Red reguladora de genes

Generalmente se considera que las redes de regulación génica están formadas por unos pocos nodos altamente conectados ( hubs ) y muchos nodos poco conectados anidados dentro de un régimen regulatorio jerárquico. Por lo tanto, las redes de regulación génica se aproximan a una topología de red jerárquica libre de escala. ^{[ 8 ]} Esto es consistente con la visión de que la mayoría de los genes tienen pleiotropía limitada y operan dentro de módulos regulatorios . ^{[ 9 ]} Se cree que esta estructura evoluciona debido a la unión preferencial de genes duplicados a genes más altamente conectados. ^{[ 8 ]} Trabajos recientes también han demostrado que la selección natural tiende a favorecer las redes con conectividad dispersa. ^{[ 10 ]}

Existen principalmente dos formas en que las redes pueden evolucionar, ambas pueden ocurrir simultáneamente. La primera es que la topología de la red puede cambiarse mediante la adición o sustracción de nodos (genes) o partes de la red (módulos) pueden expresarse en diferentes contextos. La vía de señalización Hippo de Drosophila proporciona un buen ejemplo. La vía de señalización Hippo controla tanto el crecimiento mitótico como la diferenciación celular postmitótica. ^{[ 11 ]} Recientemente se descubrió que la red en la que opera la vía de señalización Hippo difiere entre estas dos funciones, lo que a su vez cambia el comportamiento de la vía de señalización Hippo. Esto sugiere que la vía de señalización Hippo opera como un módulo regulador conservado que puede usarse para múltiples funciones dependiendo del contexto. ^{[ 11 ]} Por lo tanto, cambiar la topología de la red puede permitir que un módulo conservado cumpla múltiples funciones y altere el resultado final de la red. La segunda forma en que las redes pueden evolucionar es cambiando la fuerza de las interacciones entre nodos, como la fuerza con la que un factor de transcripción puede unirse a un elemento cis-regulador . Se ha demostrado que dicha variación en la fuerza de los enlaces de la red subyace a la variación entre especies en el patrón de destino celular de la vulva de los gusanos Caenorhabditis . ^{[ 12 ]}

Otra característica de las redes de regulación génica es la abundancia de ciertas subredes repetitivas conocidas como motivos de red . Los motivos de red pueden considerarse patrones topológicos repetitivos al dividir una red grande en bloques pequeños. Varios tipos de motivos aparecen con mayor frecuencia en las redes de regulación génica que en las redes generadas aleatoriamente. ^{[ 13 ] [ 14 ] [ 15 ]} Por ejemplo, uno de estos motivos son los bucles de alimentación directa, que constan de tres nodos. Este motivo es el más abundante entre todos los posibles motivos formados por tres nodos, como se muestra en las redes de regulación génica de la mosca, el nematodo y el ser humano. ^{[ 15 ]}

Se ha propuesto que los motivos enriquecidos siguen una evolución convergente , lo que sugiere que son "diseños óptimos" para ciertos propósitos regulatorios. ^{[ 16 ]} Por ejemplo, el modelado muestra que los bucles de retroalimentación positiva pueden coordinar el cambio en el nodo A (en términos de concentración y actividad) y la dinámica de expresión del nodo C, creando diferentes comportamientos de entrada-salida. ^{[ 17 ] [ 18 ]} El sistema de utilización de galactosa de E. coli contiene un bucle de retroalimentación positiva que acelera la activación del operón de utilización de galactosa galETK , lo que potencialmente facilita la transición metabólica a galactosa cuando se agota la glucosa. ^{[ 19 ]} El bucle de retroalimentación positiva en los sistemas de utilización de arabinosa de E. coli retrasa la activación del operón de catabolismo de arabinosa y los transportadores, lo que potencialmente evita una transición metabólica innecesaria debido a fluctuaciones temporales en las vías de señalización ascendentes. ^{[ 20 ]} De manera similar, en la vía de señalización Wnt de Xenopus , el bucle de retroalimentación actúa como un detector de cambio de pliegue que responde al cambio de pliegue, en lugar del cambio absoluto, en el nivel de β-catenina, lo que potencialmente aumenta la resistencia a las fluctuaciones en los niveles de β-catenina. ^{[ 21 ]} Siguiendo la hipótesis de la evolución convergente, el enriquecimiento de bucles de retroalimentación sería una adaptación para una respuesta rápida y resistencia al ruido. Una investigación reciente encontró que la levadura cultivada en un ambiente de glucosa constante desarrolló mutaciones en las vías de señalización de la glucosa y la vía de regulación del crecimiento, lo que sugiere que los componentes reguladores que responden a los cambios ambientales son prescindibles en un ambiente constante. ^{[ 22 ]}

