Метаболизм в биологии это: Метаболизм клетки (биология, 10 класс)

23.10.1981 alexxlab 0 Comment

Содержание

Гомеостаз. Метаболизм — урок. Биология, Общие биологические закономерности (9–11 класс).

В любом живом организме необходимо, чтобы состав внутренней среды был постоянным, т. е. чтобы поддерживался гомеостаз.

Гомеостаз — постоянство внутренней среды биологических систем.

Гомеостаз обеспечивается двумя противоположными типами химических реакций: реакциями синтеза сложных органических веществ — ассимиляцией, или анаболизмом, и реакциями расщепления этих веществ — диссимиляцией, или катаболизмом.

Ассимиляция (анаболизм, пластический обмен) — это реакции образования сложных органических веществ, протекающие с затратами энергии.

К пластическому обмену относятся фотосинтез, биосинтез белков, нуклеиновых кислот, липидов, углеводов. Такие реакции наиболее интенсивно протекают в клетках растущего организма.

Для осуществления пластического обмена необходима энергия. Клетка получает её из реакций распада запасённых или поступивших извне органических соединений. При участии ферментов эти вещества разлагаются на более простые соединения. Высвобождаемая при этом энергия частично выделяется в виде тепла, а также аккумулируется в виде молекул АТФ. Энергия АТФ расходуется на

обеспечение всех процессов жизнедеятельности клетки.

Диссимиляция (катаболизм, энергетический обмен) — это реакции распада и окисления веществ, протекающие с выделением и запасанием энергии.

Анаболизм и катаболизм являются противоположными процессами: в первом случае вещества образуются, а энергия тратится, во втором — вещества распадаются, а энергия запасается. Эти процессы составляют единый обмен веществ, или метаболизм.

Обмен веществ (метаболизм) — это все химические превращения, которые происходят в живом организме.

Две стороны обмена веществ взаимосвязаны. В клетке и в организме эти процессы протекают скоординировано и находятся в равновесии. Нарушение равновесия может привести к гибели клеток и к тяжёлым заболеваниям.

Рис. \(1\). Две стороны обмена веществ

Источники:

Рис. 1. Две стороны обмена веществ. © ЯКласс.

Метаболизм

Здравствуйте, уважаемые читатели блога репетитора биологии по Скайпу biorepet-ufa.ru.

Тема метаболизма или обмена веществ в клетке — это, можно сказать, «краеугольный камень» в понимании самих основ жизненных процессов, в описании того, что лежит вообще в основе жизни.

Мне, как репетитору биологии по Скайпу, приходится констатировать, что понимание проблемы клеточного метаболизма вызывает определенные трудности у многих.

Буквально на одной страничке этого поста с помощью наглядной схемы как «живет жизнь» попытаемся разобраться

В чем возможные причины плохого усвоения данной темы

На мой взгляд, вопросы обмена веществ в клетке или клеточный метаболизм вызывают затруднения в понимании сути процессов не потому, что это что-то сверхсложное, а скорее всего из-за:

1) обилия синонимической терминологии, которая буквально затмевает сознание;

2) неправильного двойственного понимания описываемого явления и

3) отсутствия наглядного схематичного представления метаболизма у организмов с разным типом питания (автотрофы, гетеротрофы).

Итак, по первому вопросу

Как репетитору по биологии, мне давно стало понятно, что если все термины объединить в какую-то систему в одном месте, то все быстро становится на свои места. Через пару минут и вам тема метаболизма уже не будет казаться свалкой терминов.

Если у термина «обмен веществ» всего один синоним — «метаболизм», то названия ВСЕГО ДВУХ разнонаправленных процессов, из которых складывается обмен веществ в клетке, включают по три наименования!

Синонимами термину

пластический обмен (или СИНТЕЗ органических веществ) являются еще термины ассимиляция и анаболизм.

Синонимами термину энергетический обмен (заключающемуся в РАСПАДЕ органических веществ с высвобождением энергии), являются еще и такие термины, как диссимиляция и катаболизм. Эти термины для удобства запоминания в табличке ниже расположены напротив друг друга. По второму вопросу

В чем проявляется двойственность в определении описываемых явлений? Да в том, что в учебных руководствах описанию процессов синтеза органических веществ часто сопутствует такая фраза

: «при пластическом обмене идет запасание энергии«.

Как же так, выше я привожу табличку для лучшего запоминания, что энергия высвобождается лишь в процессах распада органических веществ. На создание новых органических веществ она тратится. А тут говорится, что и при пластическом обмене она запасается. И как это понимать?

А так: надо иметь четкое разграничение между понятиями универсального, реального на любой момент времени жизни клетки источника энергии, каковыми являются молекулы АТФ и потенциально возможными источниками извлечения энергии из органических веществ клетки.

Итак, важно помнить, что универсальный перманентный источник энергии в любых клетках, любых живых систем — аденозинтрифосфорная кислота — АТФ, в макроэнергетических связях которой временно сосредотачивается большое количество энергии. Откуда берется эта энергия? В результате

энергетического обмена при распаде потенциально богатых энергией органических веществ.

Эта энергия макроэнергетических связей АТФ тратится на осуществление процессов синтеза, поскольку создаются богатые энергией органические вещества в пластическом обмене.

Любой многоклеточный организм существует пока в его клетках слаженно идут процессы расщепления поступивших веществ для выработки энергии и синтеза необходимых организму собственных веществ.

Третий момент — обещанная наглядность: схема как «живет жизнь»

Что здесь главное

* В основании жизни «лежат» совершенно особенные, присущие только живым системам органические вещества: крупные молекулы жиров (липидов), моно- и полисахариды (углеводы), и крупные гетерополимерные молекулы нуклеиновых кислот и белков, определяющие все разнообразие жизни на Земле.

* Существует всего два пути создания органических веществ в мире живого:

у автотрофов — путем автотрофной ассимиляции из неорганических веществ СО

2, Н₂О, NH₃ за счет энергии солнечного света (у фототрофов) или энергии окисления неорганических веществ (у хемотрофов); Почему на схеме стрелка «автотрофная ассимиляция» имеет два цвета? Потому что у автотрофных организмов внешние источники энергии (красный цвет) и источники для создания органических веществ (желтый цвет) — разные.

у гетеротрофов — путем гетеротрофной ассимиляции чужеродных органических веществ за счет энергии окисления этих же веществ. Поэтому на схеме блок перевернутая трапеция «чужеродные органические вещества» — двухцветная. Это отражает то, что для гетеротрофных организмов источник энергии для жизни и источник создания собственных органических веществ один и тот же (чужеродные органические вещества).

* Само по себе существование такого сложного состояния материи как «жизнь» требует затраты энергии двоякого рода: а) для поддержания организма — энергии поддержания и б) для расширенного воспроизведения живой материи — функциональной энергии.

* Всю эту энергию в клетках поставляют высокоэнергетические соединения, прежде всего АТФ, образующиеся в процессах диссимиляции (расщепления) собственных органических веществ (у любых организмов) или поступивших извне (как у гетеротрофов).

____________________________________________

Ну как? Совсем ведь не сложно, видя эту схемку перед глазами, запомнить, что материальной основой жизни, её фундаментом, являются органические вещества.

А энергию: одни организмов получают только за счет окисления органических веществ (гетеротрофы), а другие — способны еще использовать световую энергию (фототрофы) или энергию окисления неорганических веществ (хемотрофы).

По теме пластического обмена необходимо хорошо разбираться в процессах синтеза углеводов растениями при фотосинтезе и в биосинтезе белка.

Энергетическому обмену бескислородному у

анаэробных организмов и кислородному (в митохондриях) у аэробных организмов посвящена следующая статья.

***************************************

У кого есть вопросы по статье к репетитору биологии по Скайпу, замечания, пожелания — прошу в комментарии.

«Обмен веществ. Метаболизм». 9-й класс

Цели урока:

познакомить учащихся с понятием «обмен веществ в организме», показать, что ассимиляция и диссимиляция — это два взаимосвязанных процесса;
обеспечить закрепление основных биологических понятий: пластический и энергетический обмен; анаболизм, катаболизм, метаболизм, фотосинтез, ассимиляция, диссимиляция, распад;

формировать умение выделять сущность процесса в изучаемом материале; обобщать и сравнивать, делать выводы; работать с текстом, схемами, другими источниками;
реализация творческого потенциала учащихся, развитие самостоятельности;
понимать влияние обмена веществ на сохранение и укрепление здоровья.

Элементы содержания: ассимиляция, диссимиляция, анаболизм, катаболизм, пластический обмен, энергетический обмен, метаболизм, обмен веществ.

Тип урока: изучение нового материала.

Оборудование: таблицы «Обмен веществ в организме», «Биосинтез белка», «Гликолиз».

Ход урока

I. Организационный момент

II. Проверка домашнего задания

1) Биологический диктант (допишите незаконченное предложение)

Фронтальный опрос

По строению органоиды клетки делятся на __________ (мембранные и немембранные).
Лизосомы содержат ______ (пищеварительные ферменты).
Митохондрии являются _____________ (энергетическим центром клетки).
Рибосомы состоят из _______ (белка и РНК).
Выросты внутренней мембраны митохондрий называются ________
(кристами).
Пластиды характерны только для _______ (растительных клеток).
Лизосомы образуются в ________ (комплексе Гольджи).
ЭПС участвует во внутриклеточной _________ (транспортировке веществ).
Стопки мембран в пластидах, содержащие хлорофилл, называются ______ (гранами).
Синтез белка осуществляется при помощи ________ (рибосом).

III. Изучение нового материала

Актуализация знаний

Процесс тот имеет две стороны.
Обе они организму нужны:
За счет одного он рост прибавляет,

Энергию в клетках другой запасает.
(Обмен веществ = метаболизм;
пластический обмен = ассимиляция = анаболизм;
энергетический обмен = диссимиляция = катаболизм)
Реакции синтеза в клетках идут,
… тот вид обмена зовут.
(Пластическим)
Глюкоза спешит в гликоген превращаться,
А в жир — глицерин, ну куда им деваться?
Сцепились аминокислоты в белки.
Ты этот процесс мне назвать помоги.
(Анаболизм = ассимиляция)
Распада реакций — каскад в организме!
Важен этап этот для нашей жизни:
Энергию клеткам он нашим дает,
К развитию, росту он тканей ведет.
(Катаболизм = диссимиляция)

Задание: сравните два определения, найдите, есть ли в них отличие или они сходны. Чем вы это можете объяснить?

Метаболизм — ряд стадий, на каждой из которых молекула под действием ферментов слегка видоизменяется до тех пор, пока не образуется необходимое организму соединение.

Обмен веществ — последовательное потребление, превращение, использование, накопление и потеря веществ и энергии в живых организмах в процессе их жизни.

Объяснение учителя, показ презентации: Обмен веществ складывается из двух взаимосвязанных процессов — анаболизма и катаболизма.

Ассимиляция, или анаболизм (пластический обмен), — совокупность химических процессов, направленных на образование и обновление структурных частей клеток

1. В ходе ассимиляции происходит биосинтез сложных молекул из простых молекул-предшественников или из молекул веществ, поступивших из внешней среды.

2. Важнейшими процессами ассимиляции являются синтез белков и нуклеиновых кислот (свойственный всем организмам) и синтез углеводов (только у растений, некоторых бактерий и Цианобактерий).

3. В процессе ассимиляции при образовании сложных молекул идет накопление энергии, главным образом в виде химических связей.

Диссимиляция, или катаболизм (энергетический обмен), — совокупность реакций, в которых происходит распад органических веществ с высвобождением энергии

1. При разрыве химических связей в молекулах органических соединений энергия высвобождается и запасается в виде молекул аденозинтрифосфорной кислоты (АТФ).

2. Синтез АТФ у эукариот происходит в митохондриях и хлоропластах, а у прокариот — в цитоплазме, на мембранных структурах.

3. Диссимиляция обеспечивает все биохимические процессы в клетке энергией.

Самостоятельная работа по вариантам с биологическим текстом (работа в парах) Учащиеся каждого варианта работают с текстом, а затем формулируют ответ, дополняют его. Происходит обсуждение, в ходе которого формулируются и записываются ответы на проблемные вопросы.

1 вариант

Прочитайте текст

Пластический обмен.

Пластический обмен (ассимиляция) — это совокупность реакций анаболизма (биосинтеза), или создание сложных молекул из простых. Процессы анаболизма, происходящие в зелѐных растениях с использованием солнечной энергии, имеют планетарное значение, играя решающую роль в синтезе органических веществ из неорганических (фотосинтез). Очень интенсивно анаболизм происходит в периоды роста: у животных — в молодом возрасте, у растений — в течение вегетационного периода. В клетке постоянно синтезируются белки из аминокислот, жиры из глицерина и жирных кислот, углеводы из моносахаридов, нуклеотиды из азотистых оснований и сахаров. Все реакции биосинтеза идут с поглощением энергии, которая освобождается при расщеплении молекулы АТФ, образовавшейся в ходе энергетического обмена.

Ответьте на вопросы.

Какие ещё термины употребляются при данном типе обмена.
Что происходит с энергией?
Что происходит с АТФ?

Подготовьте общий ответ на поставленные вопросы.

2 вариант

Прочитайте текст

Энергетический обмен.

Энергетический обмен или катаболизм — это совокупность реакций распада сложных органических соединений до более простых молекул или окисления какого-либо вещества, обычно протекающего с высвобождением энергии. Катаболические реакции лежат в основе диссимиляции: утраты сложными веществами своей специфичности для данного организма в результате распада до более простых. Расщепление органических веществ осуществляется в цитоплазме и митохондриях с участием кислорода. Ряд процессов диссимиляции ‒ дыхание, брожение и гликолиз ‒ занимает центральное место в обмене веществ. Энергия, освобождающаяся при распаде органических веществ, не сразу используется клеткой, а запасается в форме АТФ (аденозинтрифосфорной кислоты) и других высокоэнергетических соединений. АТФ — универсальный источник энергообеспечения КЛЕТКИ. Синтез АТФ происходит в клетках всех организмов в процессе фосфорилирования — присоединения неорганического фосфата к АДФ.

Ответьте на вопросы.

Какие ещё термины употребляются при данном типе обмена.
Что происходит с энергией?
Что происходит с АТФ?

IV. Рефлексия

Процессы	Ассимиляция	Диссимиляция
1. Что происходит с энергией?
2. Что происходит с веществами?
3. Начальные продукты процесса
4. Конечные продукты процесса
5. В каком виде используется или расходуется энергия?

V. Домашнее задание

§ 2.8, № 70, 71 в рабочей тетради.

Дополнительный материал к уроку

Особенности обмена веществ у различных организмов

Для каждого живого организма характерен особый, генетически закрепленный тип обмена веществ, зависящий от условий ѐго существования и от отношения площади поверхности тела к его массе. Это отношение тем больше, чем меньше животное. Следовательно, у крупных животных интенсивность обмена веществ ниже, чем у мелких.
Интенсивность обмена веществ у человека условно принята за единицу.
- Слон — 0,33
- Лошадь — 0,52
- Овца — 1,05
- Собака — 1,57
- Землеройка — 35,24
Если землеройка будет без пищи 7-9 часов, она погибнет!
В организме человека и животных имеет место гормональная регуляция обмена веществ, координируемая центральной нервной системой.
В растущем организме процессы ассимиляции преобладают над процессами диссимиляции, благодаря чему обеспечивается накопление веществ и роста организма. Это компенсируется усиленным питанием.
При интенсивной физической работе и в старости преобладают процессы диссимиляции. При этом происходит постепенное истощение организма и в конечном итоге гибель организма.
Во время фотосинтеза зеленые растения способны преобразовывать световую энергию Солнца в энергию химических связей органических веществ. В частности, из энергетически бедных веществ СО₂ и Н₂О они синтезируют богатые энергией углеводы и выделяют кислород.

обмен веществ и энергии в клетке кратко, процессы (Таблица, схема)

Метаболизм — это обмен веществ и превращение энергии в клетке, сложная цепь превращений веществ в организме начиная с момента их поступления из внешней среды и кончая удалением продуктов распада. В процессе обмена организм получает вещества для построения клеток и энергию для жизненных процессов. Поэтому выделяются два вида обмена: пластический и энергетический.

Пластическим обменом (анаболизм или ассимиляция) — это совокупность реакций, способствующих построению клетки и обновлению ее состава.

