stringtranslate.com

Microarray de fenotipo

El método de microarray de fenotipos es una tecnología para la fenotipificación de células de alto rendimiento . Un sistema de microarray de fenotipos permite monitorear simultáneamente la reacción fenotípica de las células a desafíos ambientales o compuestos exógenos de una manera de alto rendimiento. Las reacciones fenotípicas se registran como mediciones de punto final o cinéticas de respiración similares a las curvas de crecimiento .

Usos

Las pruebas fenotípicas de alto rendimiento son cada vez más importantes para explorar la biología de bacterias , hongos , levaduras y líneas celulares animales como las células cancerosas humanas . Así como los microarreglos de ADN y las tecnologías proteómicas han hecho posible ensayar el nivel de expresión de miles de genes o proteínas a la vez, los microarreglos de fenotipos (PM) hacen posible medir cuantitativamente miles de fenotipos celulares simultáneamente. [1] El enfoque también ofrece potencial para probar la función genética y mejorar la anotación del genoma. [2] A diferencia de muchas de las tecnologías moleculares de alto rendimiento disponibles hasta ahora, las pruebas fenotípicas se procesan con células vivas, lo que proporciona información completa sobre el rendimiento de células enteras. Las principales aplicaciones de la tecnología PM se encuentran en los campos de la biología de sistemas , la fisiología celular microbiana , la microbiología y la taxonomía , [3] y la fisiología celular de mamíferos , incluida la investigación clínica, como la del autismo . [4] Las ventajas de las PM sobre las curvas de crecimiento estándar son que la respiración celular se puede medir en condiciones ambientales en las que la replicación celular (crecimiento) puede no ser posible, [5] y que es más precisa que la densidad óptica , que puede variar entre diferentes morfologías celulares. Además, las reacciones de respiración suelen detectarse mucho antes que el crecimiento celular. [6]

Tecnología

Una única fuente de carbono que pueda transportarse a una célula y metabolizarse para producir NADH genera un potencial redox y un flujo de electrones para reducir un colorante de tetrazolio , [7] como el violeta de tetrazolio , que produce un color púrpura. Cuanto más rápido sea este flujo metabólico, más rápidamente se forma el color púrpura. La formación del color púrpura es una reacción positiva. interpretada de tal manera que la única fuente de carbono se utiliza como fuente de energía. Se necesitan un lector de microplacas y una instalación de incubación para proporcionar las condiciones de incubación adecuadas y para leer automáticamente la intensidad de la formación de color durante la reducción de tetrazolio en intervalos de, por ejemplo, 15 minutos.

La idea principal de recuperar información sobre las capacidades de un organismo y sus modos especiales de acción al hacer uso de ciertas fuentes de energía se puede aplicar de manera equivalente a otros macronutrientes como el nitrógeno , el azufre o el fósforo y sus compuestos y derivados. Como extensión, se puede determinar el impacto de suplementos auxotróficos o antibióticos , metales pesados ​​u otros compuestos inhibidores en el comportamiento respiratorio de las células.

Estructura de datos

Durante una reacción positiva, se espera que la cinética longitudinal aparezca como curvas sigmoideas en analogía a las curvas de crecimiento bacteriano típicas . Comparables a las curvas de crecimiento bacteriano, las curvas cinéticas de respiración pueden proporcionar información valiosa codificada en la longitud de la fase de retraso λ, la tasa de respiración μ (que corresponde a la inclinación de la pendiente), la respiración celular máxima A (que corresponde al valor máximo registrado) y el área bajo la curva (AUC). A diferencia de las curvas de crecimiento bacteriano , normalmente no hay fase de muerte en las PM, ya que el colorante de tetrazolio reducido es insoluble.

Software

Existe un software propietario y disponible comercialmente que proporciona una solución para el almacenamiento, la recuperación y el análisis de datos de fenotipo de alto rendimiento. Un potente software libre y de código abierto es el paquete "opm" basado en R. [8] [9] "opm" contiene herramientas para analizar datos de PM, incluyendo la gestión, visualización y análisis estadístico de datos de PM, cubriendo la estimación de parámetros de curva, gráficos dedicados y personalizables, gestión de metadatos , comparación estadística con anotaciones de genoma y vías , generación automática de informes taxonómicos , discretización de datos para software filogenético y exportación en el lenguaje de marcado YAML . Junto con otros paquetes R se utilizó para aplicar boosting para volver a analizar datos de PM de autismo y detectar más factores determinantes. [10] El paquete "opm" ha sido desarrollado y se mantiene en Deutsche Sammlung von Mikroorganismen und Zellkulturen . Otro software libre y de código abierto desarrollado para analizar datos de microarrays de fenotipos es "DuctApe", una herramienta de línea de comandos de Unix que también correlaciona datos genómicos . [11] Otras herramientas de software son PheMaDB, [12] que proporciona una solución para el almacenamiento, la recuperación y el análisis de datos de fenotipos de alto rendimiento, y el software PMViewer [13] que se centra en la visualización gráfica pero no permite un análisis estadístico adicional. Este último no está disponible públicamente.