Por otro lado, algunos investigadores plantean la hipótesis de que el enriquecimiento de motivos de red no es adaptativo. ^{[ 23 ]} En otras palabras, las redes reguladoras de genes pueden evolucionar hacia una estructura similar sin la selección específica sobre el comportamiento de entrada-salida propuesto. El apoyo a esta hipótesis a menudo proviene de simulaciones computacionales. Por ejemplo, las fluctuaciones en la abundancia de bucles de realimentación directa en un modelo que simula la evolución de redes reguladoras de genes mediante la reconexión aleatoria de nodos pueden sugerir que el enriquecimiento de bucles de realimentación directa es un efecto secundario de la evolución. ^{[ 24 ]} En otro modelo de evolución de redes reguladoras de genes, la proporción de las frecuencias de duplicación y eliminación de genes muestra una gran influencia en la topología de la red: ciertas proporciones conducen al enriquecimiento de bucles de realimentación directa y crean redes que muestran características de redes jerárquicas libres de escala. Se ha demostrado computacionalmente la evolución de novo de bucles de realimentación directa coherentes de tipo 1 en respuesta a la selección por su función hipotética de filtrar una señal espuria corta, lo que apoya la evolución adaptativa, pero para el ruido no idealizado, se favoreció un sistema de regulación de realimentación directa basado en la dinámica con una topología diferente. ^{[ 25 ]}

Un enfoque heurístico para el desarrollo de redes de regulación génica (GRN) tiene el potencial de mejorar la comprensión de la regulación génica al modelar las GRN como redes de mundo pequeño, en las que los genes están densamente interconectados a través de un pequeño número de pasos reguladores intermedios, lo que permite una rápida propagación de la señal a través de la red. Esto revela que las GRN exhiben una topología libre de escala, caracterizada por un pequeño número de genes centrales altamente conectados que ejercen una influencia reguladora desproporcionada sobre la red en general. Esta perspectiva topológica es particularmente relevante para el debate sobre si el enriquecimiento de motivos de red es adaptativo o no adaptativo: las simulaciones computacionales sugieren que el enriquecimiento de bucles de retroalimentación positiva puede surgir como un efecto secundario de la evolución a través de la reorganización aleatoria, mientras que las tasas de duplicación y deleción de genes dan forma a la topología de la red hacia estructuras jerárquicas libres de escala. Al integrar estas propiedades topológicas con datos de expresión génica, la inferencia de GRN basada en heurísticas cierra la brecha entre los modelos de red computacionales y la realidad biológica subyacente de la regulación transcripcional, con implicaciones directas para la comprensión de los mecanismos de las enfermedades y la identificación de posibles dianas terapéuticas. ^{[ 26 ]} "

Es común modelar dicha red con un conjunto de ecuaciones diferenciales ordinarias (EDO) o ecuaciones diferenciales estocásticas (EDE) acopladas , que describen la cinética de reacción de las partes constituyentes. Supongamos que nuestra red reguladora tiene${\displaystyle N}$nodos, y dejar${\displaystyle S_{1}(t),S_{2}(t),\ldots ,S_{N}(t)}$representan las concentraciones de la${\displaystyle N}$sustancias correspondientes en el momento${\displaystyle t}$Entonces, la evolución temporal del sistema puede describirse aproximadamente mediante

${\displaystyle {\frac {dS_{j}}{dt}}=f_{j}\left(S_{1},S_{2},\ldots ,S_{N}\right)}$

donde las funciones${\displaystyle f_{j}}$expresar la dependencia de${\displaystyle S_{j}}$sobre las concentraciones de otras sustancias presentes en la célula. Las funciones${\displaystyle f_{j}}$en última instancia se derivan de principios básicos de la cinética química o expresiones simples derivadas de estos, por ejemplo, la cinética enzimática de Michaelis-Menten . Por lo tanto, las formas funcionales de la${\displaystyle f_{j}}$Por lo general, se eligen como polinomios de bajo orden o funciones de Hill que sirven como ansatz para la dinámica molecular real. Estos modelos se estudian luego utilizando las matemáticas de la dinámica no lineal . La información específica del sistema, como las constantes de velocidad de reacción y las sensibilidades, se codifica como parámetros constantes. ^{[ 31 ]}