Энергетический обмен (катаболизм, диссимиляция) — совокупность реакций, обеспечивающих клетку энергией.

Метаболизм его процессы катаболизм и анаболизм таблица

Признаки	Катаболизм (диссимиляция)	Анаболизм (ассимиляция)
Определение	Катаболизм — это совокупность ферментативных реакций в живом организме, направленных на расщепление сложных органических веществ (белков, липидов, углеводов, нуклеиновых кислот), поступающих с пищей или запасенных в самом организме. Метаболические процессы, которые разрушают простые вещества в сложные молекулы. Конечные продукты распада CO₂ и H₂O.	Анаболизм — это совокупность химических процессов в живом организме, направленных на образование и обновление структурных частей клеток и тканей. При этом идет синтез сложных молекул (белков, жиров, углеводов) из более простых с накоплением энергии.
Вид обмена	Энергетический обмен	Пластический обмен
Энергии	— Освобождает энергию АТФ — Потенциальная энергия, превращенная в кинетическую энергию	— Требуется энергия от распада АТФ, окисления неорганических веществ, солнечного света — Кинетическая энергия, превращенная в потенциальную энергию
АТФ	образуется, накапливается	расходуется
Тип реакции	экзэргонических	эндергонических
Гормоны	Адреналин, глюкагон, цитокины, кортизол	Эстроген, тестостерон, гормон роста, инсулин
Значение	— Обеспечивает энергию для анаболизма — нагревает тело — Позволяет сокращать мышцы	— Поддерживает новый рост клеток — Поддерживает хранение энергии — Техобслуживание тканей
Кислород	Использует кислород	Не использует кислород
Процессы (примеры)	К катаболическим процессам относятся реакции биологического окисления: — Дыхание клеток — Гликолиз — Брожение — Пищеварение — Экскреция	К анаболическим процессам относятся: — Биосинтез белка — Хемосинтез — Фотосинтез растений — Ассимиляция у животных

Схема обмен веществ и энергии в клетке — метаболизм

Схема метаболизма (вариант 2)

_______________

Источник информации: Биология в таблицах и схемах / Спб. — 2004.

Метаболизм — теория

Вернуться к теме «Метаболизм»

Обязательным условием существования любого организма является постоянный приток питательных веществ и постоянное выделение конечных продуктов химических реакций, происходящих в клетках. В любой живой клетке постоянно происходят сложнейшие химические и физические реакции, необходимые для того, чтобы обеспечить постоянство условий внутренней среды как в самой клетке, так и в многоклеточном организме, находящемся под воздействием постоянно меняющихся внешних факторов.

Постоянство внутренней среды биологических систем получило название гомеостаза. Если гомеостаз нарушается, это ведет к тому, что клетки и организм в целом повреждаются или даже могут погибнуть, то есть функция гомеостатических механизмов заключается в том, что они поддерживают независимость организма от внешней среды в той мере, в какой эти механизмы эффективны. Все реакции, протекающие в клетке, направлены на поддержание гомеостаза, а для этого необходимы вещества и энергия. Таким образом, клетка осуществляет сложные и многообразные реакции синтеза необходимых веществ и, наоборот, распада ненужных, а также реакции превращения энергии.

Получаемы извне белки, жиры, углеводы, витамины и микроэлементы необходимы клетке для синтеза или строительства нужных им веществ и построения клеточных структур. Для этих процессов необходима энергия. Вся совокупность реакций биосинтеза веществ и их последующей сборки в более крупные структуры называется ассимиляцией, или анаболизмом, еще одно название этого набора реакций – пластический обмен.

Особенно интенсивно процессы ассимиляции происходят в растущих клетках развивающегося организма. Важнейшим примером такого рода процессов может служить биосинтез белка. В клетках постоянно распадаются органические вещества, либо полученные извне с пищей, либо запасенные «на черный день». При распаде этих молекул выделяется энергия, часть которой теряется, рассеиваясь с теплом, а часть запасается в виде молекул АТФ. В случае необходимости энергия АТФ используется для энергетических затрат клетки, в частности для обеспечения процессов ассимиляции.

Совокупность реакций распада веществ, сопровождающихся выделением и запасанием энергии, называется диссимиляцией, или катаболизмом. Еще одно название этих реакций – энергетический обмен.

Ассимиляция и диссимиляция – противоположные процессы: в первом случае происходит образование веществ, на что тратится энергия, а во втором – распад веществ с выделением и запасанием энергии. Эти процессы невозможны друг без друга, так как если не синтезировать и не запасать органические вещества, то и распадаться будет нечему. А если прекратятся реакции распада, то не будет синтезироваться АТФ, что приведет к невозможности синтеза веществ из-за нехватки энергии. Таким образом, реакции ассимиляции и диссимиляции – это две стороны единого процесса обмена веществ и энергии в клетке, который называется метаболизм.

Реакции метаболизма в живых клетках протекают при умеренной температуре, нормальном давлении и незначительном колебании кислотности. Вне живых организмов при таких условиях все химические реакции ассимиляции и диссимиляции или вообще не могли бы протекать, или протекали бы медленно. Однако в живых организмах эти реакции проходят очень быстро, это обусловливается участием в них ферментов. Белки-ферменты катализируют все биохимические процессы, протекающие в организме, и могут работать в таких мягких условиях.

Так как активность ферментов очень высока, то для обеспечения нормальной скорости метаболических процессов требуется очень малое количество молекул ферментов. Но поскольку ферменты действуют избирательно, клетке необходимо очень много видов ферментов. Например, фермент амилаза катализирует распад в ротовой полости крахмала: без этого фермента реакция не идет. Фермент уреаза катализирует расщепление мочевины до аммиака и угольной кислоты, но не действует на другие родственные мочевине соединения.

Обмен веществ и энергии

Основные понятия

Определение 1

Обмен веществ и энергии, или метаболизм – это физиологические процессы обеспечения организма необходимыми для его нормального функционирования соединениями, их превращение, получение энергии и выведения во внешнюю среду ненужных соединений произошедших реакций.

В узком смысле, понятие «метаболизм» – это пути превращений определенного соединения или соединений в организме.

Метаболизм состоит из двух процессов:

Пластический обмен, анаболизм, ассимиляция, или синтез. Это поступление в организм через пищеварительную систему воды, белков, жиров, углеводов, минеральных солей, витаминов, через дыхательную систему, кожу — кислорода для построения мембран, клеточных структур и их обновления. Анаболические реакции – это реакции, участвующие в синтезе новых молекул, протекают с поглощением энергии.
Энергетический обмен, катаболизм, диссимиляция, или распад. Простыми словами – не как для реферата — это процессы выведения из организма отработанных продуктов. Такие процессы осуществляются через органы пищеварительного тракта, легкие, почки, кожу. Катаболические реакции – это реакции распада, протекающие с выделением энергии. Во время процессов энергетического обмена часть энергии рассеивается в виде тепла, а часть запасается в определенных органических веществах в виде макроэргических связей. Универсальным химическим аккумулятором энергии является АТФ – аденозинтрифосфорная кислота.

Все реакции анаболизма и катаболизма протекают с помощью энзимов (ферментов) – биологических катализаторов.

В процессе обмена веществ постоянно образуются, обновляются, расщепляются клеточные структуры, появляются и разрушаются разнообразные химические соединения. Все это сопровождается превращениями энергии: потенциальная энергия веществ, освобождаемая при расщеплении, переходит в кинетическую энергию, представленную, главным образом тепловой и механической энергиями, частично – электрической энергией.

С точки зрения биологии, поступление в организм различных веществ из внешней среды необходимо для:

Возмещения энергозатрат.
Удовлетворения потребностей роста
Сохранения массы тела.

При этом количество питательных веществ, их соотношение и свойства должны согласовываться с условиями жизни и общим состоянием организма. В зависимости от того, какой образ жизни ведет живой организм, какие складываются внешние условия в той среде, где он обитает, определяются конкретные численные значения потребностей в каждом веществе.

Готовые работы на аналогичную тему

Все реакции пластического и энергетического обмена протекают совместно, переходя друг в друга в организме в течение всей жизни. Соотношение реакций на разных стадиях развития организма отличается. В раннем возрасте преобладают реакции анаболизма, когда наблюдается интенсивный рост и развитие организма. По мере старения в организме основными становятся процессы катаболизма, синтез новых веществ постепенно угнетается.

Виды обмена веществ

Основными веществами, поступающими в организм человека, являются вода, минеральные соли, органические вещества: белки, витамины, углеводы и жиры. Для каждого вещества характерен свой путь метаболизма.

Существуют следующие виды обмена веществ:

Обмен воды и минеральных солей;
Обмен белков;
Обмен жиров;
Обмен углеводов.

Замечание 1

Большинство витаминов входят в состав ферментов, поэтому они выполняют в основном функцию катализаторов биохимических процессов.

Регуляция обмена веществ

Под регуляцией обмена веществ рассматривается регуляция почти всех функций организма: пищеварения, кровообращения, дыхания, выделения и др.

Основную роль в регуляции обмена веществ играет эндокринная система. Гормоны оказывают воздействие на скорость протекания биохимических процессов непосредственно в клетке. При совокупном их воздействии на отдельные клетки происходит изменение в функционировании организма в целом. К примеру,

Гормон гипофиза — соматотропный гормон проявляет выраженное анаболическое действие, он повышает синтез пластических веществ, ускоряет рост;
Катехоламины надпочечников усиливают энергообразование через окислительные процессы;
Тироксин и трийодтиронин – гормоны щитовидной железы – активируют разрушение углеводов и жиров, стимулируют образование белка из аминокислот.

В регуляции обмена веществ принимает участие нервная система – гипоталамус, который включает центры жажды, голода и насыщения, терморегуляции. Регуляция осуществляется через вегетативную нервную систему.

Замечание 2

Гипоталамус и гипофиз координируют функционирование почти всех желез внутренней секреции.

Энергетический обмен, подготовка к ЕГЭ по биологии

Обмен веществ

Обмен веществ (метаболизм) складывается из процессов расщепления и синтеза — диссимиляции и ассимиляции, постоянно протекающих в организме. Чтобы жизнь продолжалась, количество поступающей энергии должно превышать (или как минимум равняться) количеству расходуемой энергии, поэтому диссимиляция и ассимиляция поддерживают определенный баланс друг с другом.

Энергетический обмен

Энергетический обмен (диссимиляция — от лат. dissimilis ‒ несходный) — обратная ассимиляции сторона обмена веществ, совокупность реакций, которые приводят к высвобождению энергии химических связей. Это реакции расщепления жиров, белков, углеводов, нуклеиновых кислот до простых веществ.

Возможно три этапа диссимиляции: подготовительный, анаэробный и аэробный. Среда обитания определяет количество этапов диссимиляции. Их может быть три, если организм обитает в кислородной среде, и два, если речь идет об организме, обитающем в бескислородной среде (к примеру, в кишечнике).

Обсудим этапы энергетического обмена более подробно:

Подготовительный этап

Подготовительный этап осуществляется ферментами в ЖКТ. В результате действия ферментов сложные вещества превращаются в более простые: полимеры распадаются на мономеры. Это сопровождается разрывом химических связей и выделением энергии, большая часть которой рассеивается в виде тепла.

Под действием ферментов белки расщепляются на аминокислоты, жиры — на глицерин и жирные кислоты, сложные углеводы — до простых сахаров.

Бескислородный этап (анаэробный) — гликолиз

Этот этап является последним для организмов-анаэробов, обитающих в условиях, где кислород отсутствует. На этапе гликолиза происходит расщепление молекулы глюкозы: образуется 2 молекулы АТФ и 2 молекулы пировиноградной кислоты (ПВК). Происходит данный этап в цитоплазме клеток.

Кислородный этап (аэробный)

Этот этап доступен только для аэробов — организмов, живущих в кислородной среде. Из каждой молекулы ПВК, образовавшейся на этапе гликолиза, синтезируется 18 молекул АТФ — в сумме с двух ПВК выход составляет 36 молекул АТФ.

Таким образом, суммарно с одной молекулы глюкозы можно получить 38 АТФ (гликолиз + кислородный этап).

Кислородный этап протекает на кристах митохондрий (складках, выпячиваниях внутренней мембраны), где наибольшая концентрация окислительных ферментов. Главную роль в этом процессе играет так называемый цикл Кребса, который подробно изучает биохимия.

АТФ — аденозинтрифосфорная кислота

Трудно переоценить роль в клетке АТФ — универсального источника энергии. Молекула АТФ состоит из азотистого основания — аденина, углевода — рибозы и трех остатков фосфорной кислоты.

Между остатками фосфорной кислоты находятся макроэргические связи — ковалентные связи, которые гидролизуются с выделением большого количества энергии. Их принято обозначать типографическим знаком тильда «∽».

АТФ гидролизуется до АДФ (аденозиндифосфорная кислота), а затем и до АМФ (аденозинмонофосфорная кислота). Гидролиз АТФ сопровождается выделением энергии (E) на каждом этапе и может быть представлен такой схемой:

АТФ + H₂O = АДФ + H₃PO₄ + E
АДФ + H₂O = АМФ + H₃PO₄ + E
АМФ + H₂O = аденин + рибоза + H₃PO₄ + E

Пластический обмен

АТФ является универсальным источником энергии в клетке: энергия макроэргических связей АТФ используется для реакций пластического обмена (ассимиляции), протекающих с затратой энергии: синтеза белка на рибосоме (трансляции), удвоению ДНК (репликации) и т.д.

В результате пластического обмена в нашем организме происходит синтез белков, жиров и углеводов.

Данная статья написана Беллевичем Юрием Сергеевичем и является его интеллектуальной собственностью. Копирование, распространение (в том числе путем копирования на другие сайты и ресурсы в Интернете) или любое иное использование информации и объектов без предварительного согласия правообладателя преследуется по закону. Для получения материалов статьи и разрешения их использования, обратитесь, пожалуйста, к Беллевичу Юрию.

6.1A: роль энергии и метаболизма

Последнее обновление
Сохранить как PDF

Ключевые моменты
Ключевые термины
Энергия и метаболизм
Биоэнергетика и химические реакции
Клеточный метаболизм

Всем организмам требуется энергия для выполнения задач; метаболизм — это набор химических реакций, которые высвобождают энергию для клеточных процессов.

Цели обучения

Объяснить важность обмена веществ

Ключевые моменты

Все живые организмы нуждаются в энергии для роста и воспроизводства, поддержания своей структуры и реагирования на окружающую среду; метаболизм — это набор процессов, делающих энергию доступной для клеточных процессов.
Метаболизм — это комбинация химических реакций, которые являются спонтанными и высвобождают энергию, и химических реакций, которые не являются спонтанными и требуют энергии для протекания.
Живые организмы должны получать энергию через пищу, питательные вещества или солнечный свет, чтобы выполнять клеточные процессы.
Транспортировка, синтез и расщепление питательных веществ и молекул в клетке требует использования энергии.

Ключевые термины

метаболизм : полный набор химических реакций, происходящих в живых клетках
биоэнергетика : изучение преобразований энергии, происходящих в живых организмах
энергия : работоспособность

Энергия и обмен веществ

Все живые организмы нуждаются в энергии для роста и воспроизводства, поддержания своей структуры и реагирования на окружающую среду.Метаболизм — это набор поддерживающих жизнь химических процессов, которые позволяют организмам преобразовывать химическую энергию, хранящуюся в молекулах, в энергию, которая может использоваться для клеточных процессов. Животные потребляют пищу для восполнения энергии; их метаболизм расщепляет углеводы, липиды, белки и нуклеиновые кислоты, чтобы обеспечить химическую энергию для этих процессов. В процессе фотосинтеза растения преобразуют световую энергию солнца в химическую энергию, хранящуюся в молекулах.

Биоэнергетика и химические реакции

Ученые используют термин биоэнергетика, чтобы обсудить концепцию потока энергии через живые системы, такие как клетки.Клеточные процессы, такие как построение и разрушение сложных молекул, происходят в результате пошаговых химических реакций. Некоторые из этих химических реакций являются спонтанными и высвобождают энергию, тогда как другие требуют энергии для протекания. Все химические реакции, происходящие внутри клеток, включая те, которые используют энергию, и те, которые высвобождают энергию, являются метаболизмом клетки.

