Informace

Porovnání srovnání enzymu Km


Setkal jsem se se srovnáním Michaelis-Mentenovy konstanty ($ K_m $) párkrát. Obecně řečeno, pokud $ K_m $ enzymu je vyšší, pak je jeho afinita k substrátu nižší. Jak to dává smysl?

Možná maximální rychlost ($ V _ { mathrm {max}} $) vyšší $ K_m $ enzymy jsou vyšší? Pak samozřejmě $ K_m $ může mít vyšší hodnotu. Protože $ K_m $ je koncentrace substrátu v polovině $ V _ { mathrm {max}} $. Ale myslím, že nemůžeme určit spřízněnost s $ K_m $.


Protože Michaelis-Mentonova konstanta Km je koncentrace substrátu při 0,5 Vmax, jedná se o inverzní měřítko jeho afinity k substrátu, protože nižší Km ukazuje, že k dosažení určité reakční rychlosti je zapotřebí méně substrátu. Nízká Km tedy znamená vysokou afinitu k substrátu.

Vaše prohlášení

"Možná je maximální rychlost (Vmax) enzymů vyšších Km vyšší? Pak samozřejmě Km může mít vyšší hodnotu."

je nesprávné. Km charakterizuje, jak strmá reakční rychlost roste s dostupností substrátu; neurčuje maximální rychlost.

A konečně, abych odpověděl na vaši otázku týkající se titulu, porovnávání afinit může mít velký smysl. Zvažte například případ, kdy se porovnávají enzymy katalyzující podobné reakce u různých druhů organismů. Velmi nízké Km znamená optimální využití malých hladin substrátu, zatímco vysoký Vmax ukazuje optimalizované reakční rychlosti. To vám zase může napovědět něco o optimálních stanovištích a evolučním tlaku.


Strukturální srovnání MTA fosforylázy a nukleosidázy MTA/AdoHcy vysvětluje preference substrátu a identifikuje regiony využitelné pro návrh inhibitorů †

Zobrazení článků jsou součtem stažení textových článků od listopadu 2008 (PDF i HTML) v souladu s COUNTER ve všech institucích a jednotlivcích. Tyto metriky jsou pravidelně aktualizovány, aby odrážely využití, které vedlo až do posledních dnů.

Citace jsou počet dalších článků citujících tento článek, vypočítaný společností Crossref a aktualizovaný denně. Najděte více informací o počtech citací Crossref.

Altmetric Attention Score je kvantitativní měřítko pozornosti, které se výzkumnému článku dostalo online. Kliknutím na ikonu koblihy se načte stránka na altmetric.com s dalšími podrobnostmi o skóre a přítomnosti sociálních médií pro daný článek. Najděte více informací o altmetrickém skóre pozornosti a způsobu výpočtu skóre.


Abstraktní

Hledání literatury je rutinní praxí vědeckých studií, protože nové objevy staví na znalostech z minulosti. Současné nástroje (např. PubMed, PubMed Central) však obecně vyžadují značné úsilí při formulaci dotazů a optimalizaci (zejména při vyhledávání článků plné délky) a neumožňují přímé načtení konkrétních příkazů, což je klíčové pro úkoly, jako je porovnávání/ validace nových nálezů s předchozími znalostmi a provádění přiřazování důkazů v biokuraci. Proto představujeme LitSense, což je první webový systém, který se specializuje na vyhledávání vět pro biomedicínskou literaturu. LitSense poskytuje jednotný přístup k obsahu PubMed a PMC s více než půl miliardou vět celkem. Vzhledem k dotazu LitSense vrací věty s nejlepší shodou pomocí tradičního přístupu s vážením termínů, který zvyšuje váhu vět obsahujících více vzácných výrazů v uživatelském dotazu, a také díky novému přístupu neurálního vkládání, který umožňuje získání sémanticky relevantních výsledků. bez explicitní shody klíčových slov. LitSense poskytuje uživatelsky přívětivé rozhraní, které pomáhá jeho uživatelům rychle procházet vrácené věty v kontextu a/nebo dále filtrovat výsledky vyhledávání podle sekce nebo data publikace. LitSense také používá PubTator k zvýraznění biomedicínských entit (např. Gen/proteiny) ve větách pro lepší vizualizaci výsledků. LitSense je volně dostupný na https://www.ncbi.nlm.nih.gov/research/litsense.


Transkriptomika Arabidopsis s ohledem na metabolismus síry

Arabidopsis je dobře zavedený jako cenný modelový systém rostlin (Scholl a kol., 2000). Uvolnění její genomové sekvence (The Arabidopsis Genome Initiative, 2000) zvýšilo její hodnotu jako výzkumný nástroj a posílilo přístupy zaměřené na dešifrování holistických spíše než individuálních reakcí rostlin na konkrétní podmínky. Tyto systémové přístupy byly použity ke studiu metabolismu síranů rostlin s cílem systematicky rozplétat molekulární reakce. Zatímco rané analýzy se zaměřovaly na genové a metabolitové reakce na absorpci, redukci a asimilaci síranů, systémové přístupy se snažily prozkoumat spojení a souhru v systému jako celku. To bylo založeno na inherentním předpokladu, že reakce na (např.) Hladovění síranů neovlivní pouze metabolismus síry per se ale také další propojené a navazující procesy. Je zřejmé, že v této souvislosti budou různé části rostlin, jako jsou kořeny, listy nebo semena, vykazovat obecné i specifické reakce. Kromě toho je třeba při analýze reakcí rostlin na odběr nebo obnovení zásobování síranem v průběhu času vzít v úvahu vývojová hlediska. Hirai propagoval transkriptomické studie jako součást biologie sirných systémů a kol. (2003), Nikiforova a kol. (2003) a Marujama-Nakashita a kol. (2003) pomocí Arabidopsis. Byla provedena transkriptomová analýza sazenic Arabidopsis zbavených síry (S-) pro různé doby hladovění S, aby se vyřešil vývoj reakce v čase (Nikiforova a kol.(2003). Kromě toho byly ošetřeny sazenice Arabidopsis Ó-acetylserin (OAS), bezprostřední předchůdce biosyntézy cysteinu (Hirai a kol.(2003). OAS se hromadí po deprivaci S a raný výzkum to považoval za signál hladovění S (Saito, 2000 Hopkins a kol., 2005), což bylo skutečně následně prokázáno (Hubberten a kol., 2012a). Vzhledem k tehdejším technickým omezením byly tyto průkopnické studie provedeny na makro polích, z nichž každý obsahoval přibližně 10 000 náhodných cDNA (Hirai a kol., 2003 Nikiforova a kol.(2003), nebo pomocí čipů Affymetrix 8K se sondami pro

8000 genů (Marujama-Nakashita a kol.(2003). Diferenciálně exprimované geny, které byly identifikovány, zahrnovaly některé, o kterých bylo již známo, že reagují na status S, jako jsou transportéry síranů (Smith a kol., 1997 Hawkesford, 2000), které potvrdily platnost přístupu. Zajímavější je, že byly získány informace o nových genech. Vedle známých genů tedy tyto rané studie poskytly katalog genů, které dosud neměly přiřazení své funkce v reakci na růstové podmínky s nedostatkem S.

