3
Funcin: es la respuesta a la pregunta del tipo:
Por qu existe un dado objeto o proceso en unsistema que evolucion por seleccin?
Mecanismo: es la respuesta a la pregunta del tipo:
Cmo opera un objeto o proceso?
7/21/2019 Teorica1 ACL IG 2014
4/48
Qu es una propiedad de sistema?Nuevas propiedades que surgen en el sistema como resultado de la
interaccin de sus componentes. Estas propiedades no son obvias alinspeccionar a las partes constituyentes
El significado de una oracin
Transmisin del sonido por un conjunto muygrande de molculas de aire
Tensin superficial: muchos puentes dehidrgeno entre molculas de agua
Osciladores bioqumicos/genticos
Potencial de accin
...
Vida
Fitness (xej: velocidad de crecimiento de unorganismo)
4
7/21/2019 Teorica1 ACL IG 2014
5/48
Biologa de sistemasPuede ser considerada desde varios ngulos:
5
1.Un paradigma diferente, en oposicion al clsico paradigma reduccionistade la biologa molecular.
"Systems biology...is about putting together rather than taking apart, integration rather than
reduction. It requires that we develop ways of thinking about integration that are asrigorous as our reductionist programmes, but different...." Denis Noble, en The music of
life: Biology beyond the genome, 2006.
Component thinking System thinking
2.Un campo de estudio: el estudio de las interacciones entre componentesbiolgicos y de cmo estos componentes dan lugar a la aparicin denuevas funciones y comportamientos.
7/21/2019 Teorica1 ACL IG 2014
6/48
Biologa de sistemasPuede ser considerada desde varios ngulos (cont):
3.Una serie de mtodos y protocolos operativos para hacer investigacin:
el ciclo entre modelado terico, analtico y/o computacional paraproponer hiptesis testeables seguido de validacin experimental
4.La aplicacin de la teora matemtica de sistemas dinmicos a la biologamolecular.
5.Como un fenmeno socio-cientfico definido como la estrategia de integrardatos complejos utilizando herramientas y personal interdisciplinario.
6
7/21/2019 Teorica1 ACL IG 2014
7/48
Biologa de sistemas
Estos varios ngulos ilustran el hecho de que la BSse refiere a un grupo de conceptos perifricamentesolapados ms que a un campo de investigacinclaramente delimitado
7/21/2019 Teorica1 ACL IG 2014
8/48
Las 4 patas de la biologa de sistemas
Datos moleculares enhigh-throuput.Las -OMICAS
Mediciones a nivel declulas individuales vivas
en tiempo real
biologa de
sistemas
Biofsica
Teora de sistemascomplejos
ymtodos de simulacin.
7/21/2019 Teorica1 ACL IG 2014
9/48
!" $%&'()*+ ,( "- &%.+)/-0&1% ,( "-*
20&(%0&-*3 4+/&0-*
9
Biologasde sistemas
Protemica(mass spec)
Metabolmica(mass spec)
Genmica
y Epigenmica
(secuenciacin
CHIPs, analsis demarcas
cromatnicas)
Transcriptmica
(microarrays, deepsec)
Interactmicafsica
(IP->mass spec, 2
hbridos)Interactmica
gentica(SGA, etc)
7/21/2019 Teorica1 ACL IG 2014
10/48
No es suficiente para
entender cmo vuelva elavin
?
Identificar todos los genes, las protenas ysus conecciones en un organismo es como
tener la lista completa de las partes y delplano de un avin.
Luego de la reduccin, la integracin
Estos diagramas de conecciones proveen un conocimiento limitado sobre cmo va aevolucionar un sistema en el tiempo cuando se altera alguna de sus partes, porejemplo.
Para comprender como funciona un sistema, debemos examinar cmo sus partes
interactan dinmicamente durante el funcionamiento.
7/21/2019 Teorica1 ACL IG 2014
11/48
El estudio de la biologa utilizando una combinacin de matemtica, computacin y
observacin experimental.