Рисунок \ (\ PageIndex {1} \): Большая часть энергии прямо или косвенно исходит от Солнца. : Большинство форм жизни на Земле получают энергию от Солнца.Растения используют фотосинтез для улавливания солнечного света, а травоядные животные поедают эти растения для получения энергии. Плотоядные животные поедают травоядных, а разлагатели переваривают растительную и животную материю.

Клеточный метаболизм

Любая задача, выполняемая живыми организмами, требует энергии. Энергия необходима для выполнения тяжелой работы и упражнений, но люди также расходуют много энергии во время размышлений и даже во время сна. При каждом действии, требующем энергии, происходит множество химических реакций, обеспечивающих химическую энергию системам тела, включая мышцы, нервы, сердце, легкие и мозг.

Живые клетки каждого организма постоянно используют энергию для выживания и роста. Клетки расщепляют сложные углеводы на простые сахара, которые клетка может использовать для получения энергии. Мышечные клетки могут потреблять энергию для построения длинных мышечных белков из небольших молекул аминокислот. Молекулы могут быть изменены и транспортироваться по клетке или могут быть распределены по всему организму. Так же, как энергия требуется как для строительства, так и для сноса здания, энергия требуется как для синтеза, так и для разрушения молекул.

Многие клеточные процессы требуют постоянного снабжения энергией, обеспечиваемой клеточным метаболизмом. Сигнальные молекулы, такие как гормоны и нейротрансмиттеры, должны быть синтезированы и затем транспортированы между клетками. Патогенные бактерии и вирусы попадают в организм и разрушаются клетками. Клетки также должны экспортировать отходы и токсины, чтобы оставаться здоровыми, и многие клетки должны плавать или перемещать окружающие материалы посредством биения клеточных придатков, таких как реснички и жгутики.

Рисунок \ (\ PageIndex {1} \): Прием пищи дает энергию для таких действий, как полет. : Колибри нужна энергия для поддержания длительных периодов полета.Колибри получает энергию от приема пищи и преобразования питательных веществ в энергию посредством ряда биохимических реакций. Летные мышцы птиц чрезвычайно эффективны в производстве энергии.

Сохранение и эволюционная модульность метаболизма | Genome Biology

Каспи Р., Фёрстер Х., Фулчер К.А., Хопкинсон Р., Ингрэм Дж., Кайпа П., Крамменакер М., Пейли С., Пик Дж., Ри С.И., Тиссье С., Чжан П., Карп П.Д.: MetaCyc: мультиорганизм база данных метаболических путей и ферментов.Nucleic Acids Res. 2006, 34: D511-516. 10.1093 / нар / gkj128.

PubMed CAS PubMed Central Статья Google ученый

Канехиса М., Гото С., Хаттори М., Аоки-Киношита К.Ф., Ито М., Кавасима С., Катаяма Т., Араки М., Хиракава М.: От геномики к химической геномике: новые разработки в KEGG. Nucleic Acids Res. 2006, 34: D354-357. 10.1093 / нар / gkj102.

PubMed CAS PubMed Central Статья Google ученый

Green ML, Karp PD: Байесовский метод определения отсутствующих ферментов в базах данных прогнозируемых метаболических путей. BMC Bioinformatics. 2004, 5: 76-10.1186 / 1471-2105-5-76.

PubMed PubMed Central Статья Google ученый

Ма Х., Цзэн А.П. Реконструкция метаболических сетей по данным генома и анализ их глобальной структуры для различных организмов. Биоинформатика. 2003, 19: 270-277. 10.1093 / биоинформатика / 19.2.270.

PubMed CAS Статья Google ученый

Пэли С.М., Карп П.Д.: Оценка расчетных прогнозов метаболических путей для Helicobacter pylori. Биоинформатика. 2002, 18: 715-724. 10.1093 / биоинформатика / 18.5.715.

PubMed CAS Статья Google ученый

Pinney JW, Shirley MW, McConkey GA, Westhead DR: metaSHARK: программное обеспечение для автоматического предсказания метаболической сети на основе последовательности ДНК и его применения к геномам Plasmodium falciparum и Eimeria tenella .Nucleic Acids Res. 2005, 33: 1399-1409. 10.1093 / нар / gki285.

PubMed CAS PubMed Central Статья Google ученый

Ромеро П., Вагг Дж., Грин М.Л., Кайзер Д., Крумменакер М., Карп П.Д.: Расчетное прогнозирование метаболических путей человека на основе полного генома человека. Genome Biol. 2005, 6: R2-10.1186 / GB-2004-6-1-r2.

PubMed PubMed Central Статья Google ученый

Ромеро П.Р., Карп П.П.: Использование функциональной и организационной информации для улучшения компьютерного прогнозирования единиц транскрипции в масштабах всего генома в базах данных пути-генома. Биоинформатика. 2004, 20: 709-717. 10.1093 / биоинформатика / btg471.

PubMed CAS Статья Google ученый

Чжу Д., Цинь З.С.: Структурное сравнение метаболических сетей в отобранных одноклеточных организмах. BMC Bioinformatics. 2005, 6: 8-10.1186 / 1471-2105-6-8.

PubMed PubMed Central Статья Google ученый

10.

Jeong H, Tombor B, Albert R, Oltvai ZN, Barabasi AL: крупномасштабная организация метаболических сетей. Природа. 2000, 407: 651-654. 10.1038 / 35036627.

PubMed CAS Статья Google ученый

11.

Альберт Р., Чон Х., Барабаси А. Л.: Устойчивость к ошибкам и атакам сложных сетей.Природа. 2000, 406: 378-382. 10.1038 / 35019019.

PubMed CAS Статья Google ученый

12.

Арита М: метаболический мир Escherichia coli не мал. Proc Natl Acad Sci USA. 2004, 101: 1543-1547. 10.1073 / pnas.0306458101.

PubMed CAS PubMed Central Статья Google ученый

13.

Берг Дж, Лассиг М., Вагнер А: Структура и эволюция сетей взаимодействия белков: статистическая модель для динамики связей и дупликаций генов.BMC Evol Biol. 2004, 4: 51-10.1186 / 1471-2148-4-51.

PubMed PubMed Central Статья Google ученый

14.

Бутланд Дж., Перегрин-Альварес Дж. М., Ли Дж., Ян В., Ян Х, Канадиен В., Старостин А., Ричардс Д., Битти Б., Кроган Н., Дэйви М., Паркинсон Дж., Гринблатт Дж., Эмили А.: Сеть взаимодействия, содержащая консервативные и незаменимые белковые комплексы в Escherichia coli . Природа. 2005, 433: 531-537. 10.1038 / природа03239.

PubMed CAS Статья Google ученый

15.

Шаран Р., Сутрам С., Келли Р.М., Кун Т., МакКуин С., Уетц П., Ситтлер Т., Карп Р.М., Идекер Т.: Консервированные паттерны взаимодействия белков у многих видов. Proc Natl Acad Sci USA. 2005, 102: 1974–1979. 10.1073 / pnas.0409522102.

PubMed CAS PubMed Central Статья Google ученый

16.

Ямада Т., Канехиса М., Гото С.: Извлечение модулей филогенетической сети из метаболической сети.BMC Bioinformatics. 2006, 7: 130-10.1186 / 1471-2105-7-130.

PubMed CAS PubMed Central Статья Google ученый

17.

Kim HS, Mittenthal JE, Caetano-Anolles G: MANET: отслеживание эволюции белковой архитектуры в метаболических сетях. BMC Bioinformatics. 2006, 7: 351-10.1186 / 1471-2105-7-351.

PubMed PubMed Central Статья Google ученый

18.

Peregrin-Alvarez JM, Tsoka S, Ouzounis CA: Филогенетическая степень метаболических ферментов и путей. Genome Res. 2003, 13: 422-427. 10.1101 / gr.246903.

PubMed CAS PubMed Central Статья Google ученый

19.

Раваш Э., Сомера А.Л., Монгру Д.А., Олтвай З.Н., Барабаши А.Л .: Иерархическая организация модульности в метаболических сетях. Наука. 2002, 297: 1551-1555. 10.1126 / science.1073374.

PubMed CAS Статья Google ученый

20.

Ривес А.В., Галицкий Т .: Модульная организация сотовых сетей. Proc Natl Acad Sci USA. 2003, 100: 1128-1133. 10.1073 / pnas.0237338100.

PubMed CAS PubMed Central Статья Google ученый

21.

Корк Дж. М., Пуругганан М. Д.: Эволюция молекулярно-генетических путей и сетей. Биологические исследования. 2004, 26: 479-484. 10.1002 / bies.20026.

PubMed CAS Статья Google ученый

22.

Чжао Дж, Дин Г.Х., Тао Л., Ю Х, Юй Чж, Ло Дж. Х, Цао З. В., Ли YX: Модульная коэволюция метаболических сетей. BMC Bioinformatics. 2007, 8: 311-10.1186 / 1471-2105-8-311.

PubMed PubMed Central Статья Google ученый

23.

Краймер А., Боренштейн Е., Гофна Ю., Руппин Е.: Эволюция модульности в бактериальных метаболических сетях. Proc Natl Acad Sci USA. 2008, 105: 6976-6981. 10.1073 / pnas.0712149105.

PubMed CAS PubMed Central Статья Google ученый

24.

Snel B, Huynen MA: Количественная оценка модульности в эволюции биомолекулярных систем. Genome Res. 2004, 14: 391-397. 10.1101 / гр.1969504.

PubMed CAS PubMed Central Статья Google ученый

25.

Бернал А., Эр У, Кирпидес Н: База данных Genomes OnLine (GOLD): мониторинг геномных проектов во всем мире. Nucleic Acids Res. 2001, 29: 126-127. 10.1093 / nar / 29.1.126.

PubMed CAS PubMed Central Статья Google ученый

26.

Перегрин-Альварес Дж. М., Ям А., Сивакумар Дж., Паркинсон Дж.: PartiGeneDB — сопоставление частичных геномов. Nucleic Acids Res. 2005, 33: D303-307. 10.1093 / нар / gki109.

PubMed CAS PubMed Central Статья Google ученый

27.

Parkinson J, Anthony A, Wasmuth J, Schmid R, Hedley A, Blaxter M: PartiGene — конструирование частичных геномов. Биоинформатика. 2004, 20: 1398-1404. 10.1093 / биоинформатика / bth201.

PubMed CAS Статья Google ученый

28.

Ginsburg H: Caveat emptor: ограничения автоматизированной реконструкции метаболических путей в Plasmodium . Trends Parasitol. 2009, 25: 37-43. 10.1016 / июль 2008.08.012.

PubMed CAS Статья Google ученый

29.

Фришман Д., Альберман К., Хани Дж., Хойманн К., Метаномски А., Цолльнер А., Мьюз Х. У.: Функциональная и структурная геномика с использованием PEDANT. Биоинформатика. 2001, 17: 44-57. 10.1093 / биоинформатика / 17.1,44.

PubMed CAS Статья Google ученый

30.

Мальцев Н., Гласс Е., Сулахе Д., Родригес А., Сайед М. Х., Бомпада Т., Чжан Ю., Д’Суза М.: PUMA2 — высокопроизводительный анализ геномов и метаболических путей на основе сетки. Nucleic Acids Res. 2006, 34: D369-372. 10.1093 / нар / gkj095.

PubMed CAS PubMed Central Статья Google ученый

31.

Claudel-Renard C, Chevalet C, Faraut T, Kahn D: Ферментоспецифические профили для аннотации генома: PRIAM. Nucleic Acids Res. 2003, 31: 6633-6639. 10.1093 / нар / gkg847.

PubMed CAS PubMed Central Статья Google ученый

32.

Перегрин-Альварес Дж. М., Паркинсон Дж .: Глобальный ландшафт разнообразия последовательностей. Genome Biol. 2007, 8: R238-10.1186 / gb-2007-8-11-r238.

PubMed PubMed Central Статья Google ученый

33.

Freilich S, Goldovsky L, Ouzounis CA, Thornton JM: Метаболические инновации в направлении человеческого происхождения. BMC Evol Biol. 2008, 8: 247-10.1186 / 1471-2148-8-247.

PubMed PubMed Central Статья Google ученый

34.

Футерман А.Х., Ханнун Ю.А.: Сложная жизнь простых сфинголипидов. EMBO Rep. 2004, 5: 777-782. 10.1038 / sj.embor.7400208.

PubMed CAS PubMed Central Статья Google ученый

35.

Pattni K, Banting G: метаболизм Ins (1,4,5) P3 и семейство киназ IP3-3. Сотовый сигнал. 2004, 16: 643-654. 10.1016 / j.cellsig.2003.10.009.

PubMed CAS Статья Google ученый

36.

Ramstedt B, Slotte JP: Мембранные свойства сфингомиелинов. FEBS Lett. 2002, 531: 33-37. 10.1016 / S0014-5793 (02) 03406-3.

PubMed CAS Статья Google ученый

37.

Rehr SS, Janzen DH, Feeny PP: L-Dopa в семенах бобовых: химический барьер для нападения насекомых. Наука. 1973, 181: 81-82. 10.1126 / science.181.4094.81.

PubMed CAS Статья Google ученый

38.

Икеда Х., Исикава Дж., Ханамото А., Шиносе М., Кикучи Х., Шиба Т., Сакаки Ю., Хаттори М., Омура С. Полная последовательность генома и сравнительный анализ промышленного микроорганизма Streptomyces avermitilis . Nat Biotechnol.2003, 21: 526-531. 10.1038 / nbt820.

PubMed Статья Google ученый

39.

Bok JW, Hoffmeister D, Maggio-Hall LA, Murillo R, Glasner JD, Keller NP: Геномный майнинг для Aspergillus натуральных продуктов. Chem Biol. 2006, 13: 31-37. 10.1016 / j.chembiol.2005.10.008.

PubMed CAS Статья Google ученый

40.

Taniguchi N, Miyoshi E, Gu J, Honke K, Matsumoto A: Расшифровка функций сахара путем идентификации целевых гликопротеинов.Curr Opin Struct Biol. 2006, 16: 561-566. 10.1016 / j.sbi.2006.08.011.

PubMed CAS Статья Google ученый

41.

Ohtsubo K, Marth JD: гликозилирование в клеточных механизмах здоровья и болезней. Клетка. 2006, 126: 855-867. 10.1016 / j.cell.2006.08.019.

PubMed CAS Статья Google ученый

42.

Sun J, Xu J, Liu Z, Liu Q, Zhao A, Shi T, Li Y: Уточненный метод филогенетических профилей для прогнозирования белок-белковых взаимодействий.Биоинформатика. 2005, 21: 3409-3415. 10.1093 / биоинформатика / bti532.

PubMed CAS Статья Google ученый

43.

Green ML, Karp PD: Результаты вычислений в базе данных путей зависят от онтологии путей. Nucleic Acids Res. 2006, 34: 3687-3697. 10.1093 / нар / gkl438.

PubMed CAS PubMed Central Статья Google ученый

44.

Перейра-Леал Дж. Б., Аудит Б, Перегрин-Альварес Дж. М., Узунис, Калифорния: экспоненциальное ядро в сердце сети взаимодействия дрожжевых белков.Mol Biol Evol. 2005, 22: 421-425. 10.1093 / molbev / msi024.

PubMed CAS Статья Google ученый

45.

Кроган Нью-Джерси, Кэгни Дж., Ю Х, Чжун Дж., Го Х, Игнатченко А., Ли Дж., Пу С., Датта Н., Тикуисис А. П., Пунна Т., Перегрин-Альварес Дж. М., Шалес М, Чжан Х, Дэйви М., Робинсон, доктор медицины, Пакканаро А., Брей Дж. Э., Шунг А., Битти Б., Ричардс Д. П., Канадиен В., Лалев А., Мена Ф, Вонг П., Старостин А., Канете М. М., Власблом Дж., Ву С., Орси К. и др. : Глобальный ландшафт белковых комплексов в дрожжах Saccharomyces cerevisiae .Природа. 2006, 440: 637-643. 10.1038 / природа04670.

PubMed CAS Статья Google ученый

46.

Танака Т., Икео К., Годжобори Т.: Эволюция метаболических сетей за счет усиления и потери ферментативной реакции у эукариот. Ген. 2006, 365: 88-94. 10.1016 / j.gene.2005.09.030.

PubMed CAS Статья Google ученый

47.