Počet transkriptomových studií, které byly provedeny na Arabidopsis, je stále poměrně nízký, celkem jich bylo pouze 14 (tabulka 1). Je ospravedlnitelné zahrnout pole rostlin vystavených selenu (Van Hoewyk a kol., 2008), protože působí jako konkurent se sírou, čímž napodobuje deprivaci S. Mezi příbuznými druhy Brassicaceae byla provedena studie hladovění síranů na řepce (Buhtz et al., 2008, 2010). Navzdory skutečnosti, že řepka má vysoký požadavek na síran (Girondé a kol., 2014), existuje nedostatek transkriptomických studií na toto téma. Pokud jde o Arabidopsis, tkáně a podmínky zkoumané v raných studiích byly již poměrně rozmanité (tabulka 1). To poskytlo velké množství informací, ale zkomplikovalo srovnání mezi studiemi, protože každý experiment byl založen na velmi specifických podmínkách s ohledem na použité hladiny síranů a/nebo zkoumané tkáně. Například tkáně studované v reakci na deprivaci S zahrnovaly celé sazenice pěstované na agarových plotnách (Nikiforova a kol., 2003), sazenice rozdělené na listy a kořeny (Hirai a kol., 2003 Marujama-Nakashita a kol., 2003, 2005, 2006) a vyvíjející se semena (Higashi a kol., 2006). Následné studie zkoumaly celé sazenice vystavené deprivaci S v ponořených kulturách sazenic, po nichž následovalo opětovné dodání, aby bylo možné vyhodnotit procesy obnovy (Bielecka a kol.(2015), hydroponicky pěstované kořenové tkáně vystavené deprivaci S a rozdělené na frakce různých typů buněk (Iyer-Pascuzzi a kol.(2011) a studie, kde deprivace S byla jedním z faktorů mezi ostatními kombinovanými stresy (Barciszewska-Pacak a kol., 2015 Forieri a kol., 2017). Síranové hladovění bylo použito jako podmínka pro zkoumání mikro-RNA specifických pro floém v řepce (Buhtz a kol., 2010). Ačkoli byla analyzována pouze podskupina frakce phloem RNA, výsledky týkající se regulační funkce miRNA-395 byly podloženy v dalších studiích využívajících Arabidopsis (Kawashima et al., 2009, 2011). Byl zkoumán metabolismus síranů v reakci na podmínky kyselých dešťů s vysokým vstupem S za podmínek nízkého pH (Liu a kol.(2014). Kyselý déšť je v mnoha zemích ekologický a zdravotní problém způsobený spalováním fosilních paliv uvolňujících SO2. V Severní Americe a Evropě, SO2 emise byly v posledních desetiletích úspěšně sníženy díky legislativním opatřením, která regulovala průmyslové a domácí využívání fosilních paliv. To však následně snížilo vstupy síry do agroekologických systémů, což následně spustilo výzkum jeho zemědělského dopadu (Haneklaus a kol., 2003 Menz a Seip, 2004). Z molekulárního hlediska může být primárním zdrojem pro studium účinků vstupů síry několik transkriptomových datových souborů o pšenici ve vztahu k reakcím na výživu S (tabulka 1).

Transkriptomové analýzy týkající se metabolismu síry

Experiment . Druhy. Tkáň . Zadejte. ID. Reference .
–S Arabidopsis Sazenice Macroarray Nikiforova a kol. (2003)
List, kořen Macroarray Hirai a kol. (2003)
List, kořen Čip Affymetrix 8K Marujama-Nakashita a kol. (2003)
List, kořen Agilent oligo microarray E-MEXP-211 Hirai a kol. (2005)
Vykořenit GeneChip ATH1 GSE5688 Marujama-Nakashita a kol. (2005)
Semínko GeneChip A-AFFY-2 E-ATMX-1 Higashi a kol. (2006)
Vykořenit GeneChip ATH1 GSE4455 Marujama-Nakashita a kol. (2006)
Typy kořenových buněk GeneChip ATH1 GSE30100 GSE30099 GSE30098 Iyer-Pascuzzi a kol. (2011)
Typy kořenových buněk Agilent-vlastní pole promotorů GSE30166 Iyer-Pascuzzi a kol. (2011)
Sazenice GeneChip ATH1 GSE64972 Bielecka a kol. (2015)
Sazenice, List Illumina HiSeq 2000 GSE66599 Barciszewska-Pacak a kol. (2015)
List, kořen GeneChip ATH1 GSE81347 Aarabi a kol. (2016)
List GeneChip 1.0 ST GSE93048 Dong a kol. (2017)
Vykořenit GeneChip 1.1 ST GSE77602 Forieri a kol. (2017)
Řepka olejná List, kořen, floem Dvoubarevná LC Sciences GSE20263 Buhtz a kol. (2010)
+Se Arabidopsis List, kořen GeneChip ATH1 GSE9311 Van Hoewyk a kol. (2008)
2Arabidopsis Sazenice GeneChip ATH1 Cena Branco a kol. (2008)
+kyselý déšť S Arabidopsis List GeneChip ATH1 GSE52487 Liu a kol. (2014)
–S Triticum aestivumList Pole GeneChip E-MEXP-1415 Howarth a kol. (2008)
Vykořenit Pole GeneChip E-MEXP-1694 Bo a kol. (2014)
Vykořenit Pole GeneChip GSE61679 Gupta a kol. (2017)
Obilí Illumina HiSeqTM PE125/PE1 Yu a kol. (2018)
Obilí Mikročip NimbleGen E-MTAB-1782 Dai a kol. (2015)
Obilí Mikročip NimbleGen E-MTAB-1920 Vincente a kol. (2015)
Experiment . Druhy. Tkáň . Zadejte. ID. Reference .
–S Arabidopsis Sazenice Macroarray Nikiforova a kol. (2003)
List, kořen Macroarray Hirai a kol. (2003)
List, kořen Čip Affymetrix 8K Marujama-Nakashita a kol. (2003)
List, kořen Agilent oligo microarray E-MEXP-211 Hirai a kol. (2005)
Vykořenit GeneChip ATH1 GSE5688 Marujama-Nakashita a kol. (2005)
Semínko GeneChip A-AFFY-2 E-ATMX-1 Higashi a kol. (2006)
Vykořenit GeneChip ATH1 GSE4455 Marujama-Nakashita a kol. (2006)
Typy kořenových buněk GeneChip ATH1 GSE30100 GSE30099 GSE30098 Iyer-Pascuzzi a kol. (2011)
Typy kořenových buněk Agilent-vlastní pole promotorů GSE30166 Iyer-Pascuzzi a kol. (2011)
Sazenice GeneChip ATH1 GSE64972 Bielecka a kol. (2015)
Sazenice, List Illumina HiSeq 2000 GSE66599 Barciszewska-Pacak a kol. (2015)
List, kořen GeneChip ATH1 GSE81347 Aarabi a kol. (2016)
List GeneChip 1.0 ST GSE93048 Dong a kol. (2017)
Vykořenit GeneChip 1.1 ST GSE77602 Forieri a kol. (2017)
Řepka olejná List, kořen, floem Dvoubarevná LC Sciences GSE20263 Buhtz a kol. (2010)
+Se Arabidopsis List, kořen GeneChip ATH1 GSE9311 Van Hoewyk a kol. (2008)
2Arabidopsis Sazenice GeneChip ATH1 Cena Branco a kol. (2008)
+kyselý déšť S Arabidopsis List GeneChip ATH1 GSE52487 Liu a kol. (2014)
–S Triticum aestivumList Pole GeneChip E-MEXP-1415 Howarth a kol. (2008)
Vykořenit Pole GeneChip E-MEXP-1694 Bo a kol. (2014)
Vykořenit Pole GeneChip GSE61679 Gupta a kol. (2017)
Obilí Illumina HiSeqTM PE125/PE1 Yu a kol. (2018)
Obilí Mikročip NimbleGen E-MTAB-1782 Dai a kol. (2015)
Obilí Mikročip NimbleGen E-MTAB-1920 Vincente a kol. (2015)

