Yüksek verimli protein-DNA etkileşim puanlaması için grafik tabanlı derin öğrenme yaklaşımı

Soyut

Protein-DNA etkileşimlerinin (PDI’ler) doğru bir şekilde ölçülmesi, biyolojik süreçleri anlamak ve ilaç tasarımını kolaylaştırmak için kritik öneme sahiptir. Ancak, nükleik asitlerin doğasında bulunan esneklik, deneysel olarak belirlenmiş PDI kompleks yapılarının kullanılabilirliğini sınırlayarak güvenilir puanlama fonksiyonlarının (SF’ler) eğitilmesinde önemli bir zorluk oluşturmaktadır. Bu sorunu çözmek için, PDI tahmini için yeni bir derin öğrenme tabanlı SF olan PDIScore’u geliştirdik. PDIScore, nükleotit esnekliğini yakalamak için kapsamlı bir grafik gösterimi kullanır, büyük etkileşim arayüzlerini yönetmek için BigBird doğrusal küresel dikkat özelliğine sahip ölçeklenebilir bir GraphGPS mimarisi kullanır ve kalıntı-nükleotit mesafe dağılımlarını modellemek için Karışım Yoğunluk Ağları’ndan (MDN’ler) yararlanır. PDIScore, yaklaşık 7000 protein-nükleik asit kompleks yapısından oluşan kendi kendine toplanan bir veri kümesi üzerinde eğitilmiş ve tarama, yerleştirme ve sıralama yeteneklerini değerlendirmek için üç titiz test kümesi üzerinde doğrulanmıştır. Sonuçlar, PDIScore’un mevcut yöntemlerden önemli ölçüde daha iyi performans gösterdiğini göstermiştir: tarama setinde en iyi tarama gücüne (örneğin, AlphaFold3 yapıları kullanılarak EF %1  = 14,13, AUROC = 0,82), yerleştirme setinde en yüksek yerleştirme başarı oranına (%48,94 ilk 1) ve sıralama setinde üstün sıralama yeteneğine (PCC = 0,50) ulaşmıştır. Vaka çalışmaları, PDIScore’un biyolojik mekanizmaları (örneğin, adenovirüs transkripsiyonu, SOCS1 regülasyonu) açıklama yeteneğini ve önemli etkileşim bölgelerini belirlemek için nükleotid düzeyinde yorumlanabilirliğini göstermiştir. PDIScore, PDI ile ilgili araştırmaları ve tedavi tasarımını ilerletmek için önemli bir potansiyele sahip, sağlam ve genelleştirilebilir bir araçtır.

giriiş

Protein-DNA etkileşimleri (PDI’ler), DNA replikasyonu, RNA transkripsiyonu, gen onarımı ve gen düzenlemesi dahil olmak üzere birçok biyolojik süreç için temeldir [ 1 , 2 ]. PDI’ler ayrıca iltihaplanma, kanser ve Alzheimer hastalığı gibi çeşitli hastalıklarla da ilişkilidir [ 3 , 4 , 5 ]. Bu etkileşimleri anlamak, yaşam mekanizmaları, hastalık yolları ve ilaç keşfi hakkında değerli bilgiler sunar [ 6 , 7 , 8 ]. İlk ikisi tipik olarak, ilişkili genlerin transkripsiyonunu düzenlemek için DNA dizilerini özel olarak tanıyan TATA-kutusu bağlayıcı protein (TBP) ve erken büyüme tepkisi proteini 1 (Egr1) gibi transkripsiyon faktörleriyle (TF’ler) ilişkilidir [ 9 , 10 ]. Örneğin, adenovirüs replikasyon döngüsü sırasında TBP, adenovirüs majör geç promotörünün (AdMLP) TATA kutusuna bağlanır ve böylece adenovirüs RNA’sının transkripsiyonunu aktive eder [ 11 ]. Hastalık yollarıyla ilgili olarak, Egr1, sitokin sinyallemesinin baskılayıcısı-1’in (SOCS1) transkripsiyonunu düzenler; bu bozukluğun aşırı iltihaplanma, otoimmün durumlar ve maligniteler dahil olmak üzere bağışıklık kusurlarına yol açması mümkündür [ 12 , 13 ]. PDI ile ilişkili ilaçlara gelince, DNA aptameri [ 14 , 15 ] gibi protein hedefli terapiler ve siklik peptitler [ 16 ] gibi DNA hedefli ilaçlar vardır . Dahası, proteinlere karşı yüksek afinite ve özgüllük için tasarlanmış sentetik DNA’lar, spesifik proteinlerin rolünü açıklamak için ilaç, tanı aracı ve antagonist olarak geliştirilmektedir [ 17 ].

Yüksek verimli çalışmalarda PDI’ların kantitatif analizi, sentetik DNA’nın rasyonel tasarımı için esastır. Bununla birlikte, elektroforetik hareketlilik kayması testi [ 18 ], izotermal titrasyon kalorimetrisi [ 19 ] ve yüzey plazmon rezonansı [ 20 ] gibi deneysel yöntemler, protein-DNA bağlanma afinitesini hızlı ve doğru bir şekilde ölçmede önemli zorluklarla karşı karşıyadır. Bu zorluklar, kısa DNA’nın yapısal son etkilerinden ve uzun DNA’nın spesifik olmayan bağlanma bölgelerinin bolluğundan kaynaklanmaktadır [ 18 ]. Dahası, bu yöntemler, özellikle yüksek verimli deneylere uygulandığında, genellikle zaman alıcı ve maliyetlidir [ 21 ]. Bu nedenle, hem dizi tabanlı hem de yapı tabanlı yöntemler dahil olmak üzere, protein-DNA bağlanmasını hızla tahmin edebilen hesaplamalı yöntemlere geçici bir ihtiyaç vardır. Nükleik asitlerin içsel esnekliği ve çeşitli konformasyonları, dizi tabanlı yöntemler kullanılarak doğru bağlanma afinitesi tahminlerini zorlaştırır. Sonuç olarak, yapıya duyarlı yöntemlerin genellikle dizi tabanlı yöntemlere kıyasla daha yüksek tahmin doğruluğu sağlaması beklenir [ 22 ].