La biologa de sistemas postula que con ayuda de modelos matemticos se pueden capturar
y explicarlos comportamientos dinmicos que exhiben los procesos biolgicos, en los que en
general participan grupos relativamente numerosos de componentes interactuantes.
Estos modelos deben ser predictivosdel comportamiento del sistema natural, por ejemplo en
respuesta a perturbaciones definidas. Esto requiere la constante interaccin entre modelo y
observacin directa.
Pregunta: Predecir "comprender?
Biologa de sistemas (moleculares)
Biologa
Fsica
ComputacinQumica
MatemticaIngeniera
Un objetivo:obtener unconocimiento/comprensin cuantitativo de la
funcin biolgica de procesos (redes, sistemas)
gentico/bioqumicos.
Otro objetivo: abstraer/derivar reglas ms omenos simples que nos ayuden a comprender
cmo funcionan los sistemas biolgicos
7/21/2019 Teorica1 ACL IG 2014
12/48
Biologa de Sistemas (moleculares) Biologa de RedesFisiologa Molecular
Si bien se puede conocer la funcin de las protenas A - F en detalle, eso no es suciente pararevelar la funcin biolgica de la relacin INPUT -> OUTPUT
Un enfoque a nivel del sistema es necesario para revelar la funcin de la red
Por ejemplo, cul es la funcin de las interacciones (feedbacks y feedforwards loops) en elcontexto de la red como un todo?
7/21/2019 Teorica1 ACL IG 2014
13/48
Magritte
7/21/2019 Teorica1 ACL IG 2014
14/48
Temas tpicamente
considerados en BioSisMol
Procesos estocsticos
(ruido) y
distribuciones
Individualidad vspoblacin
Switches genticos y
bioqumicos vs
gradualidad
Robustez vs ajuste
fino
Transduccin de
seales
Motivos de redes
Transmisin de
informacin
Ritmos (x.ej.,
circadianos)
Quimiotaxis
Ciclo celular
Polarizacin
Desarrollo embrionario
7/21/2019 Teorica1 ACL IG 2014
15/48
El switch del fago The lysis-lysogeny decision is a genetic switch
Image by MIT OCW. After Ptashne, Mark. A genetic switch : phage lambda.3rded. Cold Spring Harbor, N.Y. :Cold Spring Harbor Laboratory Press, 2004.
7/21/2019 Teorica1 ACL IG 2014
16/48
Quimitaxis bacteriana
Tumble
Run
Sin atractante
Tumble
Run
Attractant
Con atractante
7/21/2019 Teorica1 ACL IG 2014
17/48
cmara lenta
cmara velocidad normal
7/21/2019 Teorica1 ACL IG 2014
18/48
Biologa de sistemas(mtodo, procedimiento operativo general)
16
Hiptesis terica,analtica, computacional
=> modelo => predicciones
Test/validacin
experimental
Rechazo/Refinamiento de
hiptesis => nuevo modelo=> nuevas predicciones
Datos/literatura/ideas pre-existentes
n-veces
Un aspecto importante de BS es relacionar la propiedad del sistema
en estudio con las propiedades moleculares de los componentes.
7/21/2019 Teorica1 ACL IG 2014
19/48
19
Modelos empricos vs. mecansticos
Independientes desupuestos previos.
Impulsados por los datos(data-driven)
Incorporan todo el conocimientoprevio, implican una descripcin
mecanstica del proceso
Empricos Mecansiticos
Input
Output
7/21/2019 Teorica1 ACL IG 2014
20/48
Modelos vs simulacionesModelar consiste en establecer las relaciones cuantitativas correctasentre
el sistema real a estudiar y el modelo de ese sistema. Usualmente involucracrear una representacin matemtica del sistema.
Ej: funcin exponencial para modelar el crecimiento de un cultivo
Simular consiste en implementar los modelos, en general usando una
computadora, para obtener los resultados que permitan comparar al modelocon el sistema real.
Grado de validez: hasta qu punto el modelo est de acuerdo con larealidad.
Validez replicativa: reproduce los datos existentes
Validez estructural: refleja el modo en que el sistema real funciona.