Transkriptomové analýzy týkající se metabolismu síry

Experiment . Druhy. Tkáň . Zadejte. ID. Reference .
–S Arabidopsis Sazenice Macroarray Nikiforova a kol. (2003)
List, kořen Macroarray Hirai a kol. (2003)
List, kořen Čip Affymetrix 8K Marujama-Nakashita a kol. (2003)
List, kořen Agilent oligo microarray E-MEXP-211 Hirai a kol. (2005)
Vykořenit GeneChip ATH1 GSE5688 Marujama-Nakashita a kol. (2005)
Semínko GeneChip A-AFFY-2 E-ATMX-1 Higashi a kol. (2006)
Vykořenit GeneChip ATH1 GSE4455 Marujama-Nakashita a kol. (2006)
Typy kořenových buněk GeneChip ATH1 GSE30100 GSE30099 GSE30098 Iyer-Pascuzzi a kol. (2011)
Typy kořenových buněk Agilent-vlastní pole promotorů GSE30166 Iyer-Pascuzzi a kol. (2011)
Sazenice GeneChip ATH1 GSE64972 Bielecka a kol. (2015)
Sazenice, List Illumina HiSeq 2000 GSE66599 Barciszewska-Pacak a kol. (2015)
List, kořen GeneChip ATH1 GSE81347 Aarabi a kol. (2016)
List GeneChip 1.0 ST GSE93048 Dong a kol. (2017)
Vykořenit GeneChip 1.1 ST GSE77602 Forieri a kol. (2017)
Řepka olejná List, kořen, floem Dvoubarevná LC Sciences GSE20263 Buhtz a kol. (2010)
+Se Arabidopsis List, kořen GeneChip ATH1 GSE9311 Van Hoewyk a kol. (2008)
2Arabidopsis Sazenice GeneChip ATH1 Cena Branco a kol. (2008)
+kyselý déšť S Arabidopsis List GeneChip ATH1 GSE52487 Liu a kol. (2014)
–S Triticum aestivumList Pole GeneChip E-MEXP-1415 Howarth a kol. (2008)
Vykořenit Pole GeneChip E-MEXP-1694 Bo a kol. (2014)
Vykořenit Pole GeneChip GSE61679 Gupta a kol. (2017)
Obilí Illumina HiSeqTM PE125/PE1 Yu a kol. (2018)
Obilí Mikročip NimbleGen E-MTAB-1782 Dai a kol. (2015)
Obilí Mikročip NimbleGen E-MTAB-1920 Vincente a kol. (2015)
Experiment . Druhy. Tkáň . Zadejte. ID. Reference .
–S Arabidopsis Sazenice Macroarray Nikiforova a kol. (2003)
List, kořen Macroarray Hirai a kol. (2003)
List, kořen Čip Affymetrix 8K Marujama-Nakashita a kol. (2003)
List, kořen Agilent oligo microarray E-MEXP-211 Hirai a kol. (2005)
Vykořenit GeneChip ATH1 GSE5688 Marujama-Nakashita a kol. (2005)
Semínko GeneChip A-AFFY-2 E-ATMX-1 Higashi a kol. (2006)
Vykořenit GeneChip ATH1 GSE4455 Marujama-Nakashita a kol. (2006)
Typy kořenových buněk GeneChip ATH1 GSE30100 GSE30099 GSE30098 Iyer-Pascuzzi a kol. (2011)
Typy kořenových buněk Agilent-vlastní pole promotorů GSE30166 Iyer-Pascuzzi a kol. (2011)
Sazenice GeneChip ATH1 GSE64972 Bielecka a kol. (2015)
Sazenice, List Illumina HiSeq 2000 GSE66599 Barciszewska-Pacak a kol. (2015)
List, kořen GeneChip ATH1 GSE81347 Aarabi a kol. (2016)
List GeneChip 1.0 ST GSE93048 Dong a kol. (2017)
Vykořenit GeneChip 1.1 ST GSE77602 Forieri a kol. (2017)
Řepka olejná List, kořen, floem Dvoubarevná LC Sciences GSE20263 Buhtz a kol. (2010)
+Se Arabidopsis List, kořen GeneChip ATH1 GSE9311 Van Hoewyk a kol. (2008)
2Arabidopsis Sazenice GeneChip ATH1 Cena Branco a kol. (2008)
+kyselý déšť S Arabidopsis List GeneChip ATH1 GSE52487 Liu a kol. (2014)
–S Triticum aestivumList Pole GeneChip E-MEXP-1415 Howarth a kol. (2008)
Vykořenit Pole GeneChip E-MEXP-1694 Bo a kol. (2014)
Vykořenit Pole GeneChip GSE61679 Gupta a kol. (2017)
Obilí Illumina HiSeqTM PE125/PE1 Yu a kol. (2018)
Obilí Mikročip NimbleGen E-MTAB-1782 Dai a kol. (2015)
Obilí Mikročip NimbleGen E-MTAB-1920 Vincente a kol. (2015)

Společným rysem všech přístupů biologie systémů je, že poskytují obrovské množství dat (Kopriva a kol.(2015). Proto bylo nutné vyvinout nebo přizpůsobit statistické metody, aby se s tím vyrovnaly (Klipp a kol., 2016 Xia, 2018). V kontextu biologie sirných systémů byly takové metody již aplikovány na rané transkriptomické datové soubory. Zvláště při pokusu o korelaci transkriptomických a metabolomických dat (Nikiforova a kol., 2005b), bylo nezbytně nutné aplikovat bioinformatické přístupy, aby byla umožněna interpretace dat a vývoj modelů (Hirai a kol., 2004 Hirai a Saito, 2004 Nikiforova et al., 2004, 2005a). Výsledky se často zobrazují jako korelační sítě (Nikiforova a kol., 2005a). Tento druh přístupu je zaměřen na filtrování dat za účelem odstranění „šumu“ variability spojeného s expresí genů a obsahem metabolitů a za účelem zdůraznění rozdílů, které jsou statisticky významné (Massonnet a kol., 2010).

Jedním z omezení systémových přístupů, jako jsou transkriptomika, proteomika nebo metabolomika, je skutečnost, že i když jsou rozdíly v koncentraci per se jsou stanoveny, nemusí představovat změny v aktivitách příslušných proteinů nebo enzymů nebo toků metabolitů. Příkladem takové situace, kdy by transkriptomika neodhalila důležitý gen, je transkripční faktor omezení síry1 (SLIM1, AT1G73730), který byl identifikován pomocí genetického screeningu mutantů Arabidopsis (Marujama-Nakashita a kol., 2006) a bylo prokázáno, že ovládá hlavní část reakce na hladovění S (Kawashima a kol., 2011 Wawrzyńska a Sirko, 2014). Pokud současná data naznačují, SLIM1 sám není, nebo je jen okrajově, transkripčně regulován po deprivaci S. Bylo ukázáno, že EIN3 (AT3G20770), hlavní faktor zapojený do ethylenové signalizace, moduluje vazebnou aktivitu SLIM1 na své promotory cílových genů (Wawrzyńska a Sirko, 2016). Jak autoři naznačují, toto pravděpodobně interferuje s indukcí cílových genů závislou na nedostatku S pomocí SLIM1. Nevylučují však možnost, že by se na formování reakce na deprivaci S mohly podílet další regulátory. Abychom odhalili složitost regulace metabolismu S rostliny, je tedy zřejmé, že navzdory množství dat poskytovaných systémovými přístupy je třeba kombinovat cílené analýzy, aby se odhalily buněčné a fyziologické reakce na deprivaci S (obr. 1A).

Ukládání výsledků biologie systémů do databází umožňuje revizi dat, když jsou k dispozici nové znalosti, jako je vylepšená anotace genu, a to může nejen potvrdit počáteční předpoklady, ale také poskytnout nové informace (obr. 1A Nikiforova a kol., 2005a Hoefgen a Watanabe, 2017). Nedávno Henríquez-Valencia a kol. (2018) provedli srovnávací meta studii využívající existující soubory dat spolu s novými přístupy v oblasti bioinformatiky. To vedlo k identifikaci sítí transkripčních faktorů, které poskytují nové kandidátské geny pro výzkum síranů, které by jinak nebylo možné identifikovat v jednotlivých experimentálních sestavách. To také zdůrazňuje, že je třeba poskytnout vědecké komunitě další transkriptomické studie za účelem posílení našich znalostí. S rostoucím ukládáním dat týkajících se metabolismu S, včetně údajů o jiných druzích než Arabidopsis (tabulka 1), budou mít tyto přístupy větší dopad na generování hypotéz. Nové kandidátské geny a biochemické procesy propojené s metabolismem S rostlin budou identifikovány jako výsledek těchto systémově založených a cílených přístupů. Jde o pokračující debatu, pravděpodobně vedenou individuálními zájmy výzkumu, zda jsou relevantní pouze „robustní“ procesy, které se vyskytují za různých podmínek a v různých rostlinách, nebo zda jsou „specifické“ reakce, které se vyskytují pouze za určitých podmínek, nejsmysluplnější pro zlepšení našeho chápání fyziologie rostlin síry.