Protein-DNA bağlanma afinitesini tahmin etmek için bir dizi yapı tabanlı hesaplamalı puanlama fonksiyonu (SF) geliştirilmiştir [ 21 , 23 , 24 , 25 , 26 , 27 , 28 ]. Ancak, nükleik asitlerin içsel esnekliği, bilinen bağlanma afinitelerine sahip deneysel olarak belirlenmiş yapıların kıtlığına yol açar ve bu da genellikle 500’den az girdi içeren veri kümelerine dayanan mevcut yöntemler için önemli bir zorluk oluşturur [ 29 ]. MM/GBSA [ 25 ], FoldX [ 23 , 24 ] ve PyRosetta’daki ref2015 ve dna_gb [ 26 ] gibi geleneksel yaklaşımlar , genellikle PDI’ları birden fazla ampirik enerji teriminin ağırlıklı toplamı olarak ölçer. Makine öğrenimi (ML) algoritmalarının ortaya çıkışı, PreDBA [ 27 ], emPDBA [ 28 ] ve SAMPDI-3D [ 21 ] tarafından temsil edilen, doğrudan verilerden öğrenebilen bir ML tabanlı SF (MLSF) havuzunun geliştirilmesini kolaylaştırmıştır. Bu yöntemler, dahili veri kümelerinde etkileyici bir performans gösterse de, bu veri kümelerinin sınırlı boyutu ve harici doğrulama veya sistematik değerlendirmenin eksikliği, güvenilirliklerini tehlikeye atabilir [ 29 ]. Örneğin, SAMPDI-3D’nin en büyük veri kümesi, eğitim için 463 mutant içeriyordu [ 29 ]. Değerlendirmemize göre, bu SF’lerin çoğu, bilinen bir dizi bağlayıcıyı sıralamakta zorlanıyor (sıralama gücü) ve bazıları aktif bağlayıcıları bağlayıcı olmayanlardan veya zayıf aktif bağlayıcılardan (tarama gücü) bile neredeyse ayırt edemiyor.

Yerel benzeri bağlanma pozlarını yanlış olanlardan ayırt etme yeteneği (yerleştirme gücü), bir SF’yi değerlendirmek için önemli bir kriterdir. Yukarıda belirtilen yöntemler puanlama için karmaşık yapılara ihtiyaç duyar, ancak nükleik asitlerin esnekliği genellikle kristal yapıların bulunabilirliğini sınırlar ve protein-DNA kompleks yapılarını tahmin etmek için yerleştirme tekniklerinin kullanımını gerektirir. Temsili yerleştirme yöntemleri arasında HDOCK [ 30 ], PyDockDNA [ 31 ] ve HADDOCK [ 32 , 33 ] bulunur. Bu arada, AlphaFold [ 34 ] gibi yapay zeka (AI) tabanlı yapı tahmin yöntemleri, protein yapı tahmininde dikkate değer bir başarı göstermiştir ve en son sürümü olan AlphaFold3 [ 35 ], protein-DNA komplekslerini doğrudan dizilerden tahmin edebilir. Bu yöntemler, birden fazla yerleştirme pozunu sıralamak ve filtrelemek için dahili SF’lere sahiptir. SF’lerin yerel benzeri bağlanma pozlarını yanlış olanlardan ayırt etme yeteneği, doğru yapı tahmini ve sonraki bağlanma afinitesi tahmini için çok önemlidir.

Daha güvenilir bir SF geliştirmek için, Protein Veri Bankası’ndan (PDB) [ 36 ] alınan yaklaşık 7000 protein-nükleik asit kompleks yapısından oluşan kapsamlı bir veri seti oluşturduk. Bildiğimiz kadarıyla, bu kadar büyük ölçekli bir yapı veri seti daha önce hiç rapor edilmemiştir ve bu, tahmin modellerinin eğitimi için öncü bir kaynak olarak kullanılabilir ve böylece PDI’ların incelenmesini ilerletebilir. Mevcut PDI SF’lerini kapsamlı bir şekilde değerlendirmek için, (1) aynı araştırma grubu tarafından aynı deneysel yöntem kullanılarak belirlenen bağlanma afinitelerine sahip 5 sistem ve toplam ~28000 protein-DNA kompleksi içeren bir tarama seti [ 37 ], (2) 47 bağlı olmayan protein-DNA kompleks yapısı içeren yayınlanmış bir yerleştirme kıyaslaması [ 38 ] ve (3) hem protein mutasyonlarını hem de DNA mutasyonlarını kapsayan ölçülen bağlanma afinitelerine sahip 9 sistem ve ~200 protein-DNA kompleksi içeren bir sıralama seti [ 21 , 39 , 40 , 41 , 42 ] olmak üzere üç doğrulama seti de derledik. Tarama setindeki her bir ligandın bilinen bağlanma afiniteleri nedeniyle, sıralama gücünü değerlendirmek için de kullanılabilir. Bu veri setlerine dayanarak, PDI tahmini için PDIScore adlı derin öğrenme (DL) tabanlı bir yaklaşım sunduk. Model mimarimiz dört ana modülden oluşmaktadır: grafik gösterimi, özellik çıkarma, birleştirme ve karışım yoğunluk ağı (MDN). Nükleik asitlerin proteinlere kıyasla daha yüksek konformasyonel esnekliği göz önüne alındığında, grafik gösterimine daha geniş bir yapısal tanımlayıcı dizisi (11 atom mesafesi ve 20 dihedral açı) kullandık. Özellik çıkarma için, önceki çalışmalarımızda kullanılan tam bağlı grafik dönüştürücüsünün (GT) yerine BigBird [ 44 ] tarafından sağlanan doğrusal küresel dikkat ile genel, güçlü, ölçeklenebilir (GPS) grafiği [ 43 ] kullandık [ 45 , 46 ]. Bu özelliklendirme stratejisi, birkaç bin düğüme sahip grafiklere ölçeklenebilir ve bu da onu bu çalışma için özellikle uygun hale getirir. Protein-küçük molekül etkileşimleriyle karşılaştırıldığında, PDI’lar genellikle daha büyük temas alanlarına sahiptir ve bu, özellik çıkarma sırasında daha fazla düğüm ve kenara sahip daha büyük grafiklerde yansıtılır. MDN modülleri, her kalıntı ile her nükleik asit arasındaki mesafenin olasılık yoğunluk dağılımını öğrenmek için kullanılır. Genel olarak, PDIScore yapı veri kümesi üzerinde eğitilmiş ve tarama, yerleştirme ve sıralama kümelerinde titizlikle test edilmiştir. Bu sayede, deneysel ölçümlerle daha iyi bir korelasyon elde etme ve doğal yapıları tuzak yapılardan ayırt etme becerisini kanıtlamıştır. PDIScore ayrıca, AlphaFold3 için bir yeniden puanlama aracı olarak kullanışlılığını da kanıtlayarak, PDI ile ilgili ilaç tasarımına değerli destek sunmaktadır.

