mencari oligonukleotida yang menunjukkan daerah non-coding di

genom ragi dan cacing (102, 103)

Setelah mendeteksi peraturan situs mengikat, ada masalah
mendefinisikan gen yang sebenarnya diatur, biasanya disebut
regulon. Umumnya, situs mengikat diasumsikan terletak langsung
di hulu regulon; namun ada masalah yang berbeda terkait dengan
ini tergantung pada organisme. Untuk prokariota, ini dipersulit
oleh adanya operon; itu sulit untuk menemukan gen yang diatur
dalam suatu operon karena dapat berada beberapa gen hilir
regulasi urutan. Seringkali sulit diprediksi organisasi operon
(104),terutama untuk menentukan gen itu ditemukan di kepala,
dan sering ada kurangnya konservasi jangka panjang di antara
organisme terkait (105). Masalah pada eukariota bahkan lebih
parah; situs regulasi sering bertindak di kedua arah, situs yang
mengikat biasanya jauh dari regulator karena daerah intergenik
besar, dan peraturan transkripsi biasanya hasil tindakan
gabungan oleh banyak faktor transkripsi dalam cara
kombinatorial.
Terlepas dari masalah ini, penelitian ini telah berhasil
mengkonfirmasi jalur regulasi transkripsi dari sistem yang ditandai
dengan baik seperti sistem respon kejut (99). Selain itu, layak
untuk verifikasi prediksi mental apa pun, terutama menggunakan
data ekspresi gen.
Studi ekspresi gen
Banyak penelitian ekspresi sejauh ini berfokus pada
merancang metode untuk gen cluster dengan kesamaan dalam
profil ekspresi. Ini untuk menentukan protein yang diekspresikan
bersama di bawah berbeda kondisi seluler yang berbeda. Secara
singkat, metode yang paling umum bersifat hierarkis clustering,
peta pengorganisasian, dan K-means clustering. Metode hirarki
berasal dari algoritma untuk membangun pohon filogenetik, dan
gen kelompok di “bottom-up”; gen dengan yang paling mirip profil
ekspresi dikelompokkan terlebih dahulu,dan mereka dengan profil
yang acak dimasukkan secara iteratif (106-108). Sebaliknya, peta
mengorganisir diri (109,110) dan metode K-means (111)
menggunakan pendekatan "top-down" di mana pengguna
menentukan terlebih dahulu jumlah cluster untuk data set. Cluster
awalnya ditugaskan secara acak, dangen dikelompokkan lagi
secara iteratif hingga mereka terkelompok secara optimal.
Mengingat metode ini, itu menarik untuk menghubungkan
data ekspresi ke atribut lain seperti struktur, fungsi dan lokalisasi
subseluler setiap produk gen. Pemetakan sifat ini memberikan
wawasan tentang karakteristik protein yang diekspresikan
bersama, dan juga menyarankan beberapa kesimpulan menarik
tentang keseluruhan biokimia sel. Pada ragi, protein lebih pendek
cenderung lebih banyak diekspresikan daripada protein, mungkin
karena relatif mudah dengan mereka diproduksi (112). Melihat
kandungan asam amino,gen yang diekspresikan secara umum
diperkaya dengan alanin dan glisin, dan habis dalam asparagin;
ini dianggap mencerminkan persyaratan penggunaan asam
amino dalam organisme, di mana sintesis alanin dan glisin penuh
semangat lebih murah dari asparagine. Beralih ke struktur
protein, tingkat ekspresi dari laras TIM dan NTP lipatan hidrolase
yang tertinggi, sedangkan untuk leusin ritsleting, jari seng dan
trans membrane lipatan yang mengandung helix adalah yang
terendah. Hal ini berkaitan dengan fungsi yang terkait dengan
lipatan tersebut; yang umumnya terlibat dalam jalur metabolisme
dan yang terakhir dalam signaling atau proses transportasi (113).
Hal Ini juga tercermin dalam hubungan dengan subseluler
lokalisasi protein, di mana ekspresi protein sitoplasma adalah
tinggi, tetapi nuklir dan membrane protein cenderung rendah
(114, 115).
 Hubungan yang lebih kompleks juga telah dinilai.
Kebijaksanaan konvensional bahwa produk gen yang berinteraksi
satu sama lain lebih mungkin memiliki profil ekspresi yang mirip
daripada jika tidak (116, 117). Namun, Studi terbaru menunjukkan
bahwa ini hubungan tidak begitu sederhana (118). Sementara
profil ekspresi serupa untuk produk gen yang secara permanen
terkait, misalnya dalam ukuran subunit ribosom besar, profil
berbeda secara signifikan untuk produk yang hanya terkait secara
sementara, termasuk yang milik metabolisme yang sama jalan
Seperti dijelaskan di bawah ini, salah satu yang utama
kekuatan pendorong di belakang ekspresi Analisis telah dilakukan
untuk menganalisis kanker garis sel (119). Secara umum, sudah
di perlihatkan garis sel yang berbeda (missel epitel dan ovarium)
dapat dibedakan atas dasar mereka profil ekspresi, dan iniprofil
dipertahankan ketika sel ditransfer dari in vivo ke dalam
lingkungan vitro (120). Dasar untuk perbedaan fisiologis mereka
terlihat dalam ekspresi spesifikgen; misalnya, level ekspresi
produk gen yang diperlukan untuk perkembangan melalui siklus
sel,terutama gen ribosom, berkorelasi baik dengan variasi dalam
proliferasi sel menilai. Analisis komparatif dapat dilakukan meluas
ke sel tumor, di mana penyebab kanker yang mendasarinya
terungkap dengan menunjukkan area variasi biologis
dibandingkan dengan sel normal. Misalnya di payudara kanker,
gen yang terkait dengan selproliferasi dan IFN-diatur jalur
transduksi sinyal adalah ditemukan diregulasi (52, 121). Satu dari
kesulitan dalam perawatan kanker telah menargetkan terapi
khusus untuk jenis tumor yang berbeda secara patogenetik, untuk
memaksimalkan kemanjuran dan meminimalkan toksisitas.