Zatímco počáteční vysoce výkonné analýzy mohou vést ke generování hypotéz (Nikiforova et al., 2003, 2005a, 2005b), je třeba je experimentálně testovat pro další validaci (obr. 1A). Samotná katalogizace nestačí k rozvoji znalostí o procesech a nakonec k jejich využití pro šlechtění rostlin a rostlinnou výrobu. Úsilí o validaci nutně musí iterativně využívat všechny úrovně přístupů založených na molekulární biologii a bioinformatice (Hoefgen a Watanabe, 2017). Příkladem je vyšetřování předpokládaných genů rozbočovače (Nikiforova a kol., 2005a) prostřednictvím mutačního přístupu (Falkenberg a kol.(2008). Tři transkripční faktory, IAA13, IAA28 a ARF-2 (ARF1-vazebný protein), v síti reagující na deprivaci S byly identifikovány jako připojené k více intermediátorům po proudu a proti proudu, a tvoří tedy rozbočovače, takže je pravděpodobné, že představují důležité geny (Mähler a kol., 2017). Falkenberg a kol. (2008) následně ukázali, že tyto transkripční faktory skutečně hrají roli při kontrole určitých aspektů metabolismu rostlinných síranů, a potvrzují tak předpoklad, že identifikace center korelačních sítí je skutečně nástrojem, který lze použít k identifikaci relevantních cílových genů - v tomto případě spojující deprivaci S s signalizací auxinu. Ve skutečnosti může IAA28 představovat spojení mezi signalizací auxinu, hladověním S a změnami ve vývoji kořenů (Rogg a kol., 2001 Falkenberg a kol., 2008 De Rybel a kol., 2010), i když to zbývá ještě funkčně předvést. Odkaz na auxin byl předpokládán již dříve (Nikiforova a kol., 2005a). Dalším příkladem je identifikace funkčních rolí indukovaného deficitu síry 1 (SDI1) a SDI2 (obr. 1B). Byla identifikována studie AFLP na pšenici SDIs jako silně reagující geny deprivace S (Howarth a kol.(2005) a byly také identifikovány v raných makroarray studiích Arabidopsis léčených S a deprese OAS (Hirai a kol., 2003 Nikiforova a kol.(2003). Funkce funkce SDI geny nebyly z těchto počátečních studií zřejmé. Kombinace bioinformatického přístupu k reakcím souvisejícím s OAS (Hubberten a kol., 2012a) a mutační přístup spojený s transkriptomickými a metabolomickými analýzami (Aarabi a kol., 2016) odhalili, že SDI1 a SDI2 interagují prostřednictvím vazby protein -protein s dříve popsaným transkripčním faktorem MYB28. Po deprivaci S v Arabidopsis tato vazba down-reguluje 28 MYB transkripce a následně snižuje biosyntézu glukosinolátů (Gigolashvili a kol., 2007b Sønderby a kol.(2007). Z funkčního hlediska to může přesměrovat zdroje S ze sekundárního na primární metabolismus. Zajímavé, Hubberten a kol. (2012a) navíc odhalil skupinu genů reagujících na OAS, které jsou společně regulovány za různých podmínek, označované jako OAS-clusterové geny. Kooregulovaná exprese naznačuje existenci společných předřazených regulačních kontrolních mechanismů, které by stálo za prozkoumání.


Cesty pro život


Mezi archeami mohou pouze Methanosarcineae tvořit mnohobuněčné struktury, obvykle v reakci na změnu prostředí.

Mikrobiolog J. Greg Ferry je překvapivě klidný, když mluví o nejzajímavějším vědeckém zážitku, jaký kdy měl.

Bylo jaro 2002 a Ferry byl v Cambridgi v Massachusetts, shromáždil se se „úzkou skupinou“ asi dvou desítek výzkumníků, aby diskutovali o obskurním mikrobu. „Štěnice,“ jak tomu říká, také známý jako Methanosarcina acetivorans, je Ferryho dítě. Objevil ho před 20 lety žijící v masě řasy v podmořském příkopu u pobřeží jižní Kalifornie. Dokonce to musel pojmenovat. „Acetivorans znamená nenasytný pro acetát,“ vysvětluje Ferry. Mimo jiné, M. acetivorans žere acetát - sůl odvozenou od kyseliny octové - a vylučuje metan. Vyhýbá se kyslíku. Vyniká v drsných prostředích, jako jsou kaly, zvířecí střeva a bažiny. A existuje už miliardy let - dost dlouho na to, aby se stal klíčovým hráčem v evoluci života na Zemi.

V roce 2001, když se projekt lidského genomu blížil dokončení, Ferry naléhal na kolegy z Whitehead Institute MIT-dobře financovaného místa výzkumu genetiky-aby seřadili M. acetivorans. Jistě by poznali „jeho důležitost v celé biologii“, pomyslel si Ferry. Oni dělali. Sekvenování trvalo necelý rok.

Počítače získaly první smysl ve smyslu posloupnosti - vyřazení databází tak, aby odpovídaly řetězce kódu analyzované do genů se známými proteiny a enzymy. Poté byla data odeslána hrstce oddaných, kteří s Ferrym studovali M. acetivorans roky. „Poprvé jsme viděli podrobnosti o tom, jak chyba funguje, a bylo to jako:„ Páni! “, Říká Ferry tichým hlasem. Zastaví se. „Vlastně to bylo téměř zdrcující.“

Práce ale teprve začínala. Experti potřebovali ověřit překlad kódu počítačem. „Počítač mohl špatně identifikovat protein,“ říká Ferry. „Informace v databázích mohou být nesprávné.“ Konečným testem je spuštění experimentů v laboratoři k testování páru gen-protein, vysvětluje. „Ale mluvíme o obrovském počtu genů!“ Tým tedy vybral určité proteiny, které mají největší dopad na fungování organismu, a rozdělil práci, přičemž každé výzkumné skupině byly přiděleny různé části sekvence k ověření. Ferryho skupina byla požádána, aby otestovala a komentovala gen, který kóduje klíčový enzym v procesu přeměny acetátu na metan - dráhu zahrnující několik proteinů a enzymů, které postupně provádějí chemické reakce.

Spolupracovníci komunikovali prostřednictvím e -mailu, sdíleli svá pozorování a žasli nad tím, co jim genom prozrazuje. Pak přišla ta nejlepší část. Všichni se sešli v Whitehead za to, co činilo a M. acetivorans summit. Dva dny si navzájem kládli otázky, předkládali poznatky ze svých laboratoří a formulovali plány dalšího výzkumu.

„Setkání bylo nesmírně fascinující, nesmírně zábavné,“ říká Ferry. „Spojit tolik vědců dohromady je skutečným důkazem jedinečnosti M. acetivorans."

Jedno překvapení, které Ferry a jeho kolegové odhalili, byla obrovská velikost M. acetivorans genom: S 4500 geny se množství genetické informace, které obsahovalo, zdálo být obrovské pro jednobuněčný organismus. (Lidský genom je pro srovnání jen asi 30 000 genů.) „Velikost genomu je projevem rozmanitosti organismu,“ vysvětluje Ferry. „Dokáže se přizpůsobit svému prostředí lépe než kterýkoli jiný organismus v doméně archaea, protože má informace k produkci proteinů a enzymů, které mu umožňují reagovat na změny prostředí.“


Vědecké potápění: jednotlivé druhy Methanosarciny byly nalezeny ve sladkovodních a mořských prostředích, jako jsou například řasy (nahoře) a v rozkládající se organické hmotě.

Archaea - jedna ze tří hlavních větví života - byla teprve nedávno uznána jako výrazná forma života. Vědci si roky mysleli, že tyto drobné organismy jsou pouze odnoží bakterií, vzdálených bratranců, možná známých brouků způsobujících choroby, jako je E-coli a Streptococcus. Koncem 70. let 20. století Carol Woese, biologka z University of Illinois, zjistila, že tito mikrobi mají geny, které se zásadně liší od genů jiných bakterií. Ve skutečnosti, archaea, geneticky řečeno, jsou užší v souvislosti s třetí větví života, eukaryou-mnohobuněčnými organismy včetně hub, rostlin a zvířat. Vědci se nyní domnívají, že archea a bakterie se vyvinuly odděleně od společného předka a že eukarya se později z archea rozvětvila.

Přesto archea v mnoha ohledech připomínají bakterie: jsou to jednobuněčné organismy s cívkou genetického materiálu a některé z nich existují vedle bakterií v mořské vodě nebo půdě. Většina archaea je však při výběru stanoviště exotičtější. Jedna skupina dává přednost extrémně chladnému prostředí, jako je antarktický led. Další má rád horké věci: vroucí prameny Yellowstonu. Ještě další podskupina archea, nazývaná methanogeny, vydělává na životě v prostředí chudém na kyslík a produkuje metan jako odpadní produkt. M. acetivorans je methanogen. Pro tuto třídu organismů je tak toxický kyslík, že mikrobiologové jako Ferry je musí pěstovat ve speciálních uzavřených komorách přístupných pouze dvojicí vestavěných gumových rukavic.

