Grup de gens metabòlics
Els grups de gens metabòlics o grups de gens biosintéticos són grups de gens majoritàriament no homòlecs i estretament relacionats, que participen en una via metabòlica comuna i específica. Els gens es troben físicament prop en el genoma i la seua expressió és generalment corregulada.[1][2][3] Els grups de gens metabòlics són característiques comunes dels genomes bacterians[4] i la majoria dels genomes fúngicos,[5] i és menys freqüentment trobat en atres organismes.[6] Estos grups són més àmpliament coneguts pel seu paper en la producció de metabòlits secundaris, els quals són la base de la majoria dels composts farmacèutics, toxines naturals i substàncies usades per a comunicació i destrucció entre organismes. Els grups de gens biosintéticos també poden trobar-se implicats en l'obtenció de nutrients, degradació de toxines,[7] la resistència antimicrobiana i la biosíntesis de vitamines.[5] Donat totes les propietats dels grups de gens, estos juguen una funció clau en la formació d'ecosistemes microbiales, incloent les interaccions microbioma-hoste. Aixina, s'han desenrollat múltiples ferramentes genómicas computacionals per a predir grups de gens metabòlics.

Un de lo eixemples més conegut és el grup de gens biosintético de penicilina en Penicillum chrysogenum. Este grup de gens codifica la producció de penicilina,[8] un atibiótico valiós.[9] Est consta de tres gens principals: pcbAB, pcbC i pender.[10]
- pcbAB: Codifica l'enzima ACV sintetasa, que és essencial per a la formació del precursor de la penicilina, l'àcit 6-aminopenicilánico(ACV).
- pcbC: Participa en la conversió de el ACV en penicilina G.
- pender: Codifica l'enzima isopenicilina N-sintetasa, que canalisa la estapa final de la síntesis de la penicilina G.
Bases de senyes
Existixen diverses bases de senyes en les que podem trobar grups de gens metabòlics. Algunes d'estes bases inclouen MIBiG, que conté grups de gens validats experimentalment, i BiG-FAM, que classifica i agrupa els grups de gens biosintéticos en famílies de gens relacionades en la biosíntesis de composts naturals.
MIBiG
La base de senyes Informació mínima sobre un Grup de Gens Biosintéticos (MIBiG) es va definir en 2015.[11] El seu propòsit és estandardisar l'informació mínima requerida per a caracterisar de forma única un grup de gens metabòlic. L'informació mínima comprén la seqüència i el tipo de grup de gens metabòlics, l'experiment que valida l'activitat d'este grup de gens i l'organisme en el que es va realisar este experiment. Ademés, esta base de senyes inclou entrades, estructures, bioactividades i especificidad de substrats de domini enzimàtic.
BiG-FAM
BiG-FAM (Biosynthetic Gene Families) és una base de senyes que utilisa un enfocament basat en la seqüència d'aminoàcits dels dominis proteics per a agrupar els BGC en famílies. La base de senyes conté informació sobre diversos tipos de BGC, com els que codifiquen per a la síntesis de pèptids no ribosomales (NRPS), poliquétidos (PKS), terpenos, alcaloide, entre uns atres.L'organisació i agrupació dels BGC en categories familiars proporciona als científics la capacitat d'analisar les conexions evolutives entre els gens i els productes naturals que generen, ademés de simplificar l'anticipació de nous composts basant-se en l'informació genètica disponible.[12]
Ferramentes bioinformáticas
Ferramentes basades en regles
S'han desenrollat ferramentes bioinformátiques per a predir i determinar l'abundància i expressió de grups de gens metabòlics en mostres de microbiomas, des de senyes metagenòmics.[13] Degut a que el tamany de les bases de senyes metagenòmics és considerable, la capacitat de filtre i agrupació d'estos són elements importants d'estes ferramentes. Estos processos poden consistir de tècniques de reducció de dimensionalidad, com Minhash,[14] i algoritmes d'agrupació (clusterisació) com k-medoids i propagació d'afinitatTambé s'han desenrollat vàries mètriques i similars per a possibilitar la comparació.