Resolviendo para encontrar el punto fijo del sistema:

${\displaystyle {\frac {dS_{j}}{dt}}=0}$

a pesar de${\displaystyle j}$Se obtienen (posiblemente varios) perfiles de concentración de proteínas y ARNm que son teóricamente sostenibles (aunque no necesariamente estables ). Los estados estacionarios de las ecuaciones cinéticas corresponden, por lo tanto, a tipos celulares potenciales, y las soluciones oscilatorias de la ecuación anterior a tipos celulares naturalmente cíclicos. La estabilidad matemática de estos atractores generalmente se puede caracterizar por el signo de las derivadas de orden superior en los puntos críticos, y luego corresponde a la estabilidad bioquímica del perfil de concentración. Los puntos críticos y las bifurcaciones en las ecuaciones corresponden a estados celulares críticos en los que pequeñas perturbaciones del estado o de los parámetros podrían cambiar el sistema entre varios destinos de diferenciación estables. Las trayectorias corresponden al desarrollo de las vías biológicas y los transitorios de las ecuaciones a eventos biológicos a corto plazo. Para una discusión más matemática, véanse los artículos sobre no linealidad , sistemas dinámicos , teoría de bifurcaciones y teoría del caos .

El siguiente ejemplo ilustra cómo una red booleana puede modelar una red de regulación genética (GRN) junto con sus productos génicos (las salidas) y las sustancias del entorno que la afectan (las entradas). Stuart Kauffman fue uno de los primeros biólogos en utilizar la metáfora de las redes booleanas para modelar redes de regulación genética. ^{[ 32 ] [ 33 ]}

1. Cada gen, cada entrada y cada salida está representada por un nodo en un grafo dirigido en el que existe una flecha de un nodo a otro si y solo si existe un vínculo causal entre los dos nodos.
2. Cada nodo del gráfico puede estar en uno de dos estados: encendido o apagado.
3. Para un gen, "on" corresponde a que el gen se esté expresando; para las entradas y salidas, "on" corresponde a que la sustancia esté presente.
4. El tiempo se concibe como un proceso que transcurre en pasos discretos. En cada paso, el nuevo estado de un nodo es una función booleana de los estados anteriores de los nodos, con flechas que apuntan hacia él.

La validez del modelo puede comprobarse comparando los resultados de la simulación con las observaciones de series temporales. Una validación parcial de un modelo de red booleana también puede obtenerse comprobando la existencia prevista de una conexión reguladora aún desconocida entre dos factores de transcripción específicos que actúan como nodos del modelo. ^{[ 34 ]}

Los modelos de red continua de GRN son una extensión de las redes booleanas descritas anteriormente. Los nodos siguen representando genes y las conexiones entre ellos influencias reguladoras sobre la expresión génica. Los genes en los sistemas biológicos muestran un rango continuo de niveles de actividad y se ha argumentado que el uso de una representación continua captura varias propiedades de las redes reguladoras génicas que no están presentes en el modelo booleano. ^{[ 35 ]} Formalmente, la mayoría de estos enfoques son similares a una red neuronal artificial , ya que las entradas a un nodo se suman y el resultado sirve como entrada a una función sigmoide , por ejemplo, ^{[ 36 ]} pero las proteínas a menudo controlan la expresión génica de forma sinérgica, es decir, no lineal. ^{[ 37 ]} Sin embargo, ahora existe un modelo de red continua ^{[ 38 ]} que permite agrupar las entradas a un nodo, logrando así otro nivel de regulación. Este modelo está formalmente más cerca de una red neuronal recurrente de orden superior . El mismo modelo también se ha utilizado para imitar la evolución de la diferenciación celular ^{[ 39 ]} e incluso la morfogénesis multicelular . ^{[ 40 ]}

Los resultados experimentales ^{[ 41 ] [ 42 ]} han demostrado que la expresión génica es un proceso estocástico. Por lo tanto, muchos autores están utilizando ahora el formalismo estocástico, después del trabajo de Arkin et al. ^{[ 43 ]} Los trabajos sobre la expresión de genes individuales ^{[ 44 ]} y pequeñas redes genéticas sintéticas, ^{[ 45 ] [ 46 ]} como el interruptor genético de Tim Gardner y Jim Collins , proporcionaron datos experimentales adicionales sobre la variabilidad fenotípica y la naturaleza estocástica de la expresión génica. Las primeras versiones de los modelos estocásticos de expresión génica involucraban solo reacciones instantáneas y estaban impulsadas por el algoritmo de Gillespie . ^{[ 47 ]}