M. acetivorans je největší z archea a její genom skrývá mnoho triků a nástrojů, které archaea vyvinula v průběhu tisíciletí, aby přežila. Výzkumný tým rozluštil svůj genom a odhalil spoustu zajímavých vlastností. Jedná se například o jediný druh ve své oblasti, který má tři různé způsoby přeměny své potravy na metan. (Cesta mezi acetátem a metanem je jen jednou z jeho možností.) „Tyto cesty jsou staré, možná první cesty k získání energie pro život,“ vysvětluje Ferry. Před třemi až čtyřmi miliardami let, v době vzniku života, acetát a oxid uhelnatý, další zdroj potravy pro M. acetivorans, byly v životním prostředí hojné.

Další zajímavá funkce: Přestože je organismus přísný anaerob, což znamená, že žije bez kyslíku, vlastní gen, který kóduje enzym, který pomáhá rozkládat kyslík. Jeho genetický kód také obsahuje pokyny pro bičíky - ty bičovité struktury, které pomáhají buňkám v pohybu - a pro chemotaxi, schopnost manévrovat směrem ke konkrétní chemikálii nebo od ní. Kupodivu nikdo nikdy nepozoroval takový účelový pohyb M. acetivorans.

Organismus také ukazuje několik příkladů více genů kódujících stejný protein, „což se může zdát nehospodárné,“ vysvětluje Ferry, „ale ve skutečnosti je to známka úžasné schopnosti brouka přizpůsobit se měnícímu se prostředí“. To může být jen začátek M. acetivoransdodává důležité vlastnosti. Funkce více než 35 procent genů organismu zůstávají záhadou.

Řekl bych, že 75 procent výzkumu probíhajícího v mé laboratoři nyní vychází z otázek, které zazněly ze setkání na MIT, "říká Ferry. Opravdu, v létě 2002, s grantem od National Science Foundation, Ferry stál u zrodu Konsorcia pro archeologickou genomiku a proteomiku - spolupráce několika univerzit se sídlem v Penn State - pomocí M. acetivorans jako jeho modelový organismus. Členové konsorcia doufají, že studiem genů a proteinů tohoto jediného mikroba pokročí v porozumění celé doméně archaea.

M. acetivorans dělá dobrý model díky své velikosti, říká Ferry, a také proto, že vědci vyvinuli postup pro vkládání náhodných genetických informací do buněk Methanosarcina, něco, co nelze snadno provést s každým typem buňky. „Vložení nesmyslných informací do sekvence pro daný gen může gen deaktivovat nebo‚ vyřadit ‘,“ vysvětluje Ferry. „Pak se můžeš podívat, jak byl organismus zmrzačen. Která cesta byla vyřazena? To ti může říci, pro který enzym v které dráze kóduje konkrétní gen.“

Identifikace těchto enzymů by mohla vést k objevu nových proteinů a enzymů užitečných pro návrh léčiv nebo k vyčištění chemických skvrn, říká Ferry. Například, M. acetivorans může vytvořit enzym rozkládající kepon - toxickou sloučeninu, která se jednou používá jako insekticid - na kyselinu chlorovodíkovou a metan. M. acetivorans„Schopnost rozložit tolik různých zdrojů potravin na metan je pro vědce zajímavá, protože metan je potenciálním alternativním zdrojem energie.

Sám Ferry se zajímá zejména o to, jak to zjistit M. acetivorans využívá redundanci - více genů kódujících stejné proteiny - k rychlé reakci na změny ve svém prostředí, jako je přítomnost nebo nepřítomnost určitých druhů potravin.

V laboratoři, říká, kdyby M. acetivorans dostane k jídlu octan a nic jiného, ​​„zapne“ geny kódující enzymy, které zpracovávají acetát. Ale také zapne jeden ze tří duplicitních genů, které kódují enzym, který zpracovává methanol, další zdroj potravy, jako pouhý případ. Tímto způsobem Ferry vysvětluje, že kdyby byl methanol najednou k dispozici, M. acetivorans mohl začít okamžitě metabolizovat. Tam, kde je situace obrácená, dodává, a k jídlu má pouze methanol, jsou zapnuty všechny tři geny pro zpracování methanolu a je zapnut pouze jeden z acetátových enzymů. „Nyní máme důvod, proč mohou mít duplicitní geny - je to nový způsob přizpůsobení se jejich prostředí,“ říká Ferry. „Obvykle existuje jeden gen, který se zapíná a vypíná v reakci na podmínky prostředí.

„V přírodě se to pomalu rostoucímu organismu líbí M. acetivorans by chtěl rychle přepínat cesty, aby mohl rychle využít výhody nového zdroje potravy. „Pokud to dokáže zvládnout bez velkého zpoždění - času potřebného k zapnutí nového genu -“ mělo by to na nohy konkurenční organismy ," on říká.

Ferry se zastaví. „Přemýšlejí,“ přemítá. „Je to trochu děsivé, že? Jsou nesmírně adaptivní, extrémně inteligentní.“

Ferryho také zajímá, jak M. acetivorans reagoval na vzestup kyslíku v raném prostředí Země. „Je to zajímavý příběh,“ usmívá se. „Věděli jste, že kyslík je nejhorší znečišťující látka, jaká kdy byla v historii života vyrobena?“ Ačkoli mnoho forem života závisí na dýchání kyslíkem, vysvětluje, stále je pro většinu buněk toxický. Kyslík může tvořit vysoce reaktivní volné radikály, které útočí na enzymy. Aby se lidské tělo ochránilo, vyvinuly enzymy, které nás chrání před těmito volnými radikály. Přesto kyslík buňky opotřebovává a hraje hlavní roli ve stárnutí.

Ferry maluje scénu: Během první miliardy let života na Zemi se mikrobům dařilo bez kyslíku. Pak přišly rostliny a fotosyntéza. Produkovaný kyslík napadl mnoho životních molekul, v kombinaci s nimi změnil jejich struktury. „Byla to otrava, největší změna prostředí, se kterou se život setkal. Organismy musely vymyslet nové cesty - nové proteiny a enzymy -, jak se vypořádat s toxickým kyslíkem,“ říká. Vzestup kyslíku byl naštěstí natolik pomalý, že mnoho organismů mělo čas místo toho, aby zahynuli. Aby pomohli svým šancím, ukryli se někteří anaerobové na místech, kam by se nedostal žádný kyslík, například hluboko v bahně na dně bažiny.

Příkop naplněný řasou, kde objevil Ferry a postgraduální student M. acetivorans v roce 1983 bylo právě takové místo. Fishermen call the areas above the trenches "bubble holes" because the organisms below release small bubbles of methane gas—their waste product—that expand as they rise and then burst when they reach the surface.

It was here, in this imperfect hiding place, that M. acetivorans might have developed its unique characteristics. "The organisms probably encounter trace amounts of oxygen in the kelp beds," Ferry explains. The water layer above the kelp bed contains dissolved oxygen, and during a storm, trace amounts of oxygen can be mixed into the kelp layer. "Oxygen is very poisonous to it so it must have developed mechanisms to cope," says Ferry, including, perhaps, a pathway to convert free radicals to less toxic compounds. Researchershave already discovered in M. acetivorans a gene that codes for oxidase, an enzyme that partially breaks down oxygen, he notes. A full pathway for metabolizing oxygen has yet to be uncovered, however.

"If we can understand how Methanosarcina deals with oxygen now, Ferry suggests, we'll have a clue as to how life early on developed mechanisms to survive this incredible insult." That could lead to "a fundamental advance in our understanding of evolution, and of how humans deal with oxidative stress.

"Methanosarcina and other anaerobes are our ancestors," he says. "They laid down all the fundamental metabolism for life as we know it today."


Making (anti)sense of non-coding sequence conservation

A substantial fraction of vertebrate mRNAs contain long conserved blocks in their untranslated regions as well as long blocks without silent changes in their protein coding regions. These conserved blocks are largely comprised of unique sequence within the genome, leaving us with an important puzzle regarding their function. A large body of experimental data shows that these regions are associated with regulation of mRNA stability. Combining this information with the rapidly accumulating data on endogenous antisense transcripts, we propose that the conserved sequences form long perfect duplexes with antisense transcripts. The formation of such duplexes may be essential for recognition by post-transcriptional regulatory systems. The conservation may then be explained by selection against the dominant negative effect of allelic divergence.