Чжан Ю., Ли С., Скогербо Г., Чжан З, Чжу Х, Чжан З, Сунь С., Лу Х, Ши Б., Чен Р.: Филофенетические свойства топологии метаболических путей, выявленные в результате глобального анализа.BMC Bioinformatics. 2006, 7: 252-10.1186 / 1471-2105-7-252.

PubMed CAS PubMed Central Статья Google ученый

48.

Michell RH: Производные инозита: эволюция и функции. Nat Rev Mol Cell Biol. 2008, 9: 151-161. 10.1038 / nrm2334.

PubMed CAS Статья Google ученый

49.

Helenius A, Aebi M: Внутриклеточные функции N-связанных гликанов.Наука. 2001, 291: 2364-2369. 10.1126 / science.291.5512.2364.

PubMed CAS Статья Google ученый

50.

Эрнандес-Монтес Дж., Диас-Мехиа Дж. Дж., Перес-Руэда Е., Сеговия Л.: Скрытое универсальное распределение биосинтетических сетей аминокислот: геномная перспектива его происхождения и эволюции. Genome Biol. 2008, 9: R95-10.1186 / gb-2008-9-6-r95.

PubMed PubMed Central Статья Google ученый

51.

Дженсен Р.А.: Привлечение ферментов в эволюцию новой функции. Annu Rev Microbiol. 1976, 30: 409-425. 10.1146 / annurev.mi.30.100176.002205.

PubMed CAS Статья Google ученый

52.

Спирин В., Гельфанд М.С., Миронов А.А., Мирный Л.А.: Метаболическая сеть в эволюционном контексте: многомасштабная структура и модульность. Proc Natl Acad Sci USA. 2006, 103: 8774-8779. 10.1073 / pnas.0510258103.

PubMed CAS PubMed Central Статья Google ученый

53.

Кампильос М., фон Меринг С., Йенсен Л.Дж., Борк П.: Идентификация и анализ эволюционно связанных функциональных модулей в белковых сетях. Genome Res. 2006, 16: 374-382. 10.1101 / гр. 4336406.

PubMed CAS PubMed Central Статья Google ученый

54.

Шеннон П., Маркиэль А., Озьер О., Балига Н.С., Ван Дж. Т., Рэймидж Д., Амин Н., Швиковски Б., Идекер Т.: Cytoscape: программная среда для интегрированных моделей сетей биомолекулярного взаимодействия.Genome Res. 2003, 13: 2498-2504. 10.1101 / гр.1239303.

PubMed CAS PubMed Central Статья Google ученый

55.

Parkinson Lab. [http://www.compsysbio.org/projects/metabolism]

56.

Janssen P, Enright AJ, Audit B, Cases I, Goldovsky L, Harte N, Kunin V, Ouzounis CA: COmplete GENome Tracking (COGENT ): гибкая среда данных для вычислительной геномики. Биоинформатика. 2003, 19: 1451-1452.10.1093 / биоинформатика / btg161.

PubMed CAS Статья Google ученый

57.

COGENT База данных. [http://cgg.ebi.ac.uk/services/cogent/]

58.

Thalassiosira Genome Project. [http://genome.jgi-psf.org/thaps1/thaps1.home.html]

59.

Институт Броуда. [http://www.broad.mit.edu]

60.

PartiGeneDB. [http://www.partigenedb.org]

61.

Bairoch A, Apweiler R: База данных последовательностей белков SWISS-PROT и дополнение к ней TrEMBL в 2000 году. Nucleic Acids Res. 2000, 28: 45-48. 10.1093 / nar / 28.1.45.

PubMed CAS PubMed Central Статья Google ученый

62.

Киотская энциклопедия генов и геномов. [http://www.genome.jp/kegg/]

63.

Etzold T, Argos P: SRS — инструмент индексирования и поиска для библиотек данных плоских файлов. Comput Appl Biosci.1993, 9: 49-57.

PubMed CAS Google ученый

64.

NCBI Taxonomy. [http://www.ncbi.nlm.nih.gov/Taxonomy/]

65.

Altschul SF, Madden TL, Schaffer AA, Zhang J, Zhang Z, Miller W, Lipman DJ: Gapped BLAST и PSI- BLAST: новое поколение программ поиска по базам данных белков. Nucleic Acids Res. 1997, 25: 3389-3402. 10.1093 / nar / 25.17.3389.

PubMed CAS PubMed Central Статья Google ученый

66.

Лопес-Бигас Н., Де С., Тейхманн С.А.: Функциональная дивергенция белков в эволюции Homo sapiens. Genome Biol. 2008, 9: R33-10.1186 / gb-2008-9-2-r33.

PubMed PubMed Central Статья Google ученый

67.

Пеллегрини М., Маркотт Е.М., Томпсон М.Дж., Айзенберг Д., Йейтс Т.О .: Назначение функций белков с помощью сравнительного анализа генома: филогенетические профили белков. Proc Natl Acad Sci USA. 1999, 96: 4285-4288. 10.1073 / pnas.96.8.4285.

PubMed CAS PubMed Central Статья Google ученый

68.

Вольф Ю.И., Рогозин И.Б., Кондрашов А.С., Кунин Е.В.: Выравнивание генома, эволюция организации прокариотического генома и прогнозирование функции генов с использованием геномного контекста. Genome Res. 2001, 11: 356-372. 10.1101 / гр. GR-1619R.

PubMed CAS Статья Google ученый

69.

Ип К.Ю., Ю Х., Ким П.М., Шульц М., Герштейн М.: Платформа tYNA для сравнительной интерактомики: веб-инструмент для управления, сравнения и анализа нескольких сетей. Биоинформатика. 2006, 22: 2968-2970. 10.1093 / биоинформатика / btl488.

PubMed CAS Статья Google ученый

70.

Эйзен М.Б., Спеллман П.Т., Браун П.О., Ботштейн Д.: Кластерный анализ и отображение паттернов экспрессии в масштабе всего генома. Proc Natl Acad Sci USA. 1998, 95: 14863-14868.10.1073 / пнас.95.25.14863.

PubMed CAS PubMed Central Статья Google ученый

71.

Soares MB, de Fatima Bonaldo M, Hackett JD, Bhattacharya D: Теги экспрессируемой последовательности: нормализация и вычитание тегов экспрессированной последовательности библиотек кДНК \ нормализация и вычитание библиотек кДНК. Методы Мол биол. 2009, 533: 109-122.

PubMed CAS Статья Google ученый

72.

Abrahamsen MS, Templeton TJ, Enomoto S, Abrahante JE, Zhu G, Lancto CA, Deng M, Liu C, Widmer G, Tzipori S, Buck GA, Xu P, Bankier AT, уважаемый PH, Konfortov BA, Spriggs HF, Iyer Л., Анантараман В., Аравинд Л., Капур В.: Полная последовательность генома апикомплексана, Cryptosporidium parvum . Наука. 2004, 304: 441-445. 10.1126 / science.1094786.

PubMed CAS Статья Google ученый

73.

Szumilo T: Путь катаболизма D-галактоната у непатогенных микобактерий.J Bacteriol. 1981, 148: 368-370.

PubMed CAS PubMed Central Google ученый

74.

Condemine G, Hugouvieux-Cotte-Pattat N, Robert-Baudouy J. Выделение мутантов Erwinia chrysanthemi kduD, измененных при разложении пектина. J Bacteriol. 1986, 165: 937-941.

PubMed CAS PubMed Central Google ученый

75.

Олсон EN: Генные регуляторные сети в эволюции и развитии сердца.Наука. 2006, 313: 1922-1927. 10.1126 / science.1132292.

PubMed CAS PubMed Central Статья Google ученый

76.

Беккер Д., Зельбах М., Ролленхаген С., Баллмайер М., Мейер Т.Ф., Манн М., Буманн Д.: Устойчивый метаболизм Salmonella ограничивает возможности для новых противомикробных препаратов. Природа. 2006, 440: 303-307. 10.1038 / природа04616.

PubMed CAS Статья Google ученый

77.

Джамшиди Н., Палссон Б.О.: Исследование метаболических возможностей Mycobacterium tuberculosis h47Rv с использованием штамма in silico iNJ661 и предложение альтернативных мишеней для лекарств. BMC Syst Biol. 2007, 1: 26-10.1186 / 1752-0509-1-26.

PubMed PubMed Central Статья Google ученый

78.

Верхедкар К.Д., Раман К., Чандра Н.Р., Вишвешвара С.: Графики реакций на основе метаболомов M. tuberculosis и M.leprae : сравнительный сетевой анализ. PLoS ONE. 2007, 2: e881-10.1371 / journal.pone.0000881.

PubMed PubMed Central Статья Google ученый

79.

Шарлебуа Р.Л., Дулиттл В.Ф .: Расчет повсеместности прокариотических генов: спасение ядра от вымирания. Genome Res. 2004, 14: 2469-2477. 10.1101 / гр.3024704.

PubMed CAS PubMed Central Статья Google ученый

80.

Баарт Г.Дж., Зомер Б., де Хаан А., Поль ван дер Л.А., Бевери ЕС, Трампер Дж., Мартенс Д.Э .: Моделирование метаболизма Neisseria meningitidis : от генома к метаболическим потокам. Genome Biol. 2007, 8: R136-10.1186 / gb-2007-8-7-r136.

PubMed PubMed Central Статья Google ученый

81.

Оберхардт М.А., Пухалка Дж., Фрайер К.Э., Мартинс душ Сантуш В.А., Папин Дж.А.: Анализ метаболической сети на уровне генома условно-патогенного микроорганизма Pseudomonas aeruginosa PAO1.J Bacteriol. 2008, 190: 2790-2803. 10.1128 / JB.01583-07.

PubMed CAS PubMed Central Статья Google ученый

82.

Раман К., Раджагопалан П., Чандра Н.: Анализ баланса потока миколиновой кислоты: мишени для противотуберкулезных препаратов. PLoS Comput Biol. 2005, 1: e46-10.1371 / journal.pcbi.0010046.

PubMed PubMed Central Статья Google ученый

83.

Woese C: универсальный предок. Proc Natl Acad Sci USA. 1998, 95: 6854-6859. 10.1073 / pnas.95.12.6854.

PubMed CAS PubMed Central Статья Google ученый

84.

Филипп Х., Лартильо Н., Бринкманн Х .: Мультигенный анализ двулатерных животных подтверждает монофилию Ecdysozoa, Lophotrochozoa и Protostomia. Mol Biol Evol. 2005, 22: 1246-1253. 10.1093 / молбев / msi111.

PubMed CAS Статья Google ученый

85.

Сакураба Х., Каваками Р., Такахаши Х., Охшима Т: новая архейная аланин: глиоксилатаминотрансфераза из Thermococcus litoralis . J Bacteriol. 2004, 186: 5513-5518. 10.1128 / JB.186.16.5513-5518.2004.

PubMed CAS PubMed Central Статья Google ученый

86.

Копли SD: Ферменты с дополнительными талантами: функции подработки и каталитическая распущенность. Curr Opin Chem Biol. 2003, 7: 265-272. 10.1016 / S1367-5931 (03) 00032-2.

PubMed CAS Статья Google ученый

87.

Джеймс Л.К., Тауфик Д.С.: Конформационное разнообразие и эволюция белков — пересмотренная гипотеза 60-летней давности. Trends Biochem Sci. 2003, 28: 361-368. 10.1016 / S0968-0004 (03) 00135-Х.

PubMed CAS Статья Google ученый

88.

O’Brien PJ, Herschlag D: Каталитическая неразборчивость и развитие новых ферментативных активностей.Chem Biol. 1999, 6: R91-R105. 10.1016 / С1074-5521 (99) 80033-7.

PubMed Статья Google ученый

89.

Карп П.Д., Райли М., Сайер М., Полсен ИТ, Пейли С.М., Пеллегрини-Тул А: базы данных EcoCyc и MetaCyc. Nucleic Acids Res. 2000, 28: 56-59. 10.1093 / nar / 28.1.56.

PubMed CAS PubMed Central Статья Google ученый

Обзор — от метаболизма болезней к точной медицине

В клеточной и молекулярной биологии метаболизм — единственная система, которую можно полностью смоделировать в масштабе генома.Биология метаболических систем предлагает мощные инструменты абстракции для моделирования всех известных метаболических реакций в клетке, обеспечивая тем самым моментальный снимок, близкий к ее наблюдаемому фенотипу. В этом обзоре мы рассматриваем 15-летнее моделирование метаболизма человека. Мы показываем, что, хотя за последние пять лет не произошло значительных улучшений в размерах наборов генов и метаболитов в моделях метаболизма человека, их точность быстро растет. Мы также описываем, как метаболические модели, специфичные для состояния, ткани и пациента, проливают свет на клеточно-специфические изменения, происходящие в метаболической сети, тем самым предсказывая биомаркеры метаболизма болезни.Наконец, мы обсудим текущие проблемы и будущие перспективные направления в этой области исследований, включая машинное / глубокое обучение и точную медицину. В эпоху омики профилирование пациентов и биологических процессов с многомерной точки зрения становится все более распространенным и менее дорогостоящим. Начиная с многомерных данных, собранных у пациентов, и исследований N-of-1, в которых отдельные пациенты составляют разные тематические исследования, методы построения моделей и интеграции данных используются для создания моделей для конкретных пациентов.В сочетании с современными методами машинного обучения это позволит охарактеризовать фенотип заболевания каждого пациента и предложить решения для точной медицины, что приведет к профилактической медицине, сокращению лечения и клиническим испытаниям in silico .

1. Введение

С появлением биоинформатики и вычислительной биологии вычислительные и математические методы могут обеспечить точное моделирование биологических процессов. Наиболее широко используемые подходы к анализу данных omics в основном сосредоточены на геномике, транскриптомике и протеомике с помощью дифференциальной экспрессии или анализа коэкспрессии на основе сети.Однако сами по себе гены и их экспрессия не всегда являются надежным индикатором клеточного фенотипа. При характеристике фенотипического результата, полагаясь исключительно на профили экспрессии гена или белка, упускается из виду сильно нелинейное взаимодействие между этими биологическими слоями. Такие подходы часто упускают из виду метаболический уровень, густую сеть биохимических реакций, происходящих в клетке с целью преобразования питательных веществ в энергию и строительные блоки клетки.

Будучи наиболее хорошо охарактеризованной сетью в биологических системах, а также наиболее близкой к фенотипу, метаболизм, возможно, является лучшим индикатором физиологического состояния клетки [1].Когда-то считавшийся лишь пассивным результатом состояния клетки, теперь он широко признан как основной фактор, влияющий на клеточное поведение. В частности, он играет ключевую роль в ряде заболеваний, включая диабет, нейродегенеративные заболевания и рак, отличительной чертой которых в настоящее время считается изменение метаболизма [2].

Недавняя доступность высокопроизводительных данных о нескольких уровнях биологической организации (омики) позволяет картировать клеточные процессы на уровнях генов, мРНК, белков и метаболитов (рис. 1).В одном эксперименте эти измерения часто производятся как на уровне «генотипа» (т.е. относящиеся к генетическим элементам в геноме), так и на уровне «фенотипа» (форма и функция клетки). Фундаментальным вопросом системной биологии является определение и понимание взаимосвязи генотип-фенотип [3]. Механистическая связь между генотипом и фенотипом обеспечивается моделями метаболизма в масштабе генома, которые содержат все известные биохимические реакции, происходящие в клетке. Такие модели были созданы с учетом десятилетий исследований в области биохимии и в большинстве случаев способны предсказать клеточный фенотип с высокой точностью.