Validez predictiva: predice resultados que no fueron utilizados en la
construccin del modelo 16
7/21/2019 Teorica1 ACL IG 2014
21/48
Propsito de las simulaciones
Comprender el funcionamiento: abstraer reglas generales(simplificando)
Predecir el comportamiento del sistema en condiciones notesteadas ->modelo completo
Demostrar que un comportamiento es posible (feasability),aunque no necesariamente ocurra
Con modelos bien validados, se testean hiptesis (en vez dehacer los experimentos):
ahorrar tiempo y dinero
permite hacer experimentos in silico (secos) que no sonposibles de realizar (mojados)
7/21/2019 Teorica1 ACL IG 2014
22/48
Clases de simulacionesContnuas vs. discretas
Determinsticas vs. estocsticas vs. mixtas:
Determinsticas: todos los parmetros estn definidos deante mano y no hay azar.
Estocsticas: los parmetros o el momento en que ocurrenlos eventos se determinan al azar o mediante probabilidades
Estado estacionario vs dinmica
En biologa celular/molecular/fisiolgica hay de todas las combinaciones:Contnuo - determinstico - estacionario: ej: flujo metablicoDiscreto - estocstico - dinmico: ej: regulacin de la expresin gnica
7/21/2019 Teorica1 ACL IG 2014
23/48
Cuando uno hace un
modelo:Hay que tener en cuenta:
Las bases fsicas
El nivel de resolucin (atmico, molcula, clula,individuo)
Acorde al problema
Acorde a la exactitud que se pretende de losresultados
19
7/21/2019 Teorica1 ACL IG 2014
24/48
Quin debe hacer las
simulaciones?Computadores cientficos, matemticos, fsicos,qumicos o biolgos?
Respuesta: Un equipo multidisciplinario
20
l t d
7/21/2019 Teorica1 ACL IG 2014
25/48
Algunos casos tempranos debiologa de sistemas
20
1953 - Hodgkin & Huxley - Modelo del potencial de accin del axngigante del calamar.
1957 - Novick & Weiner - La induccin del operon lac es un fenmenotodo o nada.
1961 - Mitchells - Modelo quimio-osmtico de la sntesis de ATP
1981 - Koshland & Golbeter - Mecanismo terico de switch enzimtico deOrden Cero.
1982 - Groen et al - Demuestran que la teora de la enzima limitante noes general. Ejemplo: control de la velocidad de la respiracin mitocondrial.
1995 - Ferrel - Mecanismo del switch madurativo de los ovocitos deXenopus basado en ultrasensibilidad de las cascadas de kinasas +
retroalimentacin positiva
7/21/2019 Teorica1 ACL IG 2014
26/48
Nurse, Nature 2008
Life, logic and information
7/21/2019 Teorica1 ACL IG 2014
27/48
Del Rigor de la Ciencia...En aquel Imperio, el Arte de la Cartografa logr tal Perfeccinque el mapa de una sola Provincia ocupaba toda una Ciudad, y elmapa del Imperio, toda una Provincia. Con el tiempo, esos MapasDesmesurados no satisficieron y los Colegios de Cartgrafoslevantaron un Mapa del Imperio que tena el tamao del Imperio ycoincida puntualmente con l. Menos Adictas al Estudio de laCartografa, las Generaciones Siguientes entendieron que ese
dilatado Mapa era Intil y no sin Impiedad lo entregaron a lasInclemencias del Sol y de los Inviernos. En los desiertos del Oesteperduran despedazadas Ruinas del Mapa, habitadas por Animales ypor Mendigos; en todo el Pas no hay otra reliquia de las DisciplinasGeogrficas
Jorge Luis Borges
7/21/2019 Teorica1 ACL IG 2014
28/48
28
Property E.coli Yeast (S . cerevisiae) Mammalian (Human Fibroblast)
Cell volume ~ 1 m3 ~ 50 m3 5000 m3