Malzemeler ve yöntemler

Veri seti hazırlama

Bu çalışmada yapı veri seti, tarama seti, yerleştirme seti ve sıralama seti olmak üzere toplam dört veri seti oluşturulmuştur. Yapı veri seti model eğitimi için kullanılmış olup, dağılımı Şekil S1’de gösterilmiştir . Kalan üç set ise model değerlendirmesi için test setleri olarak kullanılmış olup, Şekil S2 ve Tablo S1’de ayrıntılı olarak açıklanmıştır .

Yapı veri seti, PDB’den (16 Ekim 2023’ten önce) alınan 7108 protein-nükleik asit kompleks yapısından oluşuyordu. Bunlar arasında, 532 protein-DNA kompleksi, modeli ince ayarlamak için PDBbind veritabanından (v2020) [ 47 ] alınan afinite verileriyle etiketlendi ve afinite veri setini oluşturdu. Şekil S1’de gösterildiği gibi , yapı veri setinin dağılımı afinite veri setinin dağılımına oldukça benziyordu. Yapı veri setindeki komplekslerin yaklaşık %86’sı ve afinite veri setindeki komplekslerin yaklaşık %97’si 60’tan az nükleotit içeriyordu. Her iki veri seti de aynı en yaygın dört protein türünü paylaşıyordu: transferaz, transkripsiyon, DNA bağlayıcı protein ve hidrolaz.

Tarama seti, DNA ile bağlı vahşi tip kristal yapıları belirlenmiş olan TBP, Ets1, Egr1, Max ve GR dahil olmak üzere beş protein hedefi için ~28.000 protein-DNA kompleksi içeriyordu (PDB girişleri: sırasıyla 1QNE, 2NNY, 1P47, 1AN2 ve 1R4R). Her bir spesifik protein hedefi için, eşit uzunluktaki DNA dizilerinin bağlanma afiniteleri aynı araştırma grubu tarafından aynı biyolojik deney kullanılarak ölçüldü. Kullanılamayan kristal yapılara sahip mutantlar, ilgili vahşi tipten nokta mutasyonu ile elde edildi veya AlphaFold3 ile tahmin edildi. Nokta mutasyonu için, referans kristal yapıları önce DNA dizisi bilgilerine dayalı olarak Chimera [ 48 ] kullanılarak mutasyona uğratıldı, ardından Rosetta [ 49 ] kullanılarak tüm sistemin en aza indirilmesi sağlandı . Alphafold3 için, DNA ve protein dizileri, ilgili yapıları tahmin etmek için girdi olarak kullanıldı. AlphaFold3’e gömülü SF ile adil bir karşılaştırma sağlamak için, tahmin edilen yapılar enerji minimizasyonu ile işlenmedi. Deneysel bağlanma verilerine göre sıralanan en üstteki %1’lik DNA’lar, belirli bir protein için aktif ligandlar olarak kabul edildi. Diğerleri ise tuzak olarak kabul edildi. Bu setin temel amacı, yaklaşımın tüm kütüphanedeki bu ligandları zenginleştirip zenginleştiremeyeceğini test etmekti. Ayrıca, Egr1 ve Max arasındaki her DNA için bağlanma tercihi mevcuttu ve bu tercihler, yaklaşımın bu tercihleri ​​yeniden üretip üretemeyeceğini tahmin etmek için küçük ölçekli bir ters tarama testi olarak kullanılabilirdi.

Yerleştirme seti, 47 bağlı olmayan-bağlı olmayan test vakası içeren yayınlanmış, yedekli olmayan bir protein-DNA yerleştirme kıyaslamasından doğrudan alındı. Bağlı olmayan yapı, bağlanma partnerlerinin yokluğunda veya farklı bir kompleks içinde var olan bir konformasyon olarak tanımlandı. Bağlı olmayan DNA yapıları, 3DNA [ 50 ] programı kullanılarak oluşturuldu ve bağlı olmayan protein yapıları X-ışını veya NMR ile belirlendi. Kıyaslama seti, dizileri yapı veri setindeki dizilere %40’tan fazla benzeyen kompleksleri kaldırarak MMseqs2 [ 51 ] programı kullanılarak yedekliliği azaltıldı . Bu işlemin ardından, yedekli olmayan veri setini oluşturan 41 kompleks kaldı.

Sıralama kümesi, protein ve DNA mutasyonlarını kapsayan farklı mutasyonlardan kaynaklanan bağlanma serbest enerjisindeki (ΔΔG) değişiklikleri yakalamak için her yaklaşımın kabiliyetini değerlendirmek için kullanıldı. Her biri 15’ten fazla mutasyon ΔΔG değeri içeren SAMPDI-3D’nin test kümelerinden sistemler seçtik. Adil bir karşılaştırma sağlamak ve ek veri sağlamak için, SAMPDI-3D’nin eğitim kümelerinde tamamen veya kısmen bulunmayan sistemleri de belirledik, böylece çözülmüş DNA’ya bağlı kristal yapılara sahip CEBPB, MafB, ELK1, ETV5, ERG, Tral, CAP, PadR ve c-Fos-c-Jun dahil olmak üzere dokuz protein bıraktık (PDB girişleri: sırasıyla 1GU4, 2WTY, 1DUX, 4UNO, 4IRI, 2A0I, 1RUN, 5×11 ve 1FOS). İlk beş protein DNA mutasyonlarını içerirken, kalan dört protein protein mutasyonlarını içeriyordu. Yukarıda belirtildiği gibi bilinmeyen yapılar nokta mutasyonu veya AlphaFold3 ile de tahmin edilmiştir.