Моделирование на основе ограничений — это наиболее широко используемый подход для моделирования поведения метаболизма, часто предполагающий, что клетки должны выполнять заданную задачу (например, производство, рост или пролиферацию АТФ) или оптимизировать производство заданного сложный. Такие модели имеют два основных преимущества: во-первых, они не нуждаются в динамических или кинетических данных, поскольку они основаны на балансе масс в метаболической сети; во-вторых, они подходят для интеграции различных атомных слоев в масштабе генома, чтобы улучшить их прогностические характеристики.В частности, были предложены методы многомерной «вертикальной» интеграции, включающие в себя атомные слои (в основном транскриптомику и протеомику) [4–6]. И наоборот, методы «горизонтальной» интеграции были сосредоточены на моделировании различных сред, рака или условий роста, исходя из одной и той же модели [7–11]. Такая мультиомная интеграция в моделях в масштабе генома обеспечила механистическую связь между генотипом и их фенотипическими наблюдаемыми [12-15]. Это ключевая дополнительная особенность, которой обладают такие модели по сравнению с исследованиями полногеномных ассоциаций (GWAS), которые способны связывать вариации генов с фенотипическими признаками, но не дают механистического объяснения наблюдаемых ассоциаций [16].
В этом обзоре мы сосредоточены на биологии метаболических систем и, в частности, на моделировании метаболизма человека. Изначально испытанная и подтвержденная с помощью микроорганизмов, биология метаболических систем в настоящее время получает широкое распространение в тканях человека и биомедицинских приложениях [17]. Мы предоставляем всесторонний обзор метаболических моделей, разработанных на сегодняшний день для клеток человека, обсуждая их сильные и слабые стороны. Мы показываем, что основное внимание в сообществе метаболического моделирования сместилось с увеличения размера моделей — «подхода, ориентированного на размер модели», часто за счет надежности прогнозов, — на командные подходы к курированию, при которых алгоритмы заполнения пробелов и обширное ручное управление повышает надежность прогнозов без необходимости увеличения (а на самом деле часто уменьшения) количества компонентов в модели.Мы также описываем ключевые истории успеха, текущие проблемы и будущие направления в области моделирования метаболизма человека, включая интеграцию с методами машинного обучения и точной медициной.
2. Биология метаболических систем
Понимание роли отдельных компонентов в биологической системе — важный шаг для выяснения или прогнозирования ее поведения. Однако основной темой системной биологии является исследование этих систем с применением комплексного подхода. Фактически, изучение взаимодействий между различными компонентами также дает представление о функционировании и поведении компонентов, взятых независимо [18].
Метаболизм — это самая большая полностью описанная биологическая сеть. Это суррогат фенотипа, способный выявить фенотипические изменения, вызванные единичными или комбинированными омиками или физиологическими факторами. Он также имеет то преимущество, что является единственной системой, которую можно полностью смоделировать в масштабе генома. В результате он играет центральную роль в выяснении связи генотип-фенотип. Системные подходы успешно применялись в течение последнего десятилетия для исследования метаболических сетей, состоящих из набора химических реакций и пула метаболитов.Первые примеры биологии метаболических систем появились в 1999 г. и были сосредоточены на моделировании, соединении и моделировании нескольких клеточных процессов [19]. Полноклеточное моделирование, названное «большой проблемой 21 века», все еще является активной областью исследований [20–24]. В биологии метаболических систем значение моделирования клеточного метаболизма не только в объяснении биологического процесса, но и в прогнозировании. Модель может использоваться для выдвижения гипотез, которые можно проверить, или для выявления неожиданного поведения, которое может быть дополнительно исследовано in vitro .
Существуют различные методы моделирования метаболической системы: стационарный анализ (например, FBA) включает набор линейных уравнений, а кинетическое моделирование включает обыкновенные дифференциальные уравнения (ODE). Каждая переменная представляет собой изменение концентрации метаболита в динамическом или устойчивом состоянии, где концентрация зависит от скорости реакций, которые производят и потребляют этот метаболит [25]. Кинетические модели не предполагают установившегося состояния и поэтому могут моделировать высокодинамичные механизмы, включая аллостерическую и посттрансляционную регуляцию, концентрации метаболитов и термодинамику.Такие системы на основе ОДУ содержат большое количество уравнений (дифференциальных или алгебраических) и требуют уникальных значений кинетических параметров. Они очень эффективны при прогнозировании поведения небольших систем, где можно собрать достаточно экспериментальных данных для калибровки модели и оценки параметров [26]. Более того, в отличие от стандартных методов, основанных на FBA, кинетика реакции может быть учтена, а концентрации метаболитов могут быть смоделированы в явном виде, и, следовательно, данные внутриклеточной метаболомики могут быть интегрированы напрямую [27].
Однако для больших систем использование кинетического моделирования остается проблематичным. Растущий спрос на анализ в масштабе генома на системном уровне в последнее время привел к широкому использованию моделей устойчивого состояния на основе ограничений и их расширений для нестационарного состояния. Этому также способствовало увеличение доступности мультиомных данных и фенотипической информации, используемых для динамического ограничения модели и, следовательно, часто компенсирующей отсутствие регуляторного и кинетического моделирования.
После ряда успешных попыток построения многомасштабных кинетических моделей и моделей, основанных на ограничениях [28, 29], достижение правильной комбинации (и, следовательно, компромисса) кинетического моделирования и допущений о стационарном состоянии, вероятно, станет следующим шагом для метаболического модельное сообщество. Такие методы, как нестационарный FBA (uFBA) [4], были недавно разработаны для ослабления допущения о стационарном состоянии в моделях в масштабе генома с целью моделирования динамических клеточных состояний, происходящих из изменений концентрации внутренних метаболитов.Также был предложен подход к интеграции кинетики реакции с устойчивыми метаболическими сетями, в котором информация об общих метаболитах различных реакций в масштабе генома используется для информирования о взаимодействиях между реакциями и прогнозирования концентраций метаболитов в подходе сетевой кинетики [30]. . В более общем плане, из-за большего диапазона прогнозов, которые кинетические модели могут выполнять по сравнению с подходами стационарного состояния, их расширение в сторону масштаба генома или использование информации, полученной из моделирования модели в масштабе генома, является многообещающим направлением, которое увеличит их пространственное и временное разрешение. .
2.1. Метаболические модели в масштабе генома
Модели метаболизма в масштабе генома содержат все известные метаболические реакции в организме и поэтому могут служить функциональными базами данных клеточно-специфического метаболизма. Модель в масштабе генома строится с использованием следующего процесса. Сначала создается предварительная реконструкция, начиная с генома и включая все кодируемые геномом метаболические реакции. Черновой вариант реконструкции также включает аннотированные данные по ферментам, реакциям и путям из таких баз данных, как KEGG [31], BioCyc [32] и BRENDA [33].Также включены подробные сведения о том, какие гены контролируют каждую реакцию. Затем последовательность шагов ручного курирования улучшает черновую реконструкцию, собирая доказательства, подтверждающие или опровергающие наличие реакции в сети организма.
Построение модели в масштабе генома представляет собой отправную точку для анализа баланса потоков (FBA, см. Следующие подразделы). Наконец, модель запускается и проверяется путем сравнения ее прогнозов с существующими экспериментальными результатами, и проводятся новые эксперименты in silico для дальнейшего улучшения и проверки модели.Для получения более подробной информации о том, как построить метаболическую модель из последовательности ДНК организма, читатель может найти полные протоколы [34–36].
Большинство моделей в масштабе генома помечены тщательно подобранными ассоциациями ген-белок-реакция (правила GPR), связывающими гены с ферментами (рис. 2). Такие аннотации открывают путь для наложения многомерных данных на модели, используя их в качестве omic-каркасов (см. Раздел 2.3). Поскольку омические данные могут быть количественно определены в зависимости от состояния, ткани и пациента (например,g., транскриптомные профили, уровни белка и концентрации метаболитов), модели с правилами GPR могут служить базой для создания персонализированных метаболических моделей. Например, персонализированные прогнозы с использованием таких моделей могут привести к точной фенотипической характеристике пациентов (см. Раздел 4).