Véase también

Referencias

  1. ^ Bochner, BR (2009), "Caracterización fenotípica global de bacterias", FEMS Microbiology Reviews , 33 (1): 191–205, doi :10.1111/j.1574-6976.2008.00149.x, PMC  2704929 , PMID  19054113
  2. ^ Bochner, BR; Gadzinski, P.; Panomitros, E. (2001), "Microarreglos de fenotipos para pruebas fenotípicas de alto rendimiento y análisis de la función genética", Genome Research , 11 (7): 1246–1255, doi :10.1101/gr.186501, PMC 311101 , PMID  11435407 
  3. ^ Montero-Calasanz, MC; Göker, M.; Pötter, G.; Rohde, M.; Spröer, C.; Schumann, P.; Klenk, AA; Gorbushina, H.-P. (2013), " Geodermatophilus telluris sp. nov., un nuevo actinomiceto aislado de la arena del desierto del Sahara en Chad", International Journal of Systematic and Evolutionary Microbiology , 13 (Pt 6): 2254–2259, doi :10.1099/ijs.0.046888-0, hdl : 10033/299082 , PMID  23159748
  4. ^ Boccuto, L.; Chen, C.-F.; Pittman, AR; Skinner, CD; McCartney, HJ; Jones, K.; Bochner, BR; Stevenson, RE; Schwartz, CE (2013), "Disminución del metabolismo del triptófano en pacientes con trastornos del espectro autista", Molecular Autism , 4 (16): 16, doi : 10.1186/2040-2392-4-16 , PMC 3680090 , PMID  23731516 
  5. ^ Omsland, A.; Cockrell, DC; Howe, D.; Fischer, ER; Virtaneva, K.; Sturdevant, DE; Porcella, SF; Heinzen, RA (2009), "Crecimiento libre de células huésped de la bacteria de la fiebre Q Coxiella burnetii ", Actas de la Academia Nacional de Ciencias de los Estados Unidos de América , 106 (11): 4430–4434, Bibcode :2009PNAS..106.4430O, doi : 10.1073/pnas.0812074106 , PMC 2657411 , PMID  19246385 
  6. ^ Vaas, LAI; Marheine, M.; Sikorski, J.; Göker, M.; Schumacher, M. (2013), "Impactos de la sobreexpresión de pr-10a a nivel molecular y fenotípico", International Journal of Molecular Sciences , 14 (7): 15141–15166, doi : 10.3390/ijms140715141 , PMC 3742292 , PMID  23880863 
  7. ^ Bochner, BR; Savageau, MA (1977), "Placa indicadora generalizada para estudios genéticos, metabólicos y taxonómicos con microorganismos", Applied and Environmental Microbiology , 33 (2): 434–444, Bibcode :1977ApEnM..33..434B, doi :10.1128/AEM.33.2.434-444.1977, PMC 170700 , PMID  322611 
  8. ^ Vaas, LAI; Sikorski, J.; Michael, V.; Göker, M.; Klenk, H.-P. (2012), "Estrategias de visualización y estimación de parámetros de curva para la exploración eficiente de la cinética de microarrays de fenotipos", PLOS ONE , 7 (4): e34846, Bibcode :2012PLoSO...734846V, doi : 10.1371/journal.pone.0034846 , PMC 3334903 , PMID  22536335 
  9. ^ Vaas, LAI; Sikorski, J.; Hofner, B.; Fiebig, A.; Buddruhs, N.; Klenk, H.-P.; Göker, M. (2013), "opm: Un paquete R para analizar datos de microarrays de fenotipos OmniLog®", Bioinformatics , 29 (14): 1823–4, doi : 10.1093/bioinformatics/btt291 , PMID  23740744
  10. ^ Hofner, B.; Boccuto, L.; Göker, M. (2015), "Control de descubrimientos falsos en situaciones de alta dimensión: potenciación con selección de estabilidad", BMC Bioinformatics , 16 : 144, doi : 10.1186/s12859-015-0575-3 , PMC 4464883 , PMID  25943565 
  11. ^ Galardini, M.; Mengoni, A.; Biondi, EG; Semeraro, R.; Florio, A.; Bazzicalupo, M.; Benedetti, A.; Mocali, S. (2013), "DuctApe: una suite para el análisis y correlación de datos genómicos y de microarrays de fenotipos OmniLog™", Genomics , 103 (1): 1–10, arXiv : 1307.4276 , doi : 10.1016/j.ygeno.2013.11.005 , PMID  24316132
  12. ^ Chang, W.; Sarver, K.; Higgs, B.; Read, T.; Nolan, N.; Chapman, C.; Bishop-Lilly, K.; Sozhamannan, S. (2011), "PheMaDB: una solución para el almacenamiento, la recuperación y el análisis de datos de fenotipos de alto rendimiento", BMC Bioinformatics , 12 : 109, doi : 10.1186/1471-2105-12-109 , PMC 3097161 , PMID  21507258 
  13. ^ Borglin, S.; Joyner, D.; Jacobsen, J.; Mukhopadhyay, A.; Hazen, TC (2009), "Superando el obstáculo anaeróbico en microarreglos fenotípicos: Generación y visualización de datos de la curva de crecimiento para Desulfovibrio vulgaris Hildenborough" (PDF) , Journal of Microbiological Methods , 76 (2): 159–168, doi :10.1016/j.mimet.2008.10.003, PMID  18996155

Enlaces externos