Grafik gösterimleri

PDIScore’un model mimarisi , grafik gösterimi, özellik çıkarma, birleştirme ve MDN modüllerinden oluşan Şekil 1’de gösterilmiştir  . Proteinlerin grafik gösterimleri, protein-küçük molekül etkileşimlerini tahmin etmede etkili olduğunu gösteren önceki çalışmamız RTMScore’dan referans alınmıştır [ 46 ]. Ko-kristalize DNA’nın etrafında 10,0 Å yarıçapında bulunan kalıntılar bağlanma cebi olarak tanımlanırken, diğer kalıntılar bağlanmayla ilgisiz kabul edilerek yapıdan uzaklaştırılmıştır. Daha sonra her bir cep, yönlendirilmemiş bir grafik olarak temsil edilmiştir ( ), düğümler bir cepteki kalıntıları ve kenarlar minimum 10,0 Å’den daha az mesafeye sahip herhangi iki kalıntı arasındaki etkileşimleri temsil etmektedir. Düğümlerin özellikleri, önceki çalışmamızda etkili olduğu gösterilen kalıntı seviyesine dayanmaktadır [ 46 ]. Kenarlar için, proteinin ikincil ve üçüncül yapılarını korumada önemli rol oynayan kovalent olmayan etkileşimleri dikkate aldık. Protein grafiğinin özellikleri Tablo  1’de özetlenmiştir . Özellikle, düğüm özellikleri arasında amino asit türü, öz mesafeler ve her kalıntı için dihedral açılar; kenar özellikleri arasında ise bağlanma durumları, CA-CA mesafeleri, merkezler arası mesafeler ve herhangi iki kalıntı arasındaki maksimum ve minimum mesafeler yer almaktadır.

Kaynak: https://link.springer.com/article/10.1038/s41401-025-01688-3

Omik Nedir?

Biyoloji bilim dalında, ek olarak kullanılan “–omik”, geniş biyolojik moleküllerin incelenmesi adına yapılan çalışmaları ifade eder. Birden fazla farklı teknolojilerin bir araya getirilerek moleküller arasındaki ilişkileri, moleküllerin rollerini ve bir organizmayı yapan tüm hücrelerin etkilerini araştırmak, omik denilen terim ile ifade edilir.

Omik teknolojilere örnek verecek olursak; genomik, proteomik, metabolomik, transkriptomik, epigenomik gibi birçok alan mevcuttur.

Omik teknolojiler, bir tür içinde veya farklı türler arasındaki DNA, RNA, protein ve hücresel moleküller arasında bulunan farklılıkları incelemek için ihtiyaç duyulan araçları sağlar. Omik deneyler, hücre içindeki fonksiyonel ve yapısal değişikliklerle çok büyük veriler üretebilir.

Genomik

Genomik, organizmaların tüm genomlarını fonksiyonel ve yapısal olarak inceleyen ve genetikte bulunan öğeleri birleştiren bilim dalına denir. Bu bilim dalı, rekombinant DNA, biyoinformatik ve DNA dizileme metodlarının kombinasyonunu kullanarak, dizileme ve bir araya toparlamayı gerçekleştirerek genoma ait yapıyı ve fonksiyonları analiz eder. Klasik genetikteki  bir tek geni incelemek yerine bütün genomu inceleyen genomik dalı, organizmaya ait tüm DNA dizilerinin kullanımı ile bunu gerçekleştirir.

Genomik dalının önemli bir bölümü kromozomlardaki kalıtımın ana birimi olan  genomik DNA nın dizisini belirlemektir. Tarihsel olarak bakıldığı zaman DNA dizilemesi adına yapılan çalışmalar 1970 li yıllara kadar uzanmaktadır. DNA yapısının keşfi ile bu moleküle olan merak yıldan yıla artmıştır ve DNA nın dizilemesini gerçekleştirmek için bir çok yöntem geliştirilmiştir. 2003 yılında insan genomunun dizilenmesi ile insana ait genetik haritanın ortaya çıkarılması bu alanda çok büyük bir yankı uyandırmıştır.

Genomik bilim dalının gelişmesiyle birlikte bu alana ait birçok alt dal da oluşmaya başladı. Bunlardan en önemlileri fonksiyonel genomik, karşılaştırmalı genomik, yapısal genomik ve farmakogenomiktir. Fonksiyonel genomik, DNA, RNA ve proteinlere ait dizilerin analiz edilerek, hücredeki rollerini belirlemede kullanılır.  Farklı bilgisayar algoritmalarının ve veritabanlarının moleküler biyolojide uygulanması ile analizler gerçekleştirilir. Karşılaştırmalı genomik, organizmalardaki evrimsel ilişkileri inceleyerek aradaki farklılıklar hakkında bilgi sunar.  Aynı zamanda farklı organizmaların birbirine olan genetik benzerliği hakkında da birçok veri elde edilebilir. Bu aşamalar genom dizisinin tamamının bilinmesi ile daha net ve güvenilir sonuçlar verir. Farmakogenomik dalı kişiye özel tıp terimi ile bağdaştırılabilir, çünkü bir ilacın kişi üzerindeki etkisinin incelenmesini sağlar. İlaçlar her bireyde aynı etkiyi göstermeyebilir. Bu nedenle farmakogenomik çalışmaların önemi ve katkısı ilaçların bireyler üzerindeki etkisini veya toksisitesini anlamada çok büyüktür.

Proteomik

Proteom bir organizmada veya sistemde üretilen protein dizisine verilen isimdir. Proteomik ise geniş manada proteomun incelenmesini sağlayan bilim dalıdır. Proteom sabit değildir. Yani hücreden hücreye farklılık gösterebilir ve zamanla değişebilir. Proteomik dalının kullanım alanları şöyledir; 

  •  Proteinlerin nerede ve ne zaman üretildiğini belirlemek
  •  Protein üretiminin oranını belirlemek
  • Yapısal olarak proteinlerin nasıl değiştiğini incelemek
  • Metabolik yolaklarda proteinlerin fonksiyonunu belirlemek
  • Proteinlerin birbiri arasındaki etkileşimini incelemek

Proteomu derinlemesine araştırmak adına yüksek verimli teknolojiler geliştirilmiştir. Bu teknolojiler sayesinde birçok veri üretilebilmektedir. Bu verilerin saklanması ve depolanması için farklı veritabanları bulunmaktadır. (Bu veritabanlarından bir sonraki yazımızda bahsedeceğiz.)

Metabolomik

Metabolomik, belirli bir zamanda,  bir biyolojik sistemdeki küçük metabolik moleküllerin (örneğin vitaminler) sistematik olarak  kimliklerinin ve  miktarının belirlenmesini inceleyen  bilim  dalıdır. 