2.2. Моделирование на основе ограничений и анализ баланса потоков
Анализ баланса потоков (FBA) — наиболее широко используемый метод на основе ограничений для прогнозирования распределений потоков и сетевых возможностей в моделях в масштабе генома [37].FBA оказалась полезной благодаря своей способности обрабатывать большие сети и прогнозировать распределение потоков в масштабе генома. Он требует информации о биохимических реакциях и стехиометрических коэффициентах, но не включает кинетические параметры. Это делает его хорошо подходящим для метаболических инженерных исследований, которые идентифицируют и характеризуют оптимальные нарушения, такие как различные субстраты или генетические вмешательства (например, нокауты), ведущие к обязательной связи между скоростью роста и избыточной продукцией желаемого метаболита [38–42].В целом FBA — мощный инструмент для прогнозирования поведения клеток в различных метаболических условиях.
FBA — это метод линейного программирования, который моделирует установившееся состояние в сети химических реакций [43]. FBA-представление модели в масштабе генома построено на основе стехиометрической матрицы, содержащей стехиометрические коэффициенты каждого метаболита (в строках) в каждой реакции сети (в столбцах). Стехиометрический коэффициент метаболита в данной реакции положительный, если метаболит образуется в результате реакции, и отрицательный, если он потребляется.Недоопределенная линейная система уравнений определяется из стехиометрической матрицы, где неизвестные представлены вектором скоростей потока реакции. Дополнительные ограничения включены как нижняя и верхняя границы потоков в (). Они учитывают рост или физиологическое состояние и могут использоваться для включения данных омиков. Одна или несколько клеточных целей (обычно связанных с ростом или энергией, например, биомасса или АТФ) или их линейная комбинация, наконец, выбираются для максимизации или минимизации в соответствии с вышеупомянутыми ограничениями, таким образом решая линейную программу.
FBA, таким образом, основывается на двух основных предположениях: (i) гомеостатическое предположение: организм достиг устойчивого состояния, при котором концентрации метаболитов постоянны, а набор питательных веществ постоянно преобразуется для производства биомассы. (Ii) (многоуровневая) оптимальность : в каждом состоянии организм стремится максимизировать одну или несколько целей, обычно связанных с ростом, производством биотехнологических соединений (например, ацетатным обменом) и важными молекулами, несущими энергию (например, АТФ).
FBA широко используется в системной биологии для количественной оценки всего метаболического устойчивого состояния клетки и расчета распределения ее потока. Рассмотрены все известные метаболические реакции в данной клетке, и они математически описаны таким образом, чтобы можно было моделировать различные состояния и конфигурации сети химических реакций. Интуитивно понятно, что стационарные ограничения, используемые в FBA, можно рассматривать как законы Кирхгофа, применяемые к любому узлу, представляющему метаболит в сети: поток через каждый метаболит в сети должен быть постоянным, а именно входной поток должен равняться выходному потоку.Комбинация стационарных ограничений и ограничений пропускной способности на потоки реакций представляет собой систему линейных однородных уравнений и неравенств; таким образом, его пространство решений представляет собой выпуклый многогранный конус, представляющий допустимые распределения потоков.
Предположения FBA и сведение проблемы к линейной программе могут вызвать некоторые ограничения. Во-первых, включение или прогнозирование концентраций метаболитов является сложной задачей и требует динамического FBA [44], ослабления устойчивого состояния [4], методов суммирования потоков [45] или термодинамических подходов [46].Во-вторых, надежность распределений потоков сильно зависит от выбранной целевой функции (см. Раздел 2.4), от качества реконструкции и от метода, используемого для получения решения. Регуляризованные методы FBA помогают облегчить эту проблему, как обсуждается позже в этом разделе и в разделе 5. Наконец, FBA не обладает способностью непосредственно моделировать регуляторные эффекты или посттранскрипционную регуляцию уровней экспрессии. Аналогичным образом, изменения, происходящие во время быстрых переходных процессов (например, возмущения в микросреде клетки), не могут быть смоделированы динамически, но могут быть аппроксимированы пошагово до / после моделирования [47].Хотя правило установившегося состояния было оспорено, и были предложены вероятностные подходы, чтобы ослабить равенство установившегося состояния [48], это предположение позволяет использовать линейные системы и линейное программирование, снижая вычислительные требования и обеспечивая быстрое моделирование масштабов генома. модели в различных условиях роста или физиологических условиях.
При решении линейных программ для FBA разные решатели могут давать разные решения из-за различий в численной реализации и существования множества альтернативных оптимальных решений [49–51].Хотя значение целевой функции одинаково во всех оптимальных решениях, другие скорости потока могут варьироваться. Поэтому наличие уникального решения важно, когда полное распределение потока используется для дальнейшего анализа или в качестве функции алгоритмов прогнозирования. Чтобы избежать вырожденных решений, предоставляемых стандартными подходами FBA, был предложен экономичный FBA (pFBA) с целью минимизировать общий поток, переносимый метаболической сетью после максимизации основной цели [52].Однако в некоторых случаях pFBA дает менее правдоподобные результаты в центральном углеродном метаболизме и в гликолитическом пути по сравнению со стандартными методами FBA [53]. Кроме того, pFBA использует L1-норму (минимизацию суммы абсолютных значений потока), которая не гарантирует уникального решения, поскольку оно не является строго выпуклым [54]. Для решения таких задач минимизации с гарантией единственного решения вместо этого следует использовать L2-норму (минимизация суммы квадратов значений потока). Дополнительные подходы для облегчения проблемы альтернативных оптимальных решений включают геометрический FBA [55] и выборку [56].
Доступно несколько инструментов для реконструкции метаболической модели, моделирования на основе ограничений, FBA и связанных анализов. К ним относятся COBRA [57], его версия Python COBRApy [58], RAVEN [59], PathwayTools [60] и FAME [61]. Полный список можно найти в соответствующих обзорах и сравнительных статьях [62, 63].
2.3. Анализ мультиомного баланса потока
Хотя некоторые биологические результаты могут быть выяснены с помощью одномомного анализа (например, белок-белковое взаимодействие или генные сети), подавляющее большинство фенотипических наблюдаемых является результатом более полных взаимосвязей между множественными омиками [64].Регуляторные механизмы также имеют место на разных атомных уровнях (включая транскрипцию, трансляцию и метаболические реакции). Сложное взаимодействие между этими уровнями отвечает за поведение клеток. Для интеграции одномерных сетей был предложен многомерный анализ, основанный на коэкспрессии или сетях взаимодействия [65]. Однако в таких методах часто не учитываются механистические связи между атомными слоями, полученные из предшествующих молекулярных знаний.
Идея многомерного FBA состоит в том, что, отображая данные на in silico моделях метаболизма, можно получить обогащенное метаболизмом представление любого заданного омического профиля.В этом контексте, а также позволяя моделировать большие, обычно в масштабе генома, системы за несколько секунд процессорного времени, FBA также имеет то преимущество, что облегчает введение дополнительных ядерных слоев экспериментальных данных, которые могут быть наложены на модель. , используя правила GPR или аннотации метаболитов, чтобы наложить ограничения на границы потока. Омино-информированные метаболические модели рассматривают механистическую связь между омиками, поэтому правильно представляют априорную информацию, имеющуюся в биохимических сетях [66].Мультиомный FBA позволяет определить важность гена или фермента через его прогнозируемую функцию, что позволяет избежать приближений или статистических методов, основанных только на значении уровня его экспрессии.
Следуя этому подходу, FBA и его многомерные модификации были использованы для прогнозирования метаболического ответа на данное состояние в свете множества клеточных целей, которым клетка должна соответствовать [67, 68]. Недавние исследования также были нацелены на улучшение предсказательной способности метаболической модели и выяснение взаимосвязи генотип-фенотип с помощью компьютерного анализа на нескольких атомных уровнях.Прогнозы распределения потоков после интеграции многомерных данных в сочетании с экспериментальными методами успешно использовались для формулирования новых биологических гипотез. Эти методы сводят проблему определения распределения потока через все реакции в системе при заданном росте или физиологических условиях до управляемой линейной программы в предположениях об устойчивом состоянии и оптимальности. Благодаря своей масштабируемости и точности эти методы широко используются, например, для прогнозирования фенотипов роста бактерий в конкретных условиях окружающей среды [69, 70], для определения новых терапевтических мишеней против инфекций [71, 72], для характеристики метаболизма рака различных клеточных линий [73–76], а также для создания тканеспецифичных моделей рака по сравнению с нормальными тканями для 17 тканей [77].Дополнительные примеры того, как этот подход использовался для характеристики метаболизма болезни, представлены в разделе 4. Для всестороннего обзора методов многомерной интеграции в моделях FBA читатель может отослать читателя к недавним обзорам метаболического моделирования, основанного на омике [78–81]. .
Текущие усилия по моделированию направлены на включение в модели дополнительных биологических знаний. Чтобы учесть промискуитет ферментов при сверхэкспрессии или недостаточной экспрессии гена, правила GPR были предложены как дополнительные строки стехиометрической матрицы, как подматрица ферментов за реакциями [53].Например, если несколько реакций катализируются одним и тем же беспорядочным ферментом, изменение потока в результате недостаточной экспрессии / сверхэкспрессии фермента распределяется между реакциями (также с учетом других ферментов, участвующих в реакциях), а не запускает a priori эквивалентное увеличение / уменьшение потока во всех реакциях. Использование кодонов также может быть интегрировано через правила GPR [71]. Аннотации изоформ сплайсинга, изначально утерянные, а затем просто игнорируемые при реконструкциях человека, также недавно привлекли внимание [82, 83].
Мягкие ограничения могут использоваться для интеграции омических данных в зависимости от реакции, а не с помощью одного математического правила, изменяющего ограничения для всех реакций [84]. Дополнительные ограничения были также добавлены для интеграции моделей регуляции транскрипции и метаболических моделей. Идея состоит в том, что ограничение моделирует корреляцию между уровнем экспрессии целевого гена и уровнем его регулирующих генов [6]. Для дальнейшего анализа распределения потоков реакций, предсказываемых многомерным FBA, анализ чувствительности может быть проведен на генах, реакциях или путях.Определение показателей чувствительности основано на эффектах нокаута генов [85], реальных возмущениях генов [69] или роли каждого метаболита в снижении термодинамической неопределенности в модели [86].
2.4. Выбор целевой функции и учет нескольких клеточных целей
Выбор подходящей целевой функции по-прежнему является проблемой при метаболическом моделировании. Распространенное предположение в системной биологии состоит в том, что клетки стремятся оптимизировать свою метаболическую сеть, чтобы максимизировать скорость роста (биомассу).Однако это до сих пор остается предметом споров [87], как с точки зрения ее состава [88], так и потому, что во многих случаях лучшая цель для клетки не связана с ростом [89]. В то время как модели микроорганизмов могут предполагать, что клетка нацелена на максимальную скорость роста, человеческие клетки не обязательно могут стремиться к максимальной биомассе (хотя это широко принято в качестве цели для раковых клеток). Более того, теперь очевидно, что клеточная цель может меняться между разными клетками в ткани, между тканями, а также со временем для одной и той же клетки.Для тканеспецифических исследований, начиная с общей реконструкции метаболизма человека (например, Recon) и используя универсальный состав биомассы для общих моделей человека, может оказаться ненадежным. Поэтому недавние исследования продвигаются к оценке состава биомассы для конкретных клеток [13, 90]. Также были предложены алгоритмы для генерации и стандартизации реакции биомассы [91, 92], а также для автоматического создания целевой функции [93].
Особенно в контексте метаболизма человека на вопрос «Что делает конкретная клетка?» часто есть несколько правильных ответов.Появляется все больше свидетельств того, что клетки должны решать несколько, обычно конкурирующих, целей для одновременной оптимизации [94]. Одна целевая функция FBA не может охватить их все. Также вероятно, что метаболизм не полностью оптимизирован для какой-либо конкретной цели [95], и эволюция сформировала клетки, чтобы достичь оптимального компромисса между всеми целями [96].
Поэтому были предложены процессы оптимизации, учитывающие несколько целей (например,g., производство белка или энергии, детоксикация, пролиферация) с преимуществом обеспечения метаболической гибкости для возможных реорганизаций, осуществляемых во время адаптации к изменениям в условиях окружающей среды [97]. Эти методы включают вероятностный подход [98], лексикографическое упорядочение [99] и сведение к единой цели посредством определения весов для целей [100, 101]. Подходы, основанные на этих идеях, бывают быстрыми и могут создать фронт Парето; однако они упускают из виду субоптимальные решения, решения в невыпуклых областях [102, 103] или отдают предпочтение одной цели [104], поэтому обращаются к многоуровневой проблеме, а не к строго многокритериальной проблеме.Хотя и медленнее, методы, основанные на эволюционных алгоритмах, способны исследовать невыпуклые компромиссы, не требуя объединения целей в единую целевую функцию [105–107]. Изучение набора компромиссных решений между конкурирующими целями, а не единственного решения по максимизации биомассы, также учитывает неоптимальные решения [108].
3. 15 лет моделирования метаболизма человека
Изучение метаболизма человека становится все более важным для биомедицинских приложений как подход к пониманию многих заболеваний и аспектов здоровья [109, 110].Понимание метаболического поведения на системном уровне стало возможным благодаря доступности высококачественных реконструкций в масштабе генома, объединяющих обширную метаболическую информацию из различных источников. Первые усилия по метаболической реконструкции в масштабе генома были сосредоточены на бактериях ( Haemophilus influenzae [111], затем Escherichia coli [112]) из-за их простоты, доступных последовательностей генома и хорошо известных механизмов утилизации субстрата. . Реконструкции метаболизма человека, которые требовали гораздо большего количества путей и большего количества основных питательных веществ, были предприняты на более позднем этапе, после публикации проекта и полных последовательностей генома человека в 2001 и 2004 годах [113, 114].
HumanCyc [115] (в 2004 г.) и Reactome knowledgebase [116, 117] (в 2005 г.) были первыми успешными попытками создать тщательно подобранную коллекцию биохимических реакций в клетках человека. Первые модели метаболизма человека, опубликованные в 2007 г. — Recon 1 [118] и EHMN (реконструкция метаболической сети человека в Эдинбурге и ее последующая разделенная версия в 2010 г.) [119, 120], позволили лучше охватить метаболическую сеть человека, особенно в компартменты кроме цитозоля. Recon 1 содержит примерно в раз больше уникальных метаболитов и в разы больше реакций, чем HumanCyc.
В 2013 г. значительное улучшение количества метаболических процессов, охваченных реконструкцией, было достигнуто с помощью Recon 2 [121]. Это согласованная модель, которая включает все реакции из EHMN, Recon 1, HepatoNet1 [122] и модуль для окисления ацилкарнитина и жирных кислот [123]. По сравнению с Recon 1, Recon 2 представляет собой значительное улучшение с примерно в раз больше уникальных метаболитов и в 2 раза большим количеством реакций. Затем в 2015 году Recon 2 был доработан с обновленными ассоциациями ген-реакция.Одновременно с этим независимо была построена более крупная реконструкция под названием HMR (база данных метаболических реакций человека) [73] на основе HepatoNet1, Recon1, EHMN, Reactome, HumanCyc, KEGG [31] и Атласа метаболизма человека [124]. Затем в 2014 году HMR был расширен, чтобы включить метаболизм липидов, таким образом, генерируя HMR2 [125].
Несмотря на то, что он содержит большой набор реакций и является консенсусной моделью, прогнозы Recon 2 в некоторых случаях были неверными, в основном из-за ряда неправильно сбалансированных реакций.На этом этапе основной упор сообщества сместился на курирование существующих моделей. В период с 2014 по 2015 год для Recon 2 был опубликован ряд небольших обновлений и исправлений [126–129]. В 2016 году Swainston et al. провел обширную работу по курированию Recon 2 и его обновлений, что привело к Recon 2.2 [130]. Впервые значительное улучшение существующей модели содержало меньше генов, чем исходная. Фактически, из-за удаления дубликатов и псевдогенов, а также благодаря новому уникальному соглашению об идентификаторах HGNC, Recon 2.2 содержит 112 генов, кодирующих ферменты, меньше, чем Recon 2, и впервые с унифицированными идентификаторами (объединение изоформ сплайсинга в один ген). Recon 2.2 — это серьезное усовершенствование связанного с энергией метаболизма, с новым отделением, имитирующим митохондриальное внутримембранное пространство. В результате прогнозы потока АТФ и биомассы были значительно улучшены, и впервые были получены точные прогнозы максимального выхода АТФ при 14 источниках углерода, как в аэробных, так и анаэробных условиях, и при 20 дополнительных источниках углерода аминокислот в аэробных условиях [130 ].
В 2017 г. была получена новая метаболическая модель человека, названная iHsa [131], как расширение и ручное лечение HMR2. iHsa является результатом согласования с моделью метаболизма крыс iRno, также представленной в той же статье. Обе модели были созданы параллельно; специфичные для крыс реакции, термодинамически недопустимые реакционные петли и другие неправильные реакции, присутствующие в HMR2 и Recon 2, были удалены из iHsa, в то время как новые реакции были добавлены из KEGG и MetaCyc / BioCyc [132]. Впервые специфические для крыс реакции были удалены из метаболической реконструкции человека.Фактически, обе модели были согласованы и скорректированы вручную с упором на видоспецифические метаболические различия. Четкое определение различий между двумя метаболическими сетями в сочетании с наличием уникальных реакций в обеих моделях открывает возможности для межвидового сравнения человека / крысы.
В 2018 году Recon 3D [133] был разработан на основе Recon 2 путем включения HMR2 и ряда дополнительных наборов реакций, включая реакции, моделирующие взаимодействие хозяина и микроба, реакции для моделирования воздействия лекарств на метаболизм человека, реакции на абсорбцию пищевых соединений, реакции липидного обмена и реакции из наборов данных метаболомики.В модель также были включены трехмерные белковые структуры, данные фармакогеномики и атомно-атомные сопоставления. После обширных шагов ручного лечения и уточнения правил георадара модель была протестирована на согласованность при воспроизведении 431 важнейшей функции человеческого тела. На сегодняшний день Recon 3D — это самая крупная из доступных реконструкций метаболизма человека, содержащая в несколько раз больше уникальных метаболитов и в разы больше реакций, чем Recon 2.
На рис. 3 показан прогресс, достигнутый сообществом моделирования метаболизма за последние 15 лет.Количество генов, метаболитов и реакций указано на рисунке. Чтобы лучше количественно оценить связанность модели, мы вычислили количество генов, нокаут которых дает измеримые эффекты в модели, измеренные по предсказанному потоку биомассы. Чтобы учесть толерантность линейного решателя, мы определили ген Essential , если его нокаут производит биомассу; мы определили ген неотъемлемый , если его нокаут вызывает изменение биомассы. По сравнению с Recon 2, увеличение числа генов, вариация которых оказывает существенное влияние на скорость роста, показывает, что были успешно предприняты усилия по курированию, заполнению пробелов и проверкам согласованности, как подробно описано в Разделе 3.1.