Since the early 1980s many studies on particular genes have noted sequence conservation in the 3′ untranslated regions (UTRs) of vertebrate mRNAs ( 1–3). Duret et al. ( 4) estimated that >30% of vertebrate mRNAs had conserved regions in their 3′ UTRs, defined as sharing at least 70% identity over >100 nucleotides between corresponding homologous genes (orthologs). They also noted the less frequent but still significant conservation in 5′ UTRs. We have recently observed long stretches of protein coding regions without silent changes in a substantial fraction of vertebrate mRNAs most of these contain unusually conserved blocks both in the coding regions and in 5′ or 3′ UTRs (H.Sicotte and D.Lipman, unpublished data). A representative sample from a comparison of human and mouse orthologs is shown in Table 2. These conserved sequences are essentially unique in the genome and thus match only to corresponding regions of orthologous mRNAs in other species. The observed level of conservation is far greater than expected for non-coding regions or synonymous sites in coding regions on the basis of known evolutionary rates and divergence times ( 5).

What function constrains these regions? Sequence specific recognition, e.g., by RNA binding proteins, is an unlikely explanation because of the length of the conserved sequences. Furthermore, because so many different mRNAs contain these conserved regions, which are unique for each set of orthologs, sequence specific recognition would lead into an almost infinite regress. With >30% of the genes containing these unique conserved regions, then another 30% of the genes would be needed to code for these binding proteins, not to mention the proteins regulating these binding proteins, and so on. One might posit that many of these different sequences share common RNA secondary structure thus reducing the number of different binding proteins, but the sequence conservation would remain a mystery. It has been shown that short AU rich motifs promote mRNA degradation ( 6). Such motifs are often seen in the conserved portions of 3′ UTRs but these cannot explain the striking conservation between orthologs either. Another possibility would be that the conservation is due to the encoding of a protein on the complementary strand. Extensive database searches using translations of the complementary strand to these conserved regions did not reveal homologies to known proteins which could explain this conservation (results not shown).

A number of studies provide evidence that the conserved regions in 3′ UTRs are required for the regulation of mRNA stability ( 7). Typically deletion of these regions render the mRNA unresponsive to regulatory signals which normally lead to destabilization ( 8–10). Conversely, introduction of these regions into reporter mRNAs make them responsive to regulated destabilization ( 11–13). Conserved regions in 5′ UTRs ( 14) and coding regions ( 15–17) have also been implicated in regulation of mRNA stability.

The large number of bases in conserved blocks suggests a base-pairing interaction between mRNA and another nucleic acid. Over the last several years there has been an increasing number of reports of antisense RNA transcripts encoded by the complementary strand of a gene ( 18–22). Although most reported examples do not show evidence of coding regions, in some cases these countertranscripts encode expressed proteins ( 23, 24). These countertranscripts are sometimes found in different tissues or developmental stages than their corresponding sense mRNA and thus a regulatory role for endogenous antisense has been proposed ( 25–28). Examples of regulation of gene expression by endogenous antisense have also been described for nematode ( 29), dictyostelium ( 30) and prokaryotes ( 31).

Why would the antisense-based regulatory mechanism require sequence conservation? If cells have a destabilization/degradation system which specifically recognizes long, nearly perfect RNA duplex, then mutations in a region corresponding to a duplex will be selected against because of their mismatch with the other allele ( Fig. 1). Consider, for example, the developmental expression pattern for Hoxa 11 sense and antisense transcripts ( 27) where sense transcripts are at high levels, antisense transcripts are at low levels, and vice-versa. When the Hoxa 11 antisense is abundant, most sense transcripts will be duplexed. Assuming the rate of transcription for the two alleles is roughly equal, a mutation in a region corresponding to a duplex would result in approximately half the sense transcripts forming mismatched duplexes. Let us further assume that the half life of a sense transcript is 12 h and the half life of a perfectly matching sense/antisense duplex is 12 min. When most of the sense transcripts are in perfect duplexes the drop in mRNA levels could therefore be an order of magnitude or more. However, a mutation leading to allelic divergence in a complementary region could lead to defective recognition of approximately half of the sense/antisense duplexes thus, half the sense transcripts would have a half life of 12 min and half would have a half life approaching 12 h. The endogenous antisense mechanism would then only be able to reduce mRNA levels by a factor of two. Thus, the conserved regions in mRNAs will be maintained through selection against allelic divergence. In the three cases where the endogenous antisense has been sequenced and the corresponding orthologous mRNA sequences are also available, there is a strong correlation of complementary segments and sequence conservation. For example, in the BFGF gene, there is a single silent change between human and rat sequences in the 280 bases of the coding region which overlap the antisense transcript (unpublished observations).


Enzyme Kinetics: Catalysis & Control

Far more than a comprehensive treatise on initial-rate and fast-reaction kinetics, this one-of-a-kind desk reference places enzyme science in the fuller context of the organic, inorganic, and physical chemical processes occurring within enzyme active sites. Drawing on 2600 references, Enzyme Kinetics: Catalysis & Control develops all the kinetic tools needed to define enzyme catalysis, spanning the entire spectrum (from the basics of chemical kinetics and practical advice on rate measurement, to the very latest work on single-molecule kinetics and mechanoenzyme force generation), while also focusing on the persuasive power of kinetic isotope effects, the design of high-potency drugs, and the behavior of regulatory enzymes.

Far more than a comprehensive treatise on initial-rate and fast-reaction kinetics, this one-of-a-kind desk reference places enzyme science in the fuller context of the organic, inorganic, and physical chemical processes occurring within enzyme active sites. Drawing on 2600 references, Enzyme Kinetics: Catalysis & Control develops all the kinetic tools needed to define enzyme catalysis, spanning the entire spectrum (from the basics of chemical kinetics and practical advice on rate measurement, to the very latest work on single-molecule kinetics and mechanoenzyme force generation), while also focusing on the persuasive power of kinetic isotope effects, the design of high-potency drugs, and the behavior of regulatory enzymes.


3 Answers 3

The turnover number or catalytic constant $ k_>$ in the Michaelis-Menten model is the rate constant for the productive dissociation of intermediate $ce$ :

The constant $k_>$ says how much product forms from intermediate but does not say how much intermediate forms in the first place. It is assumed that there is a rapid equilibrium between enzyme, substrate and intermediate: $ce$

that can be described by either an association or a disociace constant for the equilibrium between intermediate, apo enzyme and substrate:

At low substrate concentration $[ce]approx [ce]_0$ and

In summary, the reason the ratio might look strange is because $K_mathrm$ is a dissociation constant, and $k_>/K_mathrm$ is the rate constant for low substrate concentration.

The most basic kinetic scheme for enzymes is represented as

As should be clear, the $k_$ is the rate constant for the reaction that occurs po substrate is bound to the enzyme. The resulting rate (kcat[E]tot) is only achieved when every molecule of enzyme essentially always is in the act of converting substrate to product. That is, every time a product molecule is released, a substrate molecule immediately binds. Even if the substrate molecule dissociates before reacting, another immediately takes its place. We describe this situation as the enzyme being "saturated" with substrate.

The Km is a measure of how tightly the substrate binds to the enzyme, approximately equal to the equilibrium constant for the dissociation of the substrate from the enzyme. If the substrate is at a low concentration relative to this Km value, then many of the enzyme molecules will not have substrate molecules bound to them and will be unproductive as a result. The overall rate will be substantially below the maximum kcat[E]tot.

All of this is captured in the basic Michaelis-Menten kinetics equation:

You can see that the impact of $K_m$ on the rate increases substantially as [S] decreases relative to $K_m$ .

Since most substrates exist physiologically at concentrations below what is required for maximum rate, it is the combination of $k_$ and $K_m$ relative to [S] that determines the in vivo rate of reaction (along with the amount of enzyme of course).

[OP] The catalytic efficiency of an enzyme is given by $k_mathrm/K_mathrm$ where $k_mathrm$ is the turnover number, or the number of molecules that can be produced per second per active site of an enzyme.

The last part is not quite accurate. $k_mathrm$ is the rate of the reaction under saturating conditions divided by the enzyme concentration. The dimensions are one divided by time (a first-order rate constant).

[OP] $K_mathrm$ is a measure of the affinity of the enzyme with the substrate, or the likelihood of binding.

The Michaelis-Menten constant $K_mathrm$ has a rigorous definition based on rate constants, and its dimensions are the same as those of a concentration. If you interpret $K_mathrm$ as the affinitiy of the enzyme to the substrate, you have to know that higher values of $K_mathrm$ correspond to lower degree of binding. The likelihood of binding strongly depends on the concentration of substrate. For discussion of the catalytic efficiency, we are interested in substrate concentrations lower than $K_mathrm$ .