Küçük moleküller  metabolik  yolakları  takip ederek bir hücre içerisinde bulunan diğer biyolojik moleküllerle  etkileşim halinde enerji aktarımını sağlar. Küçük moleküllerin tamamına metabolom denir.

Metabolom  zamana bağlı  olarak  değişkenlik gösterebilir. Metabolomik bilim dalı, hücre ve dokuların belli başlı biyokimyasal aktivitelerini yansıttığı için güçlü bir araçtır.

Transkriptomik

Transkriptomik, genom tarafından belli koşullar altında üretilen RNA transkript setinin tamamını inceleyen bilim dalına verilen addır. Bu bilim dalında da diğer omik alanlarında olduğu gibi yüksek verimli metodlar (örneğin mikrodizi analizleri) kullanılır. 

Transkriptomların karşılaştırılması ile ayrı hücre populasyonlarındaki farklı ifade edilen genlerin belirlenmesi gerçekleştirilir. Ayrıca farklı tedavi yöntemlerinde genlerin nasıl ekspresyon yaptığı da anlaşılabilir.

Bu bilim dalı özellikle transkriptlerin çevresel etkilerden, ilaçlardan, gelişmeden ve hormonlardan nasıl etkilendiği üzerindeki araştırmalar üzerine yoğunlaşır.  

Kaynakta belirtilen kaynakçalar:

Sherry L. Ward, PhD, MBA. ‘OMICS, BIOINFORMATICS, COMPUTATIONAL BIOLOGY.201. 

          www.alttox.org/mapp/emerging-technologies/omics-bioinformatics-computational-biology/

  • What is Genomics? (2012) 

          www.genomic.org.uk/

  • Anthony J.F. Griffiths.Genomics.University of British Columbia, Vancouver.2016
  • What is Proteomics?       

          www.ebi.ac.uk/training/online/course/proteomics-introduction-ebi-resources/what-proteomics

  • Metabolomics 

          www.nature.com/subjects/metabolomics

  • Transcriptomics

          www.nature.com/subjects/transcriptomics

  • Centre for Omics Sciences

          www.omicscentre.com/

Kaynak : Bu veriler https://biyoinformatikdunyasi.blogspot.com/2018/10/omik-veri.html ‘ den alınmıştır.

Temel ve İleri Moleküler Biyoloji Yöntemleri, Genomik ve Proteomik Analizler.

Moleküler biyoloji, canlı organizmaların yapısını, işlevini ve evrimini anlamak için moleküllerin yapısını, işlevini ve etkileşimlerini inceleyen bir bilim dalıdır. Temel ve ileri moleküler biyoloji yöntemleri, genomik ve proteomik analizler, moleküler biyolojinin temel araçlarıdır. Bu yöntemler, DNA, RNA ve proteinlerin yapısını, işlevini ve etkileşimlerini anlamak için kullanılır.

Temel Moleküler Biyoloji Yöntemleri

  • DNA Ekstraksiyonu: DNA, hücrelerden veya dokulardan izole edilir. Bu işlem, çeşitli yöntemlerle yapılabilir. En yaygın yöntemlerden biri, fenol-kloroform ekstraksiyonudur.
  • DNA Amplifikasyonu: DNA, polimeraz zincir reaksiyonu (PCR) kullanılarak çoğaltılır. PCR, DNA’nın belirli bir bölgesini milyonlarca kez çoğaltan bir yöntemdir.
  • DNA Elektroforezi: DNA, elektroforez kullanılarak boyutlarına göre ayrılır. Elektroforez, DNA’nın elektrik akımı altında hareket etmesiyle yapılır.
  • DNA Dizilemesi: DNA’nın nükleotid dizisi, DNA dizileme yöntemleri kullanılarak belirlenir. En yaygın DNA dizileme yöntemlerinden biri, Sanger dizilemesidir.
  • RNA Ekstraksiyonu: RNA, hücrelerden veya dokulardan izole edilir. Bu işlem, çeşitli yöntemlerle yapılabilir. En yaygın yöntemlerden biri, Trizol ekstraksiyonudur.
  • RNA Amplifikasyonu: RNA, ters transkriptaz PCR (RT-PCR) kullanılarak çoğaltılır. RT-PCR, RNA’nın önce DNA’ya dönüştürülmesi ve ardından DNA’nın PCR kullanılarak çoğaltılması işlemidir.
  • RNA Elektroforezi: RNA, elektroforez kullanılarak boyutlarına göre ayrılır. Elektroforez, RNA’nın elektrik akımı altında hareket etmesiyle yapılır.
  • RNA Dizilemesi: RNA’nın nükleotid dizisi, RNA dizileme yöntemleri kullanılarak belirlenir. En yaygın RNA dizileme yöntemlerinden biri, Illumina dizilemesidir.

İleri Moleküler Biyoloji Yöntemleri

  • Genomik Analizler: Genomik analizler, bir organizmanın genomunun yapısını ve işlevini anlamak için kullanılan yöntemlerdir. Genomik analizler, DNA dizileme, DNA mikrodizi analizi ve RNA dizileme gibi yöntemlerle yapılır.
  • Proteomik Analizler: Proteomik analizler, bir organizmanın proteomunun yapısını ve işlevini anlamak için kullanılan yöntemlerdir. Proteomik analizler, protein elektroforezi, kütle spektrometrisi ve protein dizileme gibi yöntemlerle yapılır.
  • Metabolik Analizler: Metabolik analizler, bir organizmanın metabolizmasının yapısını ve işlevini anlamak için kullanılan yöntemlerdir. Metabolik analizler, gaz kromatografisi-kütle spektrometrisi (GC-MS), sıvı kromatografisi-kütle spektrometrisi (LC-MS) ve nükleer manyetik rezonans (NMR) gibi yöntemlerle yapılır.
  • Biyoinformatik Analizler: Biyoinformatik analizler, biyolojik verileri analiz etmek ve yorumlamak için kullanılan bilgisayar bilimi yöntemleridir. Biyoinformatik analizler, DNA dizisi analizi, RNA dizisi analizi, protein dizisi analizi ve metabolik veri analizi gibi alanlarda kullanılır.