Dado que algunos procesos, como la transcripción genética, implican muchas reacciones y no podrían modelarse correctamente como una reacción instantánea en un solo paso, se propuso modelar estas reacciones como múltiples reacciones retardadas en un solo paso para tener en cuenta el tiempo que tarda en completarse todo el proceso. ^{[ 48 ]}

A partir de aquí, se propuso un conjunto de reacciones ^{[ 49 ]} que permiten generar GRN. Estas se simulan utilizando una versión modificada del algoritmo de Gillespie, que puede simular múltiples reacciones con retardo de tiempo (reacciones químicas en las que a cada uno de los productos se le proporciona un retardo de tiempo que determina cuándo se liberará en el sistema como un "producto terminado").

Por ejemplo, la transcripción básica de un gen se puede representar mediante la siguiente reacción de un solo paso (RNAP es la ARN polimerasa, RBS es el sitio de unión del ribosoma de ARN y Pro _i es la región promotora del gen i ): 

${\displaystyle {\text{RNAP}}+{\text{Pro}}_{i}{\overset {k_{i,bas}}{\longrightarrow }}{\text{Pro}}_{i}(\tau _{i}^{1})+{\text{RBS}}_{i}(\tau _{i}^{1})+{\text{RNAP}}(\tau _{i}^{2})}$

Además, parece existir una compensación entre el ruido en la expresión génica, la velocidad con la que los genes pueden cambiar y el costo metabólico asociado a su funcionamiento. Más específicamente, para cualquier nivel dado de costo metabólico, existe una compensación óptima entre el ruido y la velocidad de procesamiento, y el aumento del costo metabólico conduce a mejores compensaciones entre velocidad y ruido. ^{[ 50 ] [ 51 ] [ 52 ]}

Un trabajo reciente propuso un simulador (SGNSim, Simulador de Redes Génicas Estocásticas ) ^{[ 53 ]} que puede modelar redes de regulación génica (GRN) donde la transcripción y la traducción se modelan como eventos con múltiples retardos temporales y su dinámica es impulsada por un algoritmo de simulación estocástica (SSA) capaz de manejar dichos eventos. Los retardos temporales pueden obtenerse de varias distribuciones y las tasas de reacción de funciones complejas o de parámetros físicos. SGNSim puede generar conjuntos de GRN dentro de un conjunto de parámetros definidos por el usuario, como la topología. También puede utilizarse para modelar GRN específicas y sistemas de reacciones químicas. Asimismo, se pueden modelar perturbaciones genéticas como deleciones génicas, sobreexpresión génica, inserciones y mutaciones de cambio de marco de lectura.

La red de regulación génica (GRN) se crea a partir de un grafo con la topología deseada, imponiendo distribuciones de grado de entrada y salida. Las actividades de los promotores génicos se ven afectadas por los productos de expresión de otros genes que actúan como entradas, ya sea como monómeros o combinados en multímeros, y se clasifican como directas o indirectas. A continuación, cada entrada directa se asigna a un sitio operador, permitiendo o no que diferentes factores de transcripción compitan por dicho sitio, mientras que a las entradas indirectas se les asigna un objetivo. Finalmente, se asigna una función a cada gen, definiendo su respuesta a una combinación de factores de transcripción (estado del promotor). Las funciones de transferencia (es decir, cómo responden los genes a una combinación de entradas) pueden asignarse a cada combinación de estados del promotor según se desee.

En otros trabajos recientes, se han desarrollado modelos multiescala de redes reguladoras de genes que se centran en aplicaciones de biología sintética. Se han utilizado simulaciones que modelan todas las interacciones biomoleculares en la transcripción, traducción, regulación e inducción de redes reguladoras de genes, guiando el diseño de sistemas sintéticos. ^{[ 54 ]}

Existen tres clases de esclerosis múltiple: remitente-recurrente (EMRR), primaria progresiva (EMPP) y secundaria progresiva (EMSP). La red de regulación génica (GRN) desempeña un papel fundamental para comprender el mecanismo de la enfermedad en estas tres clases diferentes de esclerosis múltiple. ^{[ 58 ]}