La mineria genómica per a grups de gens biosintéticos (Genome Mining for Byosynthetic Gene Clusters, o BCGs) s'ha convertit en una part íntegra del descobriment de productes naturals. Els més de 200 mil genomes microbianos disponibles públicament en l'actualitat posseïxen informació nova, abundant i important per a la química. Una manera de navegar esta vasta diversitat genómica és a través d'anàlisis comparatius de BCGs homòlecs, lo que permet l'identificació de patrons a través d'espècies que poden ser associades a la presència de certs metabòlits o activitats biològiques. No obstant, estes ferramentes es veuen obstaculisades per un coll de botella causada per un costós enfocament basat en rets que s'usa per a agrupar estos BCGs en famílies de grups genòmics (Gene Cluster Families, o GCFs): el Motor de Agrupamiento Biosintético Super-Llineal (Biosynthetic Super-Linear Clustering Engine, o BiG-SLiCE), una ferramenta dissenyada per a agrupar números massius de BCGs. En representar-los en un espai euclidiano, BiG-SLiCE pot agrupar BCGs en GCFs d'una manera no emparellada i casi llineal.
Satria et. al, 2021, varen demostrar l'utilitat d'estos anàlisis per mig de la reconstrucció d'un mapa global de diversitat metabòlica secundària a través dels tàxons per a identificar potencial biosintético sense descobrir, obrint noves possibilitats per a accelerar el descobriment de productes naturals, oferint aixina un primer alvanç cap a la construcció d'una ret global interconectada i navegable de BCGs.[15] Quant més genomes siguen secuenciados des de tàxons poc estudiats, més informació es podrà minar per a resaltar el seu potencial químic.[15]
Ferramentes basades en machine learning (aprenentage automàtic)
La comprensió dels processos biològics subjacents d'una varietat d'organismes depén de l'anàlisis de grups de gens metabòlics. Estos grups de gens regulen i eixecuten les vies metabòliques, que són essencials per a les funcions celulars importants com el creiximent, la reproducció i la resposta als estímuls ambientals.En este context, les ferramentes basades en machine learning han sorgit com a aliades per a identificar, classificar i comprendre la funció d'estos grups de gens.[16]
La classificació i agrupació de gens metabòlics en funció dels seus perfils d'expressió gènica és una de les aplicacions més destacades del machine learning en este camp. Els algoritmes de clustering, com k-means, agrupamiento jeràrquic o DBSCAN, s'utilisen àmpliament per a agrupar gens en perfils d'expressió similars, lo que permet identificar conjunts de gens que podrien estar coordinats en la mateixa via metabòlica o procés biològic.[17]
Els models d'aprenentage profunt, com les rets neuronals i els arbres de decisió, s'han utilisat també per a predir la funció de gens metabòlics desconeguts o per a classificar gens en categories específiques d'acort en característiques genómicas, epigenétiques o d'expressió. Per eixemple, les Rets Neuronals Convolucionales (CNN) s'han utilisat per a analisar seqüències de ADN i predir l'impacte funcional de les variants no codificantes.[18] Ademés, ferramentes com GeneMANIA i STRING utilisen algoritmes d'aprenentage automàtic per a predir interaccions gén-gen i crear rets de gens metabòlics, proporcionant informació important sobre l'organisació i regulació de les vies metabòliques.[19][20]
Referències
- ↑ (April 2017).«Genome-Wide Prediction of Metabolic Enzymes, Pathways, and Gene Clusters in Plants».Plant Physiology.173(4): 2041–2059.doi:10.1104/pp.16.01942.
- ↑ (January 1987).«Position-dependent and -independent mechanisms regulate cell-specific expression of the SpoC1 gene cluster of Aspergillus nidulans».Molecular and Cellular Biology.7(1): 427–34.doi:10.1128/MCB.7.1.427.
- ↑ (September 2019).«METACLUSTER-an R package for context-specific expression analysis of metabolic gene clusters».Bioinformatics.35(17): 3178–3180.doi:10.1093/bioinformatics/btz021.
- ↑ (July 2014).«Insights into secondary metabolism from a global analysis of prokaryotic biosynthetic gene clusters».Cell.158(2): 412–421.doi:10.1016/j.cell.2014.06.034.
- ↑ 5,0 5,1 (2017).«Fungal Gene Cluster Diversity and Evolution».Advances in Genetics.100: 141–178.doi:10.1016/bs.adgen.2017.09.005.
- ↑ (May 2017).«A Global Coexpression Network Approach for Connecting Gens to Specialized Metabolic Pathways in Plants».The Plant Cell.29(5): 944–959.doi:10.1105/tpc.17.00009.