Why bother dividing the $k_mathrm$ by $K_mathrm$ ? Isn't the affinity of the enzyme already encoded into the quantity of $k_mathrm$ ? How could you be an enzyme that has low affinity, but still have a huge turnover? To me this doesn't seem possible, and thus it is redundant to divide by $K_mathrm$ . Likewise, could there be a situation where $k_mathrm$ is low, but $K_mathrm$ is high?

Here are three examples showing rate vs. substrate concentration. Let's say the red curve shows kinetics of a given enzyme. If we compare the red enzyme to one (in green) that has the same $K_mathrm$ but a $k_mathrm$ smaller by a factor of two, the rate is half the "red" rate at all concentrations. On the other hand, the blue enzyme has the same $k_mathrm$ as the red enzyme, but twice the $K_mathrm$ (remember, this means it is hard to get the substrate to bind). At high substrate concentration, red and blue show the same miaximal rate, but at low concentrations, the "red reaction" is twice as fast as the "blue reaction".

In fact, the green and the blue enzyme show identical behavior at low substrate concentrations because $frac<>><>>$ for the two enzymes is the same. That is the idea of catalytic efficiency.


Abstraktní

We make sense of the world through our mental representations or models. They allow us to identify and categorize objects and ideas and shape our views of the world determining what we consider relevant and valid. Mental models enable reasoning, including clinical reasoning in regard to diagnosis and therapy. Scientific advances in understanding of biologic processes in health and disease have begun to reveal their complexity. Systems biology has embraced this complexity and is recognized as complementary to the reductionist approach to science. The mental models educators impart in their students create the boundaries for what is deemed relevant scientifically and clinically. The successes emanating from the prevailing Western mental model of health and disease focusing on the individual and the reductionist approach to scientific inquiry is unquestioned. However, as our understanding of biologic processes has grown, the necessity of a new mental model that encompasses factors external to the individual is evident. The author proposes that a mental model, akin to an ecosystem, with the individual residing at the confluence of their genetic, behavioral, environmental, and microbiota factors be consciously developed in students. Embracing the complexity and interactions of biologic processes within and external to the individual is necessary to continue to advance science and medicine.


1. ÚVOD

Our understanding of human biology, its normal functioning in health and disruptions thereof resulting in disease, is continually evolving. From a historical perspective, as chronicled by Porter, 1 Western biomedicine has its roots in the ancient Greek approach of focusing on the human body and its workings in health and disease. This is in distinction to other ancient traditions, such as Chinese and Indian, that included associations with the physical and social environment in their understanding of health and disease.

In the ensuing millennia, paradigm-changing breakthroughs in the conceptualization of biomedical processes, often facilitated in the last two centuries by technologic advances, heralded periods of great progress and major advances in the understanding of normal human functioning and disease. For example, in the mid-1800s advances in microscope design and optics enabled the discovery of cells and the advancement of the cell theory, and the discovery of bacteria and the development of Koch's postulates. Indeed, the mid-1800s with its advances in technology, chemistry, and physics ushered in the era of “modern medicine” based on the scientific understanding of human biology. Probing ever deeper from organ-level physiology to molecular biology, scientific discovery has allowed us to explore and understand biologic functions at evermore granular levels. The resulting advances in knowledge emanating from this scientific approach to the study of biologic processes and their perturbations have transformed not only the depth of our biomedical understanding but also our clinical options for the diagnosis and treatment of disease.

While resulting in great advances, this reductionist approach to bioscience has its limitations. As our understanding has grown, we have continually been faced with the realization that biologic systems are far more complex than initially envisioned. As we entered the 21 st century, systems biology, seen as the antithesis of reductionism, which embraces an integrative approach to comprehending the complexity of biologic systems has been gaining recognition as a valued scientific research complement to the dominant reductionist approach. While a singular definition of systems biology remains elusive, the NIH defines it as “an approach in biomedical research to understanding the larger picture—be it at the level of the organism, tissue, or cell by putting its pieces together. It is in stark contrast to decades of reductionist biology, which involves taking the pieces apart.” 2

For the past century, the practice of clinical medicine has followed a similar “reductionist” approach to the treatment of disease. Frequently referred to as the “infectious disease” approach, a single putative causal “agent” is sought for a particular disease. While proving invaluable for problems such as pneumococcal pneumonia in an otherwise healthy individual, where identifying the offending pathogen and treating with appropriate antibiotics results in dramatic salutary effects and a return to health, many modern maladies have shown to be intractable to this approach. In parallel to the march of science and its dramatic increase in understanding at progressively more granular levels, there has been a proliferation of specialty and subspecialty physicians with deep expertise in increasingly narrow clinical domains. This leads to the all too frequent lament that “I have multiple physicians treating my different parts but no one is treating me!”.

But, as in biomedical science, astute physicians observing the course of patients’ diseases have repeatedly voiced concerns about the limitations of the prevailing “scientific approach” to clinical medicine. As early as 1927 Francis Peabody in a famous lecture at Harvard Medical School opined “What is spoken of as a “clinical picture” is not just a photograph of a man sick in bed it is an impressionistic painting of the patient surrounded by his home, his work, his relations, his friends, his joys, sorrows, hopes, and fears. Now, all of this background of sickness which bear so strongly on the symptomatology is liable to be lost sight of in the hospital.” 3 Half a century later George Engel advocated for what he termed the biopsychosocial approach to medicine which encompassed the biologic, psychologic, and social cultural aspects of the patient. 4 He argued that an individual's biologic functioning, including disease states, was inexorably linked with psychological and social concerns that must be considered by physicians when providing patient care. And most recently the social determinants of health have been shown to play an important role in the health of an individual as well as in the health of populations and are major contributors to observed health disparities. As defined in the CDC’s Healthy People 2020 report “Social determinants of health are conditions in the environments in which people are born, live, learn, work, play, worship, and age that affect a wide range of health, functioning, and quality-of-life outcomes and risks. Conditions (e.g., social, economic, and physical) in these various environments and settings (e.g., school, church, workplace, and neighborhood) have been referred to as “place.” In addition to the more material attributes of “place,” the patterns of social engagement and sense of security and well-being are also affected by where people live. Resources that enhance quality of life can have a significant influence on population health outcomes. Examples of these resources include safe and affordable housing, access to education, public safety, availability of healthy foods, local emergency/health services, and environments free of life-threatening toxins.” 5 Despite a century of calls for attention to external factors recognized as influencing the course and development of disease, we are only beginning to understand the complexity of these relationships and decipher causal linkages.

It is now clear that factors often considered external to the individual and therefore not relevant, are essential contributors to understanding biologic processes that play significant roles in health and disease. While recognizing the enormous value of the Western biomedical tradition focusing on the human body, we must consider the value of the ancient traditions that embraced the physical and social environment as playing important roles in health and disease. It is time for a paradigmatic change in our conceptualization of biologic processes.

If one accepts that there is value in a broadened consideration of factors worthy of study as relevant to human health and disease, one must consider a multitude of barriers. All too often there is almost no communication and collaboration between basic science researchers and researchers investigating the contributions of the array of “social determinants of health.” Generally, the focus of scientists investigating human biology is the individual or model organism in a controlled laboratory setting. Researchers studying the social determinants of health emphasize communities and populations in real-world settings. Different research methodologies, different approaches for determining what are considered significant findings, different professional organizations, and different journals for the dissemination of the research, all contribute to the seeming lack of progress.

Potentially the greatest barrier is our worldview or mental model of what is considered “true science” and the appropriate questions for biologic researchers to study. As individuals, we make sense of the world through our mental representations or models. These mental conceptualizations pervade our daily lives. They allow us to identify and categorize objects, ideas, and more. But these mental models also shape our views of the world and determine what we consider relevant and valid. This is true not only for daily functioning but also for our professional lives. Mental models enable reasoning, including clinical reasoning in regard to diagnosis and therapy. Therefore, theoretical and empirical work regarding their development has been studied for decades. 6 Importantly, the mental constructs which form the foundation for reasoning are shared among members of a discipline. “We become acculturated into societies that provide us with a cognitive toolkit of knowledge and ways of using such knowledge. Professional education and training are primarily about socializing students into particular ways of knowing and thinking about the world of practice.” 7 The mental models we consciously or unconsciously impart to our students set boundaries as to what is “in scope” and what is not. For life science educators laying the foundation for the development of robust mental models is an essential educational outcome, one that is unfortunately very rarely communicated clearly.