Karena itu,perbaikan dalam klasifikasi kanker telah menjadi pusat
kemajuan dipengobatan kanker. Walaupun perbedaan antara
berbagai bentuk kanker - misalnya subclass dari leukemia akut -
sudah baik didirikan, masih belum memungkinkan untuk
menetapkan diagnosis klinis pada dasar dari satu tes. Dalam
studi terbaru, leukemia myeloid akut dan akutleukemia
limfoblastik adalah berhasil dibedakan berdasarkan profil ekspresi
sel-sel ini (53). Karena pendekatannya tidak memerlukan
sebelumnya pengetahuan biologis tentang penyakit, itu dapat
memberikan strategi generik untuk mengklasifikasikan semua
jenis kanker
Jelas, aspek penting dari memahami data ekspresi terletak
pada memahami dasar transkripsi peraturan. Namun, analisis di
bidang ini masih terbatas pada analisis awal tingkat ekspresi
dalam mutan ragi kurang komponen kunci dari transkripsi
kompleks inisiasi (10, 122).
“... banyak PRAKTISAPLIKASI ... "
Di sini, kami menjelaskan beberapa mata pelajaran utama
penggunaan bio informatika
Menemukan Homolog
Seperti dijelaskan sebelumnya, salah satunya kekuatan
pendorong di belakang bio informatika adalah mencari kesamaan
antara berbagai biomolekul. Selain memungkinkan organisasi
yang sistematis data, identifikasi proteinhomolog memiliki
beberapa praktik langsung menggunakan. Yang paling jelas
adalah mentransfer informasi antara protein terkait. Misalnya,
diberi karakter yang buruk-ised protein, adalah mungkin untuk
mencari homolog yang lebih dipahami dan dengan hati-hati,
terapkan beberapa pengetahuan tentang yang terakhir ke yang
pertama. Khusus dengan data struktural, model teoritis protein
adalah biasanya didasarkan pada dipecahkan secara eksperi
mental struktur homolog dekat (123).Teknik serupa digunakan
dalam lipatan pengakuan di mana struktur tersier prediksi
tergantung pada struktur temuan homolog jarak jauh dan
pengecekan apakah prediksi itu penuh semangat layak (124).
Dimana biokimia atau data struktural kurang, studi bisa dibuat di
organisme tingkat rendah seperti ragi dan hasilnya diterapkan
homolog dalam organisme tingkat tinggi seperti manusia, tempat
eksperimen lebih banyak menuntut.
Pendekatan yang setara juga dipekerjakan dalam genomik.
Homolog-Temuan digunakan secara luas untuk konfirmasi daerah
pengkodean di urutan baru genom dan data fungsional sering
ditransfer ke anotasigen individu. Pada skala yang lebih besar, itu
juga menyederhanakan masalah memahami genom kompleks
oleh menganalisis organisme sederhana terlebih dahulu dan
kemudian menerapkan prinsip yang sama yang lebih rumit - ini
adalah satu alasan mengapa genomik struktural awal proyek
yang berfokus pada Mycoplasmagenitalium (91).
Ironisnya, ide yang sama dapat terjadi diterapkan secara
terbalik. Obat potensial target dengan cepat ditemukan oleh
memeriksa apakah homolog dari protein mikroba esensial tidak
ada pada manusia. Pada skala yang lebih kecil, structural
perbedaan antara protein yang samadapat dimanfaatkan untuk
merancang obatmolekul yang secara spesifik mengikat satu
struktur tetapi tidak yang lain.
Desain Obat
Rasional Salah satu medis paling awal aplikasi bio
informatika telah dalam membantu desain obat rasional. Gambar
2 menguraikan pendekatan yang sering dikutip, mengambil
produk gen MLH1 sebagai contoh target obat. MLH1 adalah
manusia gen yang mengkode perbaikan ketidakcocokan protein
(mmr) terletak pada shortlengan kromosom 3 (125). Melalui
analisis keterkaitan dan kesamaannya dengan mmr gen pada
tikus, memiliki gen telah terlibat dalam nonpolyposis kanker
kolorektal (126). Mengingat urutan nukleotida, kemungkinan
urutan asam amino yang dikodekan protein dapat ditentukan
dengan menggunakan perangkat lunak terjemahan. Urutan teknik
pencarian kemudian dapat digunakan untuk menemukan
homolog dalam modelorganisme, dan berdasarkan urutan
kesamaan, adalah mungkin untuk memodelkan struktur protein
manusia pada struktur dicirikan secara eksperimental mendatang.
Akhirnya, algoritma dockingbisa merancang molekul yang bisa
mengikat struktur model, memimpin cara untuk tes biokimia untuk
menguji aktivitas biologis mereka pada actual protein.
Melalui skala besar inisensus, seseorang dapat mengatasi
suatu nomorevolusi, biokimia dan pertanyaan biofisik. Sebagai
contoh, terkait lipatan protein spesifik dengan kelompok
filogenetik tertentu? Seberapa umum lipatan berbeda dalam
organisme tertentu? Dan untuk berapa derajat lipatan yang
dibagikan antar organisme terkait? Apakah sejauh ini berbagi
parallel ukuran keterkaitan berasal dari pohon evolusi tradisional?
Awal studi menunjukkan bahwa frekuensi lipatan sangat berbeda
antara