Proteins/cell ~ 4 106 ~ 4 lO9 ~ 4 1010
Mean size of protein 5 nmSize of genome 4.6 106bp 1.3 107bp 3 109 bp
4500 genes 6600 genes -30,000 genes
Size of: Regulator binding ~ 10 bp ~ 10 bp ~ 10 bpPromoter ~ 100 bp ~ 1000 bp ~104to 105bpGene ~ 1000 bp ~ 1000 bp ~ 104to 106bp (with introns)Concentration of one ~ 1.5 nM ~33 pM ~ 0.3 pMConcentration of ATP ~2 mM (1.3 106molecs) ~2 mM (60 106molecs) ~2 mM (6600 106molecs)Diffusion time of proteinacross a cell D=10 m2/sec
~ 0.1 sec ~ 1.25 sec ~ 20 sec
Diffusion time of smallmolecule across cell
D= 1000 m2/sec
~ 1 msec, ~ 12.5 msec ~ 0.2 sec
Time to transcribe a gene
(80 bp/s)
- 1 min -1 min -30 min (including mRNAprocessing)
Time to translate a protein
(40 aa/sec)
~ 2min ~ 2 min -30 min (including mRNA nuclearexport)
Typical mRNA lifetime 2-5 min ~ 10 min to over 1 h ~ 10 min to over 10 hCell generation time ~ 30 min (rich medium) to
several hours~ 1.5 h (rich medium) toseveral hours
~ 20 h to non-dividing
Ribosomes/cell ~ 5 104
~ 2 105
Transitions between proteinstates active/inactive
1-100 ~ sec 1-100 ~ sec 1-100 ~ sec
Timescale for equilibriumbinding of small molecule torotein diffusion limited
~ 1 msec
(KD = 1M)
~ 1 sec
(KD= 1nM)
~ 1 sec
(KD= 1nM)
Timescale of transcriptionfactor bindin to DNA
1 sec
Mutation rate ~ 10-9/bp/generation ~ 10-10/bp/generation ~ 10-8/bp/year
5& &
7/21/2019 Teorica1 ACL IG 2014
29/48
5&-$6&-
Esta figura, tomada de la tesis de doctorado de Jacques Monod (LaCroissance des Cultures Bactriennes, 1942), ilustra el fenmeno bsico
que llev directamente al descubrimiento de la regulacin de la expresingnica en bacterias por represores, y a un premio Nobel.
Sin embargo, para entender este fenmeno
fue indispensable un anlisis cuantitativo.
7/21/2019 Teorica1 ACL IG 2014
30/48
!*7$(/- ,(" 8&*9(/- ,(" :;()+%
7/21/2019 Teorica1 ACL IG 2014
31/48
RepresorLac (R)
R:A
-gal
-gal -gal
7/21/2019 Teorica1 ACL IG 2014
32/48
Enzyme induction is anall-or-none phenomenon
Novick y Weiner, PNAS 1957
7/21/2019 Teorica1 ACL IG 2014
33/48
?$@ *-AB-%C
No conocan nada de la gentica/organizacin del opern lac.
No conocan al represor lac Seymour Benzer (1953) haba descubierto que cuando el opern Lac se induce por un
inductor gratuito, todaslas bacterias se inducen rpidamente, o sea que la mediapoblacional es un buen indicador de lo que hace cada clula.
Jacques Monod haba descubierto que haba dos procesos independientesinvolucrados en la induccin de la sntesis de -gal:1. La tasa de sntesis, que depende de la concentracin de inductor dentrode la
bacteria.2. El transporte del inductor de afuera hacia adentro. ste es transportado
activamente hacia adentro de la bacteria, por lo que la concentracin intracelulares mucho mayor que la extracelular. Con niveles mximos de permeasa, laconcentracin de inductor (TMG) es ~100 mayor dentro.
!" 7$&/&+*9-9+D "- /E7$&%- ,("
7/21/2019 Teorica1 ACL IG 2014
34/48
!" 7$&/&+*9-9+D "- /E7$&%- ,("
(*9-,+ (*9-0&+%-)&+
Entrada = Salida
En estado estacionario, la tasa de crecimiento delmicro-organismo es igual a la tasa de dilucin delquimiostato (D):
Se utiliza medio donde algn componente eslimitante: N, C, P, S.El organismo crece lo ms rpido que puede enesas condiciones
El tiempo de duplicacin es igual al tiempode recambio de 1 volumen del quimiostato.