Anahtar Fark – Genomik ve Proteomik

Genomik ve proteomik, moleküler biyolojinin iki önemli dalıdır. Genom, bir organizmanın genetik materyalidir. Organizmaların genetik bilgileri (genetik kodlar) ile yazılmış genleri içerir. Genom hakkında bilgi bulmak için yapılan çalışmalara genomik denir. Bir genin nükleotid dizisi, genetik kod aracılığıyla bir proteinin amino asit dizisini belirtir. Genler, mRNA’ya kopyalanır ve mRNA, gerekli proteinleri üretmek için çevrilir. Proteom, bir organizmanın toplam ifade edilen proteinlerini temsil eder. Bir hücredeki tüm protein setinin özelliklerini, yapılarını, işlevlerini ve ifadelerini bulmak için yapılan çalışmalara proteomik denir. Bu nedenle, genomik ve proteomik arasındaki temel fark, genomik, bir organizmanın genlerini inceleyen bir moleküler biyoloji dalıdır, proteomik ise bir hücredeki toplam proteinleri inceleyen moleküler biyolojinin bir dalıdır. Genomik çalışmalar, bir organizmanın genlerinin yapısını, işlevini, yerini, düzenlenmesini anlamak için önemlidir. Proteinler hücrelerdeki gerçek fonksiyonel moleküller olduğundan ve gerçek fizyolojik koşulları temsil ettiğinden proteomik çalışmaları daha faydalıdır.

Genomik nedir?

Genomik, bir organizmanın tüm genomunun incelenmesidir. Genomun (organizmaların eksiksiz DNA seti) yapısını ve işlevini araştırmak için rekombinant DNA teknolojisi, DNA dizilimi ve Biyoinformatik ile ilgilenen moleküler biyolojinin önemli bir dalıdır. DNA dört bazdan oluşur ve bir gen içindeki genetik bilgi, organizmayı oluşturmak için gerekli olan dört temel dilde yazılır. Genler protein yapımından sorumludur ve bir hücrede belirli bir proteini veya protein kümesini yapmak için talimatları taşıyan DNA birimleridir. Bu nedenle genlerle ilgili yapılan çalışmalar, karmaşık hastalıkların, genetik bozuklukların, mutasyonların, önemli gen düzenlemelerinin, genler ve çevresel faktörler arasındaki etkileşimlerin, hastalık teşhisinin, tedavi ve tedavilerin geliştirilmesi vb. gibi konuların anlaşılması için gerçekten önemlidir. Bu nedenle genomik çalışmalar çok önemlidir. tüm genlere ve bunların etkileşimlerine ve davranışlarına hitap ettiği için önemlidir.

Proteomik nedir?

Proteinler, hücrelerde bulunan temel makromoleküllerdir. Bir organizmada meydana gelen birçok fizyolojik fonksiyon için önemlidirler. Hemen hemen tüm biyokimyasal reaksiyonlar, hücrelerde bulunan proteinler tarafından katalize edilir. Genler, protein üretmek için genetik talimatlarla depolanır. Genetik kod, belirli bir proteini belirleyen bir amino asit dizisine dönüştürülür. Bu süreç bilinen gen ifadesidir. Gerektiğinde genler protein olarak eksprese edilir ve sentezlenir. Bir hücrenin tüm protein seti, proteom olarak bilinir. Bir hücrenin proteomunun incelenmesi, proteomik olarak bilinir. Proteinlerin hücresel süreçleri nasıl etkilediğini araştırmak için proteinlerin yapıları, özellikleri, etkileşimleri ve işlevleri proteomik altında incelenir.

Organizmalar, hücrelerde çeşitli işlevlere hizmet eden binlerce farklı protein içerir. Genler mRNA moleküllerini kodladığından ve mRNA proteinleri kodladığından, genomik çalışmalar proteomik çalışmaları gerçekleştirmek için önemli bilgiler sağlar. Proteomik çalışmaları birçok alanda önemlidir; bu özellikle kansere yol açan anormal proteinleri ortaya çıkarmak için kullanılabileceği kanser biyolojisinde faydalıdır.

Genomik ve Proteomik Arasındaki Fark | Bilim 2024 (what-difference.com): Anahtar Fark – Genomik ve Proteomik

Genetik Beslenme Biliminin İştah Açıcı Modası: Nutrigenomik Nasıl Çalışır?

Ne yiyeceğinize genlerinizin karar vermesine izin vermeli misiniz? Nutrigenomik alanı, ya da diğer adıyla Genetik Beslenme Bilimi işte bu konunun üzerine eğiliyor. Fakat ne yazık ki sinir bozucu bir şekilde, nutrigenomiğin iki yüzü var: Bir yönden yediğimiz yiyecekler ile vücudumuzdaki moleküller arasındaki etkileşimleri aydınlatmaya çalışan bir araştırma alanıyken; diğer yandan bu alan DNA ve kişiselleştirilmiş bakım konusundaki kamuoyu ilgisinden faydalanan ticari bir girişime dönüşmüş durumda. Peki bu kadar ilgiye gerçekten değer mi?

Her Şey, Her Yerde, Aynı Anda!

Genler, yiyeceklerden aldığımız besinleri nasıl işlediğimizi etkileyebilir. Ürün etiketlerinde “Fenilalanin içerir.” ifadesini görmüş olabilirsiniz. Fenilalanin, proteinlerin birçok yapı taşından biridir; ancak PKU (fenilketonüri) adı verilen bir hastalığı olan kişilerde, ilgili genin mutasyonu nedeniyle etkisiz bir enzim bulunur ve bu kişiler yiyeceklerden fenilalanin aldıklarında bu maddeyi işleyemezler. Fenilalanin vücutta birikir ve geri dönüşü olmayan zihinsel engellere yol açabilir. Bunu önlemek için, hastaların fenilalanin alımını sınırlayan özel bir diyete uymaları gerekir, işte bu nedenle yiyeceklerin üzerinde etiket uyarıları vardır.

PKU, laktoz intoleransı ve bir gendeki mutasyonların alkolün işlenmesini aksatmasından dolayı alkol tüketimi sonrası ciltte kızarma ve zehirlenmeye yol açması gibi durumlar, belirli mutasyonların yiyeceklerden aldığımız besinleri nasıl işlediğimizi etkileyebileceğini gösterir. Ancak nutrigenomik alanı bir veya iki mutasyonla ilgilenmez, tüm mutasyonlarla ilgilenir.