- ↑ (June 2018).«Specialized plant biochemistry drives gene clustering in fungi».The ISME Journal.12(7): 1694–1705.doi:10.1038/s41396-018-0075-3.
- ↑ Guzmán-Chávez, Fernando; Zwahlen, Repte D.; Bovenberg, Roel A. L.; Driessen, Arnold J. M.(2018).«Engineering of the Filamentous Fungus Penicillium chrysogenum as Cell Factory for Natural Products».Frontiers in Microbiology.9ISSN 1664-302X.doi:10.3389/fmicb.2018.02768/full.Consultat el 2024-04-04.
- ↑ «Descobriment i desenroll de la penicilina» (en en). American Chemical Society. Consultat el 2024-04-12.
- ↑ Fierro, Francisco; Vaca, Inmaculada; Castell, Nancy I.; García-Ric, Ramón Ovidio(2022-03).«Penicillium chrysogenum, a Vintage Model with a Cutting-Edge Profile in Biotechnology».Microorganisms.10(3): 573.ISSN 2076-2607.doi:10.3390/microorganisms10030573.Consultat el 2024-04-04.(en en)
- ↑ Terlouw, Barbara R; Blin, Kai; Navarro-Muñoz, Jorge C; Avalon, Nicole I(2023-01-06).«MIBiG 3.0: a community-driven effort to annotate experimentally validated biosynthetic gene clusters».Nucleic Acids Research.51(D1): D603–D610.ISSN 0305-1048.doi:10.1093/nar/gkac1049.Consultat el 2024-04-02.(en en)
- ↑ Kautsar, Satria A; Blin, Kai; Shaw, Simon; Weber, Tilmann(2020-10-03).«BiG-FAM: the biosynthetic gene cluster families database».Nucleic Acids Research.49(D1): D490–D497.ISSN 0305-1048.doi:10.1093/nar/gkaa812.Consultat el 2024-04-04.
- ↑ (2020).«BiG-MAP: an automated pipeline to profile metabolic gene cluster abundance and expression in microbiomes».bioRxiv.: 32.doi:10.1101/2020.12.14.422671.
- ↑ (2016).«Mash: fast genome and metagenome distance estimation using MinHash».Genome Biology.17(32): 14.doi:10.1186/s13059-016-0997-x.
- ↑ 15,0 15,1 Kautsar, Satria A; van der Hooft, Justin J J; de Ridder, Dick; Medema, Marnix H(2021-01-13).«BiG-SLiCE: A highly scalable tool maps the diversity of 1.2 million biosynthetic gene clusters».GigaScience.10(1): giaa154.doi:10.1093/gigascience/giaa154.
- ↑ Li, Yixue; Chen, Luonan(2014-10).«Big Biological Data: Challenges and Opportunities».Genomics, Proteomics & Bioinformatics.12(5): 187–189.doi:10.1016/j.gpb.2014.10.001.Consultat el 2024-05-05.(en en)
- ↑ Wu, Junjie (2012). Cluster Analysis and K-means Clustering: An Introduction (en en), Springer, pp. 1–16. doi:10.1007/978-3-642-29807-3_1. ISBN 978-3-642-29807-3. Consultat el 2024-05-05.
- ↑ Zhou, Jian; Troyanskaya, Olga G(2015-10).«Predicting effects of noncoding variants with deep learning–based sequence model».Nature Methods.12(10): 931–934.ISSN 1548-7091.doi:10.1038/nmeth.3547.Consultat el 2024-05-05.(en en)
- ↑ Warde-Farley, David; Donaldson, Sylva L.; Menges, Ovi; Zuberi, Khalid(2010-07-01).«The GeneMANIA prediction server: biological network integration for gene prioritization and predicting gene function».Nucleic Acids Research.38(suppl_2): W214–W220.ISSN 1362-4962.doi:10.1093/nar/gkq537.Consultat el 2024-05-05.(en en)
- ↑ . academic.oup.com. doi:10.1093/nar/gkac1000. Consultat el 2024-05-05.
Referències
- Este artícul conté una traducció derivada de «Grupo de genes metabólicos» de Wikipedia en castellà publicada baix la Llicència de documentació lliure de GNU i la Llicència Creative Commons Reconeiximent-CompartirIgual 4.0 Internacional.