F("+0&,-, - "- 7$(
-G)(G+ /(,&+ .)(*0+
7/21/2019 Teorica1 ACL IG 2014
35/48
!*9-,+ (*9-0&+%-)&+ ,(" +;()+% "-0
"Gal" #
8B%9(*&* 5(G)-,-0&1% H
,&"$0&1%
TMG! lacZ
dY
dt=!" #Y
!=tasa de sntesis,
"=tasa de degradacin + dilucinen el equilibrio:
dY
dt= 0!Y
st =
"
#
(Y)
I& ,
7/21/2019 Teorica1 ACL IG 2014
36/48
I&(/;+* ,( )(*;$(*9-JK(/;+ =-*9- (" LMN ,(" '-"+) O%-"P
1/2
8& *-0-/+* -" &%,$09+)
8& -G)(G-/+* -" &%,$09+)
8& - 9 Q M *-0-/+* -" &%,$09+) 8& - 9 Q M -G)(G-/+* -" &%,$09+)
dY
dt=!"#Y
R"9+ ISTD -$/(%9+ ,( -0K'&,-, ,( U G-" (*
7/21/2019 Teorica1 ACL IG 2014
37/48
AgregoTMG
R"9+ ISTD -$/(%9+ ,( -0K'&,-, ,( U4G-" (*
(6;+%(%0&-" J,(0)(0&(%9(P
I-*- ,( *B%9(*&* ,( U4G-" 0+%*9-%9(
dY
dt
=!"#Y
V-W+ ISTR"9+ IST
7/21/2019 Teorica1 ACL IG 2014
38/48
-$/(%9+ (6;+%(%0&-"
Tasa de sntesis de !-gal contante
observado para bajo TMG
alto TMG
V-W+ ISTR"9+ IST
-$/(%9+ "&%(-"
Tasa de sntesis de !-gal NO es contantedY
dt=!"#Y
Al principio pocas bacterias que seinducen, y ese nmero va creciendolinealmente
Probabilidad constante de queuna bacteria se induzca
Todas bacterias se inducen
Tasa de sntesis es mxima desde
el principio
esperado para bajo TMG
Concentracin intermedia de TMG:
7/21/2019 Teorica1 ACL IG 2014
39/48
8& *-0-/+* IST
8& -G)(G-/+* -"9+ IST
*9(-,>4*9-9(
X(,$0&/+* (" IST - YISZ
8& -G)(G-/+* -"9+ IST
*9(-,>4*9-9(
8& -G)(G-/+* IST - YISZ
Concentracin intermedia de TMG:mantenimiento
Es decir, el sistema tiene memoria (ohistresis). Quiere decir que la historiaimporta!
Histresis (memoria)en el opern lac
~5x10-6M.
-ga
l
[TMG]
Histeresis
7/21/2019 Teorica1 ACL IG 2014
40/48
Histeresis(del griego hysteros: tarde o hysteerein: llegar tarde)
Un sistema con histeresis tiene memoria, al menos de su pasadoinmediato. Como consecuencia, se comporta en el presente diferentede acuerdo a de donde viene.
En un sistema determinstico SIN histeresis es posible predecir eloutput del sistema en un determinado instante dtcon slo saber elinput en ese instante.
En un sistema determinstico CON histeresis eso no es posible. Hay
que saber necesariamente la historia que transit el sistema, o sea,hay que saber la historia del input. En el caso del operon lactratado con TMG, venimos de bajo TMG o de alto TMG?
7/21/2019 Teorica1 ACL IG 2014
41/48
Muchos sistemas fsicos y biolgicos naturales tienehisteresis:
Un pedazo de hierro que se acerca a un magneto(discos rgidos). Hay que desmagnetizarlo para quevuelva a su estado original.