Nutrigenomik, moleküler biyolojide büyük veriye yönelen bir hareketin parçasıdır. Genomik, tüm genlerimizi ifade eden genomu inceler. Transkriptomik ise, genlerimiz ile ürettikleri proteinler arasında aracılık eden tüm RNA moleküllerini ifade eden transkriptomu inceler. Aynı şekilde proteom, metabolom, mikrobiyom ve epigenom gibi molekül setlerinin her biri ilgili “-omik” alanları tarafından incelenir.

Nutrigenomik alanı ise beslenme tarzımızın tüm genlerimizi, onların transkriptlerini ve ortaya çıkan proteinleri nasıl etkilediğini ve bahsi geçen moleküller arasındaki incelikli sürecin yiyip içtiklerimiz tarafından nasıl değiştirildiğini merak eder. Takdir edersiniz ki, bu oldukça zor bir iştir.

Nutrigenomik alanını, ya övgü dolu bir medya makalesi aracılığıyla ya da bir test kiti reklamı aracılığıyla duymuşsanız vaatlerine aşina olabilirsiniz: Diyet önerileri genellikle tek tiptir, peki diyet tavsiyeleri vücudunuzun moleküler düzeyde nasıl çalıştığına göre özelleştirilmiş olsaydı ne olurdu? Herkesin DNA’sını test ederek kişiselleştirilmiş diyet önerileri verirsek kronik hastalıkları önleyebilir ve sağlık bakım maliyetlerini azaltabilirdik, değil mi? Konuyla ilgili bir literatür incelemesi, nutrigenomik alanının geleceğin her derde deva çözümü olabileceğini bile söylüyor.

Ne yazık ki bu iyimser literatür genellikle Hipokrat’ı öne süren manipülasyonlarla doludur. Sizi ikna etmek için otoriteye başvuran bu makaleler genellikle tıbbın babası Hipokrat’a atfedilen yanlış alıntılarla başlar veya biter. Bu noktada çıkarmamız gereken genel geçer sonuçlardan biri, Hipokrat’a atfedilen alıntıların aslında ters giden bir durumun sinyallerini verebileceğidir.[3] Bir sağlık sitesinde böyle bir alıntı görürseniz, en iyisi siteyi yavaşça terk etmek olacaktır. Bir araştırma kolu olarak nutrigenomik asil denebilecek bir amaç taşır. Belirli yiyeceklerin vücudumuzdaki moleküler senfoniyi nasıl etkilediğini anlamak, gelecekte doğrudan uygulanabilecek sağlık müdahalelerine alan sağlayabililr. Ancak bu müdahaleler zamanından önce uygulanmaktadır, çünkü görünen o ki nutrigenomik alanında çokça para kazanılabilir.

23andMe‘nin doğrudan tüketiciye yönelik genetik testlerine benzer şekilde, tükürük örneğiniz ve ödemenizin karşılığında, ne yemeniz ve nelerden kaçınmanız gerektiğine dair kişiselleştirilmiş öneriler satan kitleri her yerde görebilirsiniz. Test kitlerinin yanı sıra, belirli mutasyonlara sahip kişileri hedefleyen gıda ürünlerinin de geliştirilmesi mümkündür. Bir nutrigenomik şirketi size sadece test değil, aynı zamanda ilgili yemek kitlerini de satabilir. Doktorunuzun muayenehanesinde çölyak hastalığı için test yaptırdığınızı ve testiniz pozitif çıktığında doktorunuzun size düzenli olarak glütensiz gıda tedarik ettiğini hayal edin. İşte nutrigenomik alanındaki insanların işaret ettikleri gelecek de bu!

Literatürü incelerken, pek çok akademisyenin erken bulgularını doğrudan müşterilere veya bir tür sağlık profesyoneli aracılığıyla hizmet satabilecek bir şirkete dönüştürdüğünü görmek oldukça şaşırtıcı. Bu şekilde kamuoyuna ulaşmak ise oldukça kolay. Bu şirketlerin çoğu, bir gazeteciye ücretsiz bir test sunuyor ve gazeteci, sürecin ne kadar harika olduğuna ve şirketin önerilerine dayanarak diyetlerini nasıl değiştirdiklerine dair övgü dolu bir makale yazıyor. Gazetecinin yeni diyetlerinin zaman testine dayanıp dayanmadığını açıkladığı bir yıllık takip makalesini bulmak ise oldukça zor.

Ve bahsi geçen bu nutrigenomik şirketleri, testlerinin obezite ve kronik hastalıklar gibi tıbbi durumları önlemeye ve tedavi etmeye yardımcı olacağını söylüyorlar. Ne de olsa nutrigenomik alanının temel dayanaklarından biri bu: Gıda-gen etkileşimlerini hastalık yükünü azaltacak müdahalelere dönüştürmek.

Ancak web sitelerinin genellikle en altta bulunan kısmında, bunların hiçbirinin hastalığı teşhis, tedavi, iyileştirme veya önleme amacı taşımadığını belirten, okunması zor bir feragatnameyi gizleniyor. Daha cesur şirketlerden birine ait bir feragatnamede ise şöyle deniyor:

“Ne şirket ne de iştirakleri bu sitedeki bilgilerin doğru, güvenilir veya güncel olduğunu garanti etmez.”

Yani, nutrigenomik alanının kronik hastalıkları önlemeye yardımcı olacağı iddialarının oluşturduğu bütün o kuru gürültünün altında, tıpkı bir medyuma danışma durumunda gözlendiği gibi, yasal açıdan incelendiğinde bunun da sadece eğlence amaçlı olduğunu belirten bir fısıltı var.

Davranışsal Problemler

Nutrigenomik alanının şu anda sunduğu kişiselleştirme türü, örneğin belirli bir mutasyonun kafeini daha yavaş metabolize etmeye ve bu uyarıcının düzenli olarak tüketildiğinde daha yüksek kalp krizi riskiyle karşılaşmaya yol açtığı iddiasını içerir. Bir başka mutasyon ise yüksek proteinli bir diyetle yağ kaybedip kaybetmeyeceğinizi belirler. Ayrıca, genlerin vücutta vitamin ve minerallerin işlenmesini nasıl etkilediği ve bu varyasyonların günlük tüketim önerilerini nasıl değiştireceği konusu da ilgi çekicidir.

Ancak, ABD Hükümeti Muhasebe Ofisi (GAO) 2000’lerin ortalarında, yani nutrigenomik hizmetlerinin ilk günlerinde dört nutrigenomik şirketini gizlice test ettiğinde bu şirketlerin teşhis yetkileri olmadığından tıbbi teşhis koyma girişimlerinden kaçınmaları yönündeki çağrıya uymadıkları ve bunun yerine kanser ve diyabet gibi ciddi hastalıkların gelişimini “öngördüklerini” buldu. Oysa sağlık uzmanları, bu öngörülerin aslında analiz edilen genetik bilgilere dayanarak yapılamayacağını söylüyor. Aynı dönemlerde, yedi farklı şirket tarafından test edilen gen-diyet ilişkilerinin incelendiği bir çalışma, bu ilişkiler için yeterli kanıt bulunmadığı sonucuna vardı. O zamandan bu yana manzaranın önemli ölçüde değişmediği görülüyor.

Mevcut nutrigenomik uygulamalarında daha büyük bir sorun daha var ve bu da sağlığımız üzerinde yaratabileceği etkinin boyutu. Nutrigenomik kitleri tarafından test edilen gen-diyet bağlantılarının şu anda bir kişinin genel sağlığı üzerinde büyük bir etkisi olması pek olası değil.

Öte yandan, Kanadalıların sadece onda üçü her gün yeterince meyve ve sebze yiyor. Amerikalılar için bu sayı on kişide bir. Kanadalı yetişkinlerin sadece yarısı fiziksel aktivite önerilerine uyabiliyor. Kanadalı yetişkinlerin üç ila dörtte biri yeterince uyumuyor. Ve her on Kanadalıdan biri sigara içiyor. Bu istatistikleri iyileştirmekse birilerinin genlerini incelemeyi değil, iyi bilinen ve evrensel sağlık önerilerini benimsemeyi gerektiriyor.

Ve gerçek engel tam da burada yatıyor: Hem halk sağlığı önerileri hem de kişiselleştirilmiş beslenme alanlarında, bilgi nadiren davranışları değiştirebiliyor. 2017 yılında ABD Ulusal Akademileri tarafından düzenlenen bir nutrigenomik çalıştayında, kendi akademik çalışmasını bir girişime dönüştüren ve o dönemde 54 milyon dolar fon toplayan bir araştırmacı da nutrigenomik alanının “aslında kullanıcılarına veri ile güç kazandırmak” ile ilgili olduğunu iddia etmişti.

Peki, bu verilerle ne yapacağız? Çoğumuz için yiyecek sadece yakıt değildir; aynı zamanda bir sosyal aktivitedir. İnsanların ne yiyeceklerini seçerken kolaylık, görünüm, fiyat, tat ve sosyal etkileşim gibi faktörlere göre karar verdiklerini biliyoruz; sağlık ise genellikle bu sıralamada daha geride geliyor. Çalıştay sırasında bir beslenme bilimleri profesörü, uzmanların bile robot olmadığını kabul ettiğini belirtmiş. Beslenme uzmanlarıyla birlikte yemek yerken, neredeyse suçlu bir gülüşle “Bunu yememem gerektiğini biliyorum, ama gerçekten tadını seviyorum.” dediklerini duyduğunu söyledi.

Neticede, ne yapmamız gerektiğini bildiğimizde bile davranışlarımızı değiştirmek zordur. Diyet yaparken, insanlar genellikle ilk altı ayda kilolarının %10’unu kaybederler, ancak diyet yapanların üçte biri ila üçte ikisi sonraki yıllarda daha fazla kilo alır. Nutrigenomik alanının değerini tanıtmakla ilgilenen kişiler, müşterilere genetik bilgiler vermenin fark yarattığını savunacak olsa da 2016 yılında yapılan sistematik bir inceleme ve meta-analiz, bugüne kadar elde ettiğimiz potansiyel olarak taraflı verilerin kasvetli bir tablo çizdiğini gösteriyor.

Basitçe, genetik bilgiler iyi bir motivasyon kaynağı değil. Bunun sebeplerinden biri belki de Amerikalı yetişkinlerin sadece %12’sinin sağlık bilgilerini anlamak için yeterli birikime sahip olması.

“Ben” Kuşağı

Nutrigenomiğin ticarileştirilmesi, sağlığa karşı giderek daha kör ve benmerkezci bir bakış açısını beslemekte. Gelişmelerin yol açabileceği istenmeyen sonuçların önüne geçmemizi sağlayacak sağlıklı bir kaygının, yerini kişisel “ödüllere” götüren seçimlere bıraktığı söylenebilir. Ve bu tür bir bakış açısı, sağlıklı yaşam endüstrisinde olduğu gibi, sonuçlar vaatlerle uyuşmadığında geri tepebilir.

Ayrıca dikkati daha büyük sorunlardan başka yere yöneltme işlevi de görebilir. İnsanların sağlığını etkilemede önemli rol oynayan gıda güvenliği ve sosyoekonomik eşitsizliklerle ilgili ciddi sorunlarımız olduğu bilinmektedir. Bu sorunların çözümü bir kişinin genetik yapısının düzenli olarak kahve içmesi halinde kalp krizi riskine yol açıp açmadığına odaklanmaktan çok, halk sağlığı bakış açısını gerektirir.

2017 yılında gerçekleşen nutrigenomik çalıştayına Nestlé, Coca-Cola ve General Mills gibi şirketlerin üst düzey yöneticileri de katılmıştı. Muhtemelen bu şirketler, insanların genetiğine uygun gıda ürünlerinin geliştirilmesinden fayda sağlayacaklarını düşündüler. Ancak, 154 sayfalık özetini okuduğunuzda, bu çalıştayın biraz karışık geçmiş olabileceği izlenimini edinirsiniz. Mesela konuşmacılardan biri, hücrelerimizde bulunan güçlü enerji fabrikası mitokondrinin genetiği üzerine bir konuşma yapmış. Sunumu, qi olarak adlandırılan ve bilimsel olmayan bir yaşam gücü kavramına odaklanan Doğu tıbbının, muhtemelen mitokondri aracılığıyla çalışarak etkili olduğu şeklinde oldukça tuhaf bir iddia ile sona ermiş.

Dahası, bu tuhaf çalıştayın raporunun sonunda epidemiyolog Profesör Cecile Janssens’ten son derece net ve toplumsal farkındalık içeren bir alıntı bulunuyor:

Eminim ki buradan dışarı çıktığımda ve