It is time for educators to explicitly convey an expanded model that encompasses the seemingly disparate factors that are external to the body, but pertain to human health and disease. While not minimizing the importance of in-depth study of isolated processes, we must inculcate in our students the centrality of understanding how these processes function in an organism and the complex web of interactions in which they exist. Our tendency is to simplify concepts to enhance understanding, but we are doing our students a disservice. The complexity of biologic systems must be embraced. Major advances in science, and subsequently in clinical medicine, will be made when the full panoply of inputs including the genome, proteome, and other -omes, the external physical, social, and psychological environments and behaviors are investigated and facilitated by the use of modern tools such as machine learning. We must provide our students, a mental scaffold on which to build their understanding that embraces both the complexity of biological processes and the myriad behavioral factors and external relationships that either directly or indirectly impact biologic systems.

A potentially helpful analogy is that of an ecosystem. An ecosystem is the physical environment and the living species that inhabit it. Ecosystems such as a tidal pool can be small or expansive like the Great Lakes. As indicated in Figure 1, each of us, as human beings, can be thought of as an ecosystem existing at the intersection of our genomic, behavioral, environmental, and microbiota elements. 8 While recognizing that a single factor may be deterministic, such as a dominant genetic disease with 100% penetrance, generally these elements act in concert to influence health and disease.

What is the evidence that this is a timely consideration?

The dramatic increases in our understanding of basic pathophysiology and mechanisms of disease have raised new issues, one being that the body has only a limited number of responses to a multitude of insults. Even our current disease taxonomy needs revision as mechanisms and interactions are elucidated. Let us consider the example of myocardial infarctions (MI), a leading cause of death in the US and increasingly so in developing nations. Due to the morbidity and mortality associated with MIs they have been a focus of study for decades. However, investigations have shown that different underlying pathophysiologic mechanisms can result in MIs. Seeking a clinical definition consistent with the pathologic definition, the Task Force for the Universal Definition of Myocardial Infarction in 2000 first published a consensus statement providing definitions for different types of myocardial infarctions incorporating the pathologic mechanism. Subsequently, three revisions have been published, the most recent the Fourth Universal Definition of Myocardial Infarction (2018). 9 Modified with each revision, five different definitions for myocardial injury and infarction exist. They range from MI type 1, presenting with symptoms of myocardial ischemia, new ECG changes consistent with ischemia including the development of pathologic Q waves, and imaging evidence of new loss of viable myocardium or wall motion abnormality consistent with ischemia and an acute coronary atherothrombosis to type 5 which is a MI after coronary artery bypass grafting.

Now let us focus only on MI type I which is due to an acute coronary atherothrombosis. While the proximate cause for the MI is the atherothrombosis, if progress is to be made in reducing the morbidity and mortality from type I MIs we need to move upstream to address the problem of atherosclerosis. For over a century, the lipid hypothesis of atherosclerosis emphasized the central role of cholesterol 10 and based on clinical studies, led to the development of recommendations to lower cholesterol. 11 In addition to the focus on dietary cholesterol and pharmacologic manipulations (statins) to lower cholesterol levels, it was recognized that other factors also play a role in the development of coronary artery atherosclerosis. Familial hyperlipidemia has long been recognized as leading to premature atherosclerosis and MIs and recent studies have expanded our understanding of dyslipidemia and the importance of apolipoproteinB100. 12 Similarly, a genetic predisposition to higher serum calcium levels has been associated with an increased risk for coronary artery disease and MI. 13

Epidemiologic studies have shown a correlation between the intake of red meat and the development of atherosclerosis even though the causal mechanisms remained elusive. Recent studies have shown that dietary choline and l-carnitine (found in red meats) are metabolized by intestinal bacteria to produce trimethyl amine, which is absorbed into the bloodstream and oxidized in the liver by the enzyme flavin monooxygenase 3 to trimethylamine N-oxide (TMAO) which plays a causal role in the development of coronary artery disease. 14 Interestingly, a long-term study in initially healthy women showed that increases in TMAO, attributed to changing dietary patterns, led to an increased risk for coronary heart disease irrespective of the absolute level. 15

Environmental factors, such as air pollution, have also been implicated in epidemiologic studies of coronary artery disease. A study of Chinese individuals with long-term exposures to fine particulate matter with aerodynamic diameter less than 2.5 µm and nitrogen dioxide due to living in proximity to major roads were both independently associated with elevated coronary artery calcium scores (a measure of atherosclerosis). It is hypothesized that these pollutants, or others not yet measured, react with airway and lung cellular membranes and generate oxidative reaction products which in turn may have an atherogenic effect. 16

Intriguing, but as yet unexplainable, are findings such as the inverse relationship between adult coronary artery calcium scores and favorable psychosocial scores in childhood when adjusted for other known risk factors. The childhood psychosocial factors that are included in the score include social-economic status, home emotional environment, health behaviors of parents, stressful events that might threaten a child's sense of stability and continuity, the child's self-regulatory behavior or self-control, and the child's general level of social adjustment. 17 A related finding is that subjective social status as reported by an adult individual is similarly inversely related to coronary artery disease. 18 Subjective social status is an individual's self-perception of their position in the social and social-economic hierarchy. It is related to but has been shown to be independent of traditional social-economic status determinations.

What does all this mean? Is there common pathophysiologic mechanisms such as inflammation that is responsible for the initiation and progression of atheroma and atherosclerotic coronary artery disease or are there are a multitude of mechanisms that must be considered? How important are interactions among an individual's environment, behavior, genome, and microbiota? We know that genetic and behavioral factors are independent, but additive in their effect on the risk of developing coronary artery disease. 19 We also know that epigenetic patterns are modulated by environmental and behavioral factors and that epigenetics may play an important role in the development of coronary artery disease. 20 These are but a few examples of the complex interrelationships being explored. The questions are many even in this exceedingly well-studied “disease.” Interventions based on scientific studies that focus on one or just a few factors may well have only a modest or even inconsequential effect on coronary artery disease when applied broadly to individuals.

The literature is replete with examples of effects observed under controlled experimental conditions that are not replicable in wild type settings. Lack of attention or inability to account for behavioral, environmental, genetic, and even microbiota factors may be responsible for some of the irreproducibility. Perhaps, such myopia is also responsible for the number of pharmacologic agents that showed great promise in experimental laboratory conditions, but failed in human clinical trials. And even drugs that have been approved based upon controlled clinical trials, but were subsequently withdrawn due to untoward effects observed in post-release follow-up. With the benefit of hindsight often these failures are explainable. An ecosystem model that consciously incorporates not only the intrinsic biologic factors but also external factors that directly or indirectly impact the biology will enable investigators to better anticipate and account for important variables.

It is sometimes argued that a simplistic model is superior to an overly complex one. I would argue that advances in our understanding of the complexities of biologic processes and the factors that influence or determine them necessitate embracing this complexity in our educational endeavors. However, how best to develop desired mental models remains to be determined. One approach is to build on work depicting complex systems that characterize multiple components at multiple levels interacting with one another, as proposed by Singh et al. 21 Their model consists of a three-level hierarchical tree composed of organs, tissues, and cells with their interactions within and across levels. The complexity of biologic systems and diseases becomes readily apparent with such a depiction. While it further increases the complexity, we need to add to the causal model the effects of interactions with the environment, one's behaviors, and their microbiota. It is only through such a model, an ecosystem model, that the “in scope” boundaries will be broadened.

As scientific paradigms continue to evolve so to our educational paradigms must evolve. Given the rapidity of change in the life sciences and their implications for clinical medicine, the challenge for educators is great. For decades the focus has been teaching our students “what to think.” Given the ubiquitous access to factual information educators must now pivot to teaching our learners “how to think.” An important part of this transformation is inculcating appropriate mental models on which current and future knowledge may be built. To best enable our students and trainees to study and unravel the complexities of biologic systems and enhance our collective understanding of health and disease, we must instill an appreciation for system biology and lay the foundations for a mental model that includes genomic, environmental, and behavioral factors as well as the microbiota. Similarly, our future clinicians must be trained to understand the central role played by these factors in the maintenance of health and development of disease in their patients. While not diminishing the advances enabled by the ancient Greek tradition of focusing on the body, there is a great deal of wisdom in embracing the Chinese and Indian traditions that recognize the importance of the environment and behaviors.


Podívejte se na video: 58 Aktivnost enzima (Listopad 2021).