Goma elstica, que tarda en volver a su formaoriginal luego de que se deja de aplicar fuerza
Termostato.
Agar: se funde a ~80C y se solidifica a ~30C
Ciclo celular
Potencial de accin: perodo refractario
7/21/2019 Teorica1 ACL IG 2014
42/48
El termostato
calderaon off
output20
30
termostato
inputrango aceptable detemperatura mi sistema
en esta zona no hay forma de
saber slo mirando al inputsila caldera est prendida oapagada sin saber la historiadel sistema
Sistema con histeresis
^^
^
estado de la caldera(output)
1(on)
0(off) 20 30 temp (oC)
^
[% (%*->+ ,( 0@"$"-* &%,&'&,$-"(*
7/21/2019 Teorica1 ACL IG 2014
43/48
[% (%*->+ ,( 0@"$"-* &%,&'&,$-"(*
Cultivo a testear
dilucinlmiteen medio
conTMG de mantenimiento
crecimiento hasta 108bact
ensayo -galde cultivos que crecieron
-gal
TMG
70%
30%
La induccin es un
fenmeno todo o nada
70% on + 30% off
30% on + 70% off
Dos preguntas:
7/21/2019 Teorica1 ACL IG 2014
44/48
Dos preguntas:A niveles de TMG submximos, por qu hay clulas se no se inducen?
Por qu los cultivos de mxima actividad (donde todas las bacterias estn
mximamente inducidas) se pueden mantener indefinidamente en TMG demantenimientomientras que los cultivos con menos que el mximo pierden
lentamente actividad !-gal?
Respuesta: las clulas no inducidas crecen ms rpido!en todo cultivo mixto, tienden a ganar.
En niveles de TMG submximos,se equilibran la tasa deinduccin con la diferencia detasas de crecimiento
No inducido
Inducido
nmero debact
(log) tasa de induccin
Pregunta: por qu entonces no ocupan toda la poblacin?Respuesta: por la tasa de induccin
\1/+ 9(*9(+ "- =&;19(*&* ,("
7/21/2019 Teorica1 ACL IG 2014
45/48
Experimento de reconstruccininducido
100%
noinducido
80% (I) +
20% (NI)
;
2A-"-%0( (%9)( &%,$00&1% (*;+%9E%(- > '("+0&,-, ,(
0)(0&/&(%9+3C
\ " &
7/21/2019 Teorica1 ACL IG 2014
46/48
\+%0"$*&+%(* El comportamiento todo o naday la heredabilidad del estado inducido en bajo TMG
se explica por el feedback positivo de la permeasa.
Para cada concentracin de TMG existe un nivel umbral de permeasa que concentrasuciente inductor para inducir al opern.
El aumento lineal por varias generaciones de la capacidad de sntesis de -gal indicaque la probabilidad de inducir es constante en el tiempo, por lo que debe ser causado
por un nico evento estocstico (al azar): la adquisicin de suciente permeasa. En la concentracin de mantenimiento qu pasa?
1. Se necesita ms permeasa que la provista por ese nico evento al azar --> muypoco probable que una bacteria no inducida lo obtenga al azar.
2. Las bacterias preinducidas tienen mucha permeasa y la probabilidad de que aldividirse una bacteria herede menos del umbral es muy baja.
Feedback positivo en el Operon Lac
7/21/2019 Teorica1 ACL IG 2014
47/48
Feedback positivo en el Operon Lac
Kalinsky et al, 2007Uri Alon lab
-gal
TMG
Histresis
7/21/2019 Teorica1 ACL IG 2014
48/48
Biologa Molecular vs Biologa de sistemasmoleculares Sistema deloperon Lac
Cul es la estructura del represor lacI?Qu secuencia reconoce en el DNA?
Qu aminocidos son importantespara unin de la alolactosa? Y para
tetramerizar?Cmo reprime la transcripcin?
Cul es la funcin del feedback positivo?Cul es el rol del ruido en la induccin?
Cmo es que el feedback determina lahistresis (memoria)?
El switch es sensible a cambios en losparmetros?