3.1. От ориентированных на размер «моделей» к ручному курированию
Когда в 2007 году были опубликованы первые реконструкции человеческого метаболизма Recon 1 [118] и EHMN [119], во многих исследованиях предпочтение было отдано Recon 1, поскольку оно содержало больше реакций. Фактически, это было только из-за компартментализации Recon 1, когда метаболиты повторяются в разных компартментах и транспортных реакциях между компартментами. Количество уникальных реакций действительно было больше в EHMN (на 1028 больше реакций и на 1202 метаболитов), и была создана последующая секционированная версия EHMN [120].
Эти частые сравнения между различными моделями показывают, что изначально основное внимание уделялось включению как можно большего числа реакций — подход, ориентированный на размер, — часто за счет кураторства и точности. И наоборот, подход, включающий все доступные биологические компоненты в модель, теперь всегда сочетается с обширным групповым курированием, проверками согласованности, единообразием аннотаций и заполнением пробелов. Нередко достигается лучшая модель, удаляя реакции из существующей.Это побудило сообщество сосредоточиться на точности используемых моделей и решателей, а не только на размере модели.
Ручное курирование поэтому считается одним из основных шагов при создании метаболической модели. Такие инструменты, как MetaNetX [134], упрощают курирование и предлагают сопоставления идентификаторов для унификации идентификаторов реакций и метаболитов. Такие усилия по курированию, вероятно, станут еще более важными в ближайшем будущем, учитывая недавние достижения в области автоматизированных инструментов реконструкции, которые теперь могут генерировать полный рабочий проект модели, т.е.г., MicrobesFlux [135], Pathway Tools [136], PathwayBooster [137], CoReCo [138] и Merlin [139]. Учитывая важность получения согласованных и высококачественных моделей, MetaNetX также предоставляет базу данных моделей, созданных после согласования метаболитов и биохимических реакций [134]. Совсем недавно CarveMe [140] и RAVEN 2.0 [59] продемонстрировали высокий потенциал в автоматизации ручных шагов, впервые достигнув точности, напрямую сопоставимой с вручную подобранными моделями при прогнозировании экспериментальных фенотипов.Также доступны инструменты для проверки несоответствий и визуального осмотра модели [141].
За последние несколько лет усилия по курированию привели к сокращению количества несбалансированных реакций, а также количества заблокированных реакций и тупиковых метаболитов. Например, Recon 2.2 не имеет несбалансированных реакций, кроме целевых функций биомассы, а Recon 3 теперь имеет менее 15 заблокированных реакций и тупиков. Более того, поскольку создание контекстно-зависимых моделей с использованием omics зависит от правил георадара, точность этих моделей строго зависит от точности георадара в базовой модели.Как показано на рисунке 3, покрытие георадара увеличивается. Наконец, соответствие между теоретическими и предсказанными моделями выходами АТФ улучшилось в самых последних моделях. Мы рассчитали среднеквадратичную ошибку (RMSE) между теоретическим и прогнозируемым моделью максимальным выходом АТФ на единицу источника углерода, который был уменьшен с (Recon 2 и более ранние модели) до (в Recon 3) и (в Recon 2.2). . Таблица выходов АТФ и расчеты RMSE представлены в качестве дополнительных материалов.
4.Тканевые и специфические для пациентов данные о метаболизме заболеваний человека
Начиная с общих метаболических реконструкций человека, был опубликован ряд успешных попыток реконструкции тканеспецифичных моделей. К ним относятся мозг [142], адипоциты [143], рак груди [144], сердце [145], почки [146], миоциты [147] и гепатоциты [125, 148]. Дальнейший набор из 32 тканеспецифичных и органоспецифичных моделей был создан путем картирования экспрессии белка на общей человеческой модели HMR2 [125].
Тканевые модели обычно строятся как сокращение от общей модели человека. Было обнаружено, что реакции, которые удаляются при построении тканеспецифической модели, не активны в этой ткани. Реакции удаляются в соответствии с транскриптомными или протеомными данными, собранными в этой ткани, и поэтому тканеспецифическая модель содержит меньше реакций, чем обычная. Неудивительно, что в большинстве случаев они превосходят обычные аналоги, из которых они возникли. На этом этапе необходимо установить новое уравнение биомассы для конкретной ткани или настроить модель, чтобы клетка могла найти альтернативные пути для поддержания своей жизни.Хотя многие методы создания тканеспецифичных моделей ставят цель создать минимальную метаболическую модель, которая удовлетворяет жизнеспособность или набор метаболических задач, использование неминималистических методов для создания тканеспецифичных моделей должно быть предпочтительным. Например, рассмотрение существенности перед удалением реакций из общей модели дает неминимальную тканеспецифичную модель, но улучшает функциональность модели и согласование с экспериментальными данными [149]. Поскольку общие модели представляют собой надмножество моделей, специфичных для ткани, прогнозы общих моделей могут быть верными в задачах, специфичных для ткани, но менее точными.
Контекстно-зависимые модели метаболизма человека пролили свет на начало и прогрессирование заболевания в ряде недавних тематических исследований. В этом контексте возобновление интереса к метаболизму болезней связано с тем, что для полной характеристики большинства заболеваний необходимо целостное представление в масштабе генома, а не подход на основе одного гена. Например, при раке различия в метаболических путях между раковыми клетками и их родительской тканью были охарактеризованы с использованием данных omics и метаболической модели человека [75, 150, 151].В результате, тканевые и клеточно-специфические метаболические модели были успешно использованы для идентификации — и последовательной проверки — конкретных мишеней для лекарств, которые ингибируют пролиферацию рака, но не влияют на нормальную пролиферацию клеток [74, 152]. При аналогичном подходе субмодели, построенные на основе моделей в масштабе генома человека, были использованы для генерации нескольких проверяемых гипотез, например, для сравнения почечных мышей дикого типа и Fh2-дефицитных клеток и для прогнозирования дальнейших нокаутов генов, которые влияют на рост Fh2- дефицитные клетки, но не влияют на клетки дикого типа, что позволяет предположить мишени для лечения наследственного лейомиоматоза и почечно-клеточного рака [153].
Для конкретных заболеваний тканеспецифические модели успешно использовались для идентификации биомаркеров и терапевтических мишеней [125]. Использование уровней экспрессии RNA-Seq в сочетании с моделями в масштабе генома позволило реконструировать модели, специфичные для линий раковых клеток, что сделало возможным открытие метаболитов, поддерживающих пролиферацию, и антиметаболитов, ведущих к гибели клеток [154]. (Антиметаболит — это соединение, которое одновременно ингибирует ферменты, участвующие в метаболизме связанного эндогенного метаболита.Антиметаболиты могут влиять на несколько ферментов одновременно и могут снижать пролиферацию и поэтому используются в качестве противоопухолевых препаратов.) После интеграции с внеклеточными данными метаболизма и транскриптомными профилями, метаболическое моделирование надежно охарактеризовало внутриклеточный метаболизм клеточных линий лимфобластного лейкоза [155]. Комбинация различных данных omics и разделения потоков была использована для создания специфичных для рака моделей панели NCI60, достигая корреляции, близкой к 1 при прогнозировании оставшихся скоростей потока [13].
Следуя тому же направлению, персонализированные модели (например, использующие данные пациентов для ограничения общей реконструкции) обещают стать ключевыми для точной медицины (рис. 2). На сегодняшний день крупнейшим исследованием с использованием моделей, ориентированных на конкретного пациента, является Атлас патологии человека [77]. Авторы построили персонализированные модели рака в масштабе генома у каждого пациента в 17 тканях. Это позволило исследовать метаболические различия между разными видами рака, а также биологические функции пациента.В другом недавнем исследовании [156] было набрано 86 пациентов с неалкогольной жировой болезнью печени, и их персонализированные метаболические модели в масштабе генома гепатоцитов были построены с использованием экспериментальных данных о потоках липопротеинов для конкретных пациентов. Новый молекулярный механизм заболевания был выяснен в результате персонализированного метаболического моделирования.
Генотипирование в сочетании с метаболическим моделированием для конкретного пациента предлагает новые возможности для персонализированной медицины. Фактически, новые биомаркеры могут быть предсказаны индивидуально для каждого пациента, и поэтому могут быть разработаны индивидуализированные методы лечения и впоследствии оценены с точки зрения их метаболических механистических эффектов [157].Как показано в недавнем случае дефицита аргиназы (нарушение цикла мочевины), разные люди могут по-разному реагировать на одно и то же заболевание и лечение, и это часто можно отметить, наблюдая за их индивидуальной метаболической реакцией [158].
Из-за важности состава микробиома кишечника для здоровья человека недавно был предложен набор подходов к моделированию [159]. Используя моделирование микробиома хозяина, например, комбинируя моделирование метаболического сообщества с моделями метаболизма человека, можно исследовать взаимодействие между кишечными бактериями и их взаимодействие с окружающими человеческими клетками [160, 161].Персонализированные модели микробиома кишечника были построены на основе метагеномных данных для конкретных пациентов, чтобы выяснить индивидуально-специфическое производство желчных кислот в микробиомах здоровых людей и пациентов с воспалительными заболеваниями кишечника [162]. Хотя еще предстоит решить несколько задач моделирования [163], подход, основанный на метаболическом моделировании, вероятно, прольет свет на роль кишечных микробных сообществ человека в здоровье человека, что предполагает возможные диетические изменения или индивидуальное вмешательство в состав кишечника [164, 165 ].
5. Обсуждение и перспективы
Исследования в области вычислительной биологии привели к детальным моделям для лучшего понимания отдельных биологических компонентов, но, возможно, к менее ясной картине взаимодействий между компонентами, которые приводят к данному фенотипу [166] . Исследования системной биологии в масштабе генома могут эффективно решить эту проблему. Например, в биомедицинских приложениях этот целостный взгляд необходим для характеристики фенотипа болезни пациента и предоставления точной медицины [17].
Поскольку метаболический гомеостаз и наблюдаемый фенотип строго связаны, метаболизм в настоящее время считается диагностическим признаком фенотипа и, следовательно, возможно, лучшим индикатором функционального состояния клетки. Метаболизм также можно использовать для определения приоритетов генов и оценки их функции и роли генных нарушений (включая нокауты). Без такого комплексного анализа ген может, например, ошибочно считаться важным только из-за его сильно изменчивого значения экспрессии.
Метаболические модели все чаще используются для построения многомасштабных, многоклеточных или многотканевых моделей.В 2012 году исследование Karr et al. [21] представили первую вычислительную модель целой клетки жизненного цикла небольшой патогенной бактерии, Mycoplasma genitalium . Модель включает метаболизм, репликацию генома и деление клеток. Несколько метаболических моделей могут быть объединены в рамки для исследования метаболических обменов между отдельными клетками и формирующегося поведения сообщества [167], с различными приложениями, от микробных сообществ до взаимодействий хозяин-патоген и пролиферации рака [168–170].
Доступность тканеспецифичных моделей также привела к созданию многотканевых метаболических моделей [171]. Дальнейшие шаги в этом направлении вскоре позволят изучать модели метаболизма всего тела. В первом исследовании, направленном на достижение этой цели, использовалась динамическая экономная FBA для объединения стационарного FBA с дифференциальными уравнениями для концентрации метаболитов в каждом органе [172]. В результате была создана многомасштабная модель всего тела, включающая 14 органов плюс человеческая сыворотка. Совсем недавно были созданы первые метаболические модели всего тела, названные Харви и Харветта, где метаболическая сеть для каждого органа / ткани была построена одновременно из Recon3D [173].Производство устройств «орган на чипе» и, в конечном итоге, «тело на чипе» с метаболическими моделями (см., Например, [174]) кажется следующим шагом в этом направлении.
Учитывая недавно возобновившийся интерес научного сообщества к пониманию метаболизма болезней, весьма вероятно, что метаболизм рака (и метаболизм при других заболеваниях) станет основной темой исследований при разработке лекарств. Это будет дополнять, а не заменять стандартные исследования только с транскриптомикой, и обеспечит прокси для фенотипических и наблюдаемых результатов.Идея состоит в том, что для улучшения фенотипических прогнозов подписи должны быть взяты из источников данных, которые ближе к фенотипу. Интеграция данных омики в метаболические модели позволила прогнозировать и последовательно подтверждать биомаркеры и терапевтические цели. В дизайне лекарств, хотя геномика, транскриптомика и протеомика часто считаются достаточными, метаболомика может прояснить механизмы, которые не видны по активности генов и белков. Что еще более важно, он может касаться случаев, когда гены, ответственные за заболевание, хорошо известны, но не поддаются лечению, но их соответствующие последующие реакции поддаются [175].
Геномический анализ обычно позволяет идентифицировать известные заболевания посредством генных мутаций. Однако он может быть не в состоянии пометить варианты известных заболеваний или идентифицировать новые заболевания. Это может произойти, например, если (i) генная мутация не отмечена как важная; (ii) ген вообще не проверяется; (iii) заболевание не является прямым следствием нарушения гена; (iv) индивидуумы по-разному реагируют на одну и ту же мутацию [158]. Модели в масштабе генома могут прояснить механизмы действия лекарств, побочные эффекты (как связывание лекарств вне мишени, так и последующие транскрипционные эффекты) и потенциальную токсичность лекарств путем связывания данных омики с фенотипом через модель, специфичную для состояния [8, 176] .В рамках индивидуального подхода к пациенту такие биологические данные и маркеры могут быть предсказаны индивидуально, что открывает путь для клинических испытаний in silico [177].
Усилия сообщества метаболического моделирования далеки от завершения. В связи с этим мы предполагаем совместные усилия сообществ метаболического моделирования и полногеномных ассоциаций (GWAS) для выявления взаимодействий между генами и метаболитами, которые в настоящее время не включены в метаболические модели с использованием современных ассоциативных карт [178].Вычислительные инструменты, сочетающие оба подхода, будут способствовать обнаружению ошибок и отсутствующих ферментативных реакций в масштабе генома, что значительно улучшит предсказательную способность метаболических моделей. Например, это может быть достигнуто путем минимизации ошибки между предсказаниями магнитной связи и экспериментальными данными коэкспрессии, интегрированными с GWAS [179, 180].
Точно так же методы интеграции данных omics в модели в масштабе генома все еще нуждаются в улучшении. Напр., В дрожжах и Escherichia coli одноомная интеграция в FBA, как сообщается, дает аналогичную точность pFBA без омной интеграции [78].Обнадеживает то, что специфические для реакции правила ограничения скорости потока могут вдвое снизить нормированную ошибку pFBA [84]. В многоклеточных организмах можно ожидать лучшей корреляции между экспрессией генов и метаболическими потоками [78]. В клетках млекопитающих основной вклад в общий уровень экспрессии белка вносят уровни мРНК [181, 182], тогда как в большинстве нормальных и раковых клеточных линий уровни мРНК и белка имеют положительную корреляцию [183, 184]. В то время как разные методы (и их параметры) могут давать разные контекстно-зависимые модели, точность предсказания основных генов почти всегда выше в контекстно-зависимых моделях, чем в общих человеческих моделях [81].Таким образом, метаболические модели можно рассматривать как полезные инструменты для механической связи транскриптомных данных со скоростью потока. Использование нескольких данных omics и термодинамических ограничений одновременно [185, 186] или комбинации регуляризованных методов FBA и данных omics может повысить надежность прогнозов [187].
По сравнению с хорошо изученными микробными метаболическими реконструкциями, пробелы в наших знаниях о метаболизме человека, включая характеристику ферментов, определение клеточно-специфических метаболических функций и тканеспецифических механизмов роста, затрудняют тестирование (и сравнить) метаболические модели и методы омической интеграции.Человеческие метаболические модели и методы были протестированы и перекрестно сравнены на предмет существенности генов с помощью CRISPR-Cas9-опосредованного скрининга потери функции, а также на их способность предсказывать скорость роста и воспроизводить известные метаболические функции [81]. Набор данных, включающий как данные omics, так и измеренную информацию о метаболизме, представляет собой панель NCI-60 с показателями поглощения и секреции метаболитов, опубликованными в 2012 году [188]. Хотя данные о E. coli и флуксомные данные дрожжей общедоступны из нескольких экспериментов [189–191], насколько нам известно, NCI-60 — единственный общедоступный набор данных о клетках человека, содержащий уровни экспрессии, скорости метаболического потока и скорости пролиферации. , и поэтому подходит для проверки методов FBA.Из-за отсутствия наборов флуксомных данных, сложности выбора надежной целевой функции и большего размера по сравнению с бактериальными моделями, необходима дальнейшая экспериментальная проверка метаболических моделей человека, особенно при использовании полного распределения потока для информирования решений или последующих алгоритмических шагов. .
Наконец, несмотря на многие недавние достижения, сбор информации на основе данных, полученных с помощью моделей, основанных на атомной информации, остается узким местом в системной биологии. Поэтому мы предполагаем, что метаболические модели в масштабе генома будут все больше исследоваться с помощью алгоритмов машинного / глубокого обучения с учетом специфики пациента [13, 192].При моделировании болезней полезность открытия общих биомаркеров является спорной, когда информация о пациентах не принимается во внимание, потому что большинство биологических компонентов будут помечены как нарушенные в общем анализе «болезнь по сравнению с нормой». И наоборот, если соответствующие индивидуальные данные интегрированы с моделью, биомаркеры могут стать центральной частью точной медицины, где данные, полученные о пациентах, определяют прогнозы, анализ и лечение [17]. По аналогии с моделированием, алгоритмы машинного обучения сами по себе не могут предоставить механистическую информацию о биологических процессах, которые они имитируют или имитируют.Однако, если машинное обучение сочетается с многомерным моделированием в масштабе генома, комбинация экспериментальных и созданных моделями атомных данных может предсказывать — и механистически объяснять — персонализированные прогнозы терапии путем включения ключевой биологической информации в процесс обучения.
Конфликт интересов
Автор заявляет, что у него нет конфликта интересов.
Дополнительные материалы
Согласие между теоретическими и модельными выходами АТФ для самых последних моделей метаболизма человека.Мы рассчитываем среднеквадратическую ошибку (RMSE) между теоретическим и прогнозируемым максимальным выходом АТФ (на единицу источника углерода) для самых последних моделей метаболизма человека. RMSE улучшился с ∞ (Recon 2 и более ранние модели) до 5,17 (в Recon 3) и 1,67 (в Recon 2.2). (Дополнительные материалы)
Клеточный метаболизм: определение, процесс и роль ATP
Клеткам требуется энергия для движения, деления, размножения и других процессов. Они проводят большую часть своей жизни, сосредоточившись на получении и использовании этой энергии посредством метаболизма.
Клеточный метаболизм
Клеточный метаболизм — это серия процессов, которые происходят в живых организмах, чтобы поддерживать эти организмы.
В клеточной биологии и молекулярной биологии метаболизм относится к биохимическим реакциям, которые происходят внутри организмов с целью производства энергии. Разговорное или пищевое использование метаболизма относится к химическим процессам, , которые происходят в вашем теле, когда вы превращаете пищу в энергию.
Хотя термины похожи, есть и различия.Метаболизм важен для клеток, потому что эти процессы поддерживают жизнь организмов и позволяют им расти, воспроизводиться или делиться.
Что такое процесс клеточного метаболизма?
Основными этапами клеточного дыхания у эукариот являются:
Гликолиз
Окисление пирувата
Лимонная кислота или цикл Кребса
Окислительное фосфорилирование
Основными реагентами являются глюкоза и кислород, а основными продуктами — углекислый газ. вода и АТФ.Фотосинтез в клетках — это еще один тип метаболических путей, которые организмы используют для производства сахара.
Растения, водоросли и цианобактерии используют фотосинтез. Основные этапы — это светозависимые реакции и цикл Кальвина или светонезависимые реакции. Основными реагентами являются световая энергия, углекислый газ и вода, а основными продуктами являются глюкоза и кислород.
Метаболизм у прокариот может быть разным. Основные типы метаболических путей включают гетеротрофные, автотрофные, фототрофные и хемотрофные реакции.Тип метаболизма прокариот может влиять на то, где он живет и как взаимодействует с окружающей средой.
Их метаболические пути также играют роль в экологии, здоровье человека и болезнях. Например, есть прокариоты, которые не переносят кислород, такие как C. botulinum. Эти бактерии могут вызывать ботулизм, потому что они хорошо растут в местах, где нет кислорода.
Ферменты: основы
Ферменты — это вещества, которые действуют как катализаторы , ускоряя или вызывая химические реакции.Работа большинства биохимических реакций в живых организмах зависит от ферментов. Они важны для клеточного метаболизма, поскольку могут влиять на многие процессы и способствовать их запуску.
Глюкоза и световая энергия являются наиболее распространенными источниками топлива для метаболизма клеток. Однако метаболические пути не работают без ферментов. Большинство ферментов в клетках являются белками и снижают энергию активации химических процессов.
Поскольку большинство реакций в клетке протекает при комнатной температуре, без ферментов они протекают слишком медленно.Например, во время гликолиза в клеточном дыхании фермент пируваткиназа играет важную роль, помогая переносить фосфатную группу.
Клеточное дыхание у эукариот
Клеточное дыхание у эукариот происходит главным образом в митохондриях. Выживание эукариотических клеток зависит от клеточного дыхания.
Во время гликолиза клетка расщепляет глюкозу в цитоплазме в присутствии кислорода или без него.Он расщепляет шестиуглеродную молекулу сахара на две трехуглеродные молекулы пирувата. Кроме того, гликолиз производит АТФ и превращает NAD + в NADH. Во время окисления пирувата пируваты попадают в митохондриальный матрикс и становятся коферментом A или ацетил-CoA . Это высвобождает углекислый газ и производит больше НАДН.
В ходе цикла лимонной кислоты или цикла Кребса ацетил-КоА объединяется с оксалоацетатом с образованием цитрата . Затем цитрат вступает в реакцию с образованием диоксида углерода и НАДН.Цикл также производит FADh3 и ATP.
Во время окислительного фосфорилирования , цепь переноса электронов играет решающую роль. NADH и FADh3 отдают электроны цепи переноса электронов и становятся NAD + и FAD. Электроны движутся по этой цепочке и производят АТФ. В этом процессе также образуется вода. Большая часть производства АТФ во время клеточного дыхания находится на этой последней стадии.
Метаболизм в растениях: фотосинтез
Фотосинтез происходит в клетках растений, некоторых водорослях и некоторых бактериях, называемых цианобактериями.Этот метаболический процесс происходит в хлоропластах благодаря хлорофиллу, и вместе с кислородом он производит сахар. светозависимые реакции плюс цикл Кальвина или светонезависимые реакции являются основными частями фотосинтеза. Это важно для общего здоровья планеты, потому что живые существа полагаются на кислород, производимый растениями.
Во время светозависимых реакций в тилакоидной мембране , хлоропласта, пигментов хлорофилла, пигментов поглощают световую энергию.Они производят АТФ, НАДФН и воду. Во время цикла Кальвина или светонезависимых реакций в строме , АТФ и НАДФН помогают производить глицеральдегид-3-фосфат, или G3P, который в конечном итоге становится глюкозой.
Как и клеточное дыхание, фотосинтез зависит от окислительно-восстановительных реакций, которые включают перенос электронов и цепь переноса электронов.
Существуют разные типы хлорофилла, наиболее распространенными из которых являются хлорофилл a, хлорофилл b и хлорофилл c.Большинство растений содержат хлорофилл А, который поглощает волны синего и красного света. Некоторые растения и зеленые водоросли используют хлорофилл b. Вы можете найти хлорофилл c в динофлагеллятах.
Метаболизм у прокариот
В отличие от людей и животных, прокариоты различаются по потребности в кислороде. Некоторые прокариоты могут существовать без него, а другие зависят от него. Это означает, что у них может быть аэробный, (требующий кислорода) или анаэробный, (не требующий кислорода) метаболизм.
Кроме того, некоторые прокариоты могут переключаться между двумя типами метаболизма в зависимости от обстоятельств или окружающей среды.
Прокариоты, метаболизм которых зависит от кислорода, — это облигатных аэробов . С другой стороны, прокариоты, которые не могут существовать в кислороде и не нуждаются в нем, — это облигатных анаэробов . Прокариоты, которые могут переключаться между аэробным и анаэробным метаболизмом в зависимости от наличия кислорода, — это факультативных анаэробов .
Молочная ферментация
Молочная ферментация — это тип анаэробной реакции, производящей энергию для бактерий.В ваших мышечных клетках также происходит ферментация молочной кислоты. Во время этого процесса клетки производят АТФ без кислорода посредством гликолиза. Процесс превращает пируват в молочную кислоту и производит НАД + и АТФ.
Этот процесс находит множество применений в промышленности, например, для производства йогурта и этанола. Например, бактерии Lactobacillus bulgaricus помогают производить йогурт. Бактерии сбраживают лактозу, сахар в молоке, с образованием молочной кислоты. Это делает молоко сгустком и превращает его в йогурт.
Каков клеточный метаболизм у различных типов прокариот?
Прокариоты можно разделить на разные группы в зависимости от их метаболизма. Основные типы — гетеротрофные, автотрофные, фототрофные и хемотрофные. Тем не менее, всем прокариотам для жизни по-прежнему нужен какой-то тип энергии или топлива .
Гетеротрофные прокариоты получают органические соединения от других организмов для получения углерода. Автотрофные прокариоты используют углекислый газ в качестве источника углерода.Многие могут использовать для этого фотосинтез. Фототрофные прокариоты получают энергию от света.
Хемотрофные прокариоты получают энергию из химических соединений, которые они расщепляют.
Анаболические и катаболические
Вы можете разделить метаболические пути на анаболических и катаболических категорий. Анаболические означают, что они требуют энергии и используют ее для создания больших молекул из маленьких. Катаболические означают, что они выделяют энергию и разбивают большие молекулы на более мелкие.Фотосинтез — это анаболический процесс, а клеточное дыхание — это катаболический процесс.
Эукариоты и прокариоты зависят от клеточного метаболизма, чтобы жить и развиваться. Хотя их процессы различны, они оба либо используют, либо создают энергию. Клеточное дыхание и фотосинтез — наиболее распространенные пути, наблюдаемые в клетках. Однако у некоторых прокариот разные метаболические пути, которые уникальны.
Обмен веществ во времени и пространстве — изучение границ биологии развития | Развитие
Около века назад Отто Варбург заметил, что опухоли потребляют исключительно высокий уровень глюкозы и имеют тенденцию превращать пируват в лактат независимо от наличия кислорода.Это явление, известное как аэробный гликолиз или эффект Варбурга, идеально подходит для поддержки роста и биосинтеза. Джаред Раттер (Университет штата Юта, Солт-Лейк-Сити, США) подчеркнул важность эффекта Варбурга, описывая, как его лаборатория открыла молекулярную идентичность митохондриального переносчика пирувата (MPC). Этот консервативный белковый комплекс отвечает за транспортировку пирувата в митохондриальный матрикс и представляет собой ключевое метаболическое звено между гликолизом и окислительным фосфорилированием (Bricker et al., 2012). В соответствии с наблюдениями Варбурга лаборатория Раттера обнаружила, что многие виды рака демонстрируют снижение экспрессии MPC1, что приводит к усиленному гликолитическому состоянию и увеличению роста опухоли (Schell et al., 2014). Кроме того, Раттер также описал неопубликованные данные, которые показывают, что MPC способствует пролиферации стволовых клеток в кишечнике, тем самым делая MPC ключевым регулятором развития.
Результаты лаборатории Раттера были поддержаны в беседах Николь Прайор (лаборатория Aulehla, EMBL, Гейдельберг, Германия) и Оливье Пуркье (Гарвардская медицинская школа, Кембридж, США), которые описали градиент гликолиза в пресомитной мезодерме от заднего к переднему. (PSM) хвостовой зачатки позвоночных (Bulusu et al., 2017; Огинума и др., 2017). Используя комбинацию метаболомики, транскриптомики и сенсора FRET пирувата, их лаборатории обнаружили, что задний PSM демонстрирует повышенные уровни гликолитического потока и продукции лактата, предполагая, что он полагается на аэробный гликолиз для поддержания недифференцированного состояния. В соответствии с этой возможностью, обе группы определили, что ингибирование гликолитического потока в PSM приводит к аномалиям развития. Однако цель гликолиза в этой области остается неясной, поскольку неопубликованные данные из лаборатории Aulehla показали, что только минимальное количество глюкозы необходимо для поддержки формирования мезодермального паттерна.Как объяснил Прайор, следовые количества глюкозы, использованные в этом эксперименте, не влияют на накопление гликолитических метаболитов, предполагая, что аэробный гликолиз в PSM имеет неканоническую функцию. Один ключ к пониманию того, как аэробный гликолиз способствует развитию PSM независимо от биосинтеза, принадлежит группе Pourquié, которая продемонстрировала, что градиент передачи сигналов FGF / MAPK, присутствующий в этой ткани, регулирует транскрипцию нескольких гликолитических ферментов. Интересно, что FGF также контролирует передачу сигналов Wnt в PSM, а ингибирование гликолиза в этой ткани фенокопирует потерю передачи сигналов Wnt в хвостовой зачатке.Следовательно, группа Pourquié проверила возможность того, что FGF влияет на передачу сигналов Wnt посредством гликолитического потока, и действительно обнаружила, что мишени Wnt подавляются после ингибирования гликолиза. Вместе эти данные подтверждают модель, в которой передача сигналов FGF устанавливает гликолитический градиент в развивающейся хвостовой почке, который, в свою очередь, необходим для поддержания передачи сигналов Wnt.
В дополнение к недавно обнаруженной взаимосвязи между аэробным гликолизом, FGF и передачей сигналов Wnt, Alena Krejci (University of South Bohemia, Ceske Budejovice, Czech Republic) сообщила, что сигнальный путь Notch также способен способствовать гликолитическому состоянию.Группа Крейчи обнаружила, что многие метаболические гены Drosophila содержат сайты связывания для Notch-специфического супрессора фактора транскрипции лысого, и что короткий импульс активности Notch в клетках культуры ткани S2N вызывает длительное метаболическое ремоделирование в направлении эффекта Варбурга (Slaninova et al. ., 2016). Более того, экспрессия нескольких генов, участвующих в метаболизме глюкозы, регулируется Notch в крыловом диске, и Notch может использовать этот механизм для стимулирования роста этой развивающейся ткани.Принимая во внимание, что путь Notch активен в других контекстах, в которых клетки или ткани обнаруживают повышенные уровни гликолиза, эти наблюдения предполагают, что Notch может регулировать аэробный гликолиз в различных условиях.
Роль эффекта Варбурга в развитии была дополнительно исследована Джейсоном Теннессеном (Университет Индианы, Блумингтон, США), чья лаборатория обнаружила, что личинок дрозофилы используют аэробный гликолиз для синтеза предполагаемого онкометаболита L-2-гидроксиглутарата (Li et al., 2017). Поскольку это соединение влияет на метилирование гистонов и ДНК, оно может действовать как метаболический сигнал во время личиночного развития. При рассмотрении в контексте презентаций Прайора и Пуркье наблюдения лаборатории Теннессена подчеркивают, что аэробный гликолиз потенциально может влиять на развитие независимо от биосинтеза.
Связь обмена веществ с развитием, болезнью и терапией
Если вам интересно, важен ли метаболизм, подумайте об эффекте задержки дыхания, пока вы читаете это введение.Ваш геном не изменится, и ваши паттерны экспрессии РНК и белков не сильно изменятся, если вообще не изменятся, но изобилие многочисленных метаболитов в вашем теле существенно изменится в течение секунд и в конечном итоге вызовет физиологический ответ, который восстанавливает гомеостаз.
Метаболизм сложный и динамичный, в нем участвуют сотни ферментов и реакций. Версии многих ферментов встречаются в большинстве живых организмов на Земле. В развитии метаболические процессы имеют центральное значение для роста; в пораженных тканях метаболизм нарушается и способствует возникновению патологии.Симбиотические или конкурентные метаболические взаимодействия между организмами определяют широкий спектр важных биологических процессов в иммунной системе и кишечнике. Как эти взаимодействия регулируются и координируются механизмами, основанными на ДНК, РНК и белках, остается предметом изучения.
Область метаболизма продолжает стремительно расширяться. На этой сессии будет рассмотрен широкий спектр моделей и подходов, используемых для исследования того, как метаболизм влияет на развитие, гомеостаз, болезни и медицину.
Ключевые слова : метаболизм, метаболиты, развитие, рак, патоген, действие лекарств, липиды, судьба клеток
Кому следует участвовать : любой, кто заинтересован в изучении того, как метаболизм влияет на развитие, болезнь или терапию
Тематическая песня : «Stayin’ Alive »от Bee Gees, потому что все это благодаря метаболизму
Этот сеанс поддерживается ATP. Что еще?
разговоров
Взаимодействие между метаболизмом и экспрессией генов — Мэриан Уолхаут , Медицинская школа Массачусетского университета
Определение токсичных метаболитов и их роли в развитии заболеваний — Дохун Ким , Медицинская школа Массачусетского университета
Транскрипционная регуляция первичного и специализированного метаболизма — Siobhan Brady , Калифорнийский университет, Дэвис
Межорганная перекрестная связь и регуляция метаболизма у дрозофилы — Norbert Perrimon , Harvard University
Метаболическая адаптация к окислительному стрессу на границе раздела хозяин-микроб — Ставрула Хациос , Йельский университет
Деконволюция кометаболизма микробиоты кишечника хозяина — Памела Чанг , Корнельский университет
Крошечные фармацевты внутри: как микробиом кишечника человека влияет на метаболизм и распределение лекарств — Питер Тернбо , Калифорнийский университет, Сан-Франциско
Метаболические выбросы при заболеваниях человека — Ральф ДеБерардинис , Юго-западный медицинский центр Техасского университета
Липидный обмен и ферроптоз — Скотт Диксон , Стэнфордский университет
Слишком много и никогда не бывает: синтетический избыток и метаболическая неэффективность анеуплоидии при онкогенезе — Эмма Уотсон , Гарвардская медицинская школа
Выявление условных уязвимостей при раке — Джейсон Кантор , Университет Висконсина
Генетика подавления опухоли с помощью p53 — Морин Мерфи , Институт Вистар
Узнать больше
Ознакомьтесь со всеми десятью тематическими симпозиумами, запланированными на ежегодное собрание ASBMB в 2022 году:
природных биомаркеров клеточного метаболизма: биология, методы и A
Содержание
Биохимические, биологические и биофизические основы
Митохондрии и энергетический метаболизм: сети, механизмы и контроль Ilmo E.Хассинен
Внутриклеточные автофлюоресцентные виды: структура, спектроскопия и фотофизика Нобухиро Охта и Такакадзу Накабаяши

Методы автофлуоресцентной визуализации: основы и приложения
Однофотонная автофлуоресцентная микроскопия Нарасимхан Раджарам и Нирмала Рамануджам
Autofluorescence Lifetime Imaging Майкл Г. Николс, Кристина Уорд, Ляндыша В. Жолудева, Хизер Дженсен Смит и Ричард Холлворт
Поляризационная визуализация аутофлуоресценции клеток Harshad D.Вишвасрао, Цианру Ю, Курави Хевавасам и Ахмед А. Хейкал
Мониторинг клеточного энергетического метаболизма в реальном времени in vivo Авраам Маевский и Эфрат Барбиро-Микаэли
Триптофан как альтернативный биомаркер клеточного энергетического метаболизма Винод Джотикумар, Юаньшэн Сан и Аммаси Периасами
Альтернативные подходы к оптическому определению окислительно-восстановительного состояния Йи Ян

Природные биомаркеры для биохимических и биологических исследований
Пространственно-временное определение активности NADH-связанных ферментов в метаболизме отдельных клеток V.Кришнан Рамануджан
NAD (P) H и FAD как биомаркеры запрограммированной клеточной смерти Hsing-Wen Wang
Мониторинг дифференцировки стволовых клеток в сконструированных тканях Кайл П. Куинн и Ирен Георгакуди

Автофлуоресценция как инструмент диагностики в медицине и здравоохранении
Исследование физиологии и патологии сердечно-сосудистой системы с помощью автофлуоресценции Альзбета Марчек Чорватова
Перспектива автофлуоресценции в диагностике рака Lin Z.Ли и Наннан Сун
Динамическое изображение аутофлуоресценции внутриклеточного кофермента в интактных островках поджелудочной железы Алан К. Лам и Джонатан В. Рошело
Автофлуоресцентная диагностика офтальмологических заболеваний Дитрих Швейцер
Влияние патогенов на энергетический метаболизм в клетках-хозяевах Márta Szaszák и Jan Rupp

Индекс
.
No related posts.

Гомеостаз. Метаболизм — урок. Биология, Общие биологические закономерности (9–11 класс).

Метаболизм

«Обмен веществ. Метаболизм». 9-й класс

обмен веществ и энергии в клетке кратко, процессы (Таблица, схема)

Метаболизм его процессы катаболизм и анаболизм таблица

Схема обмен веществ и энергии в клетке — метаболизм

Схема метаболизма (вариант 2)

Метаболизм — теория

Вернуться к теме «Метаболизм»

Обмен веществ и энергии

Основные понятия

Готовые работы на аналогичную тему

Виды обмена веществ

Регуляция обмена веществ

Энергетический обмен, подготовка к ЕГЭ по биологии

Обмен веществ

Энергетический обмен

АТФ — аденозинтрифосфорная кислота

Пластический обмен

6.1A: роль энергии и метаболизма

Ключевые моменты

Ключевые термины

Энергия и обмен веществ

Биоэнергетика и химические реакции

Клеточный метаболизм

Сохранение и эволюционная модульность метаболизма | Genome Biology

Обзор — от метаболизма болезней к точной медицине

1. Введение

2. Биология метаболических систем

2.1. Метаболические модели в масштабе генома

2.2. Моделирование на основе ограничений и анализ баланса потоков

2.3. Анализ мультиомного баланса потока

2.4. Выбор целевой функции и учет нескольких клеточных целей

3. 15 лет моделирования метаболизма человека

3.1. От ориентированных на размер «моделей» к ручному курированию

4.Тканевые и специфические для пациентов данные о метаболизме заболеваний человека

5. Обсуждение и перспективы

Конфликт интересов

Дополнительные материалы

Клеточный метаболизм: определение, процесс и роль ATP

Клеточный метаболизм

Что такое процесс клеточного метаболизма?

Ферменты: основы

Клеточное дыхание у эукариот

Метаболизм в растениях: фотосинтез

Метаболизм у прокариот

Молочная ферментация

Каков клеточный метаболизм у различных типов прокариот?

Анаболические и катаболические

Обмен веществ во времени и пространстве — изучение границ биологии развития | Развитие

Связь обмена веществ с развитием, болезнью и терапией

разговоров

Узнать больше

природных биомаркеров клеточного метаболизма: биология, методы и A

Содержание

Добавить комментарий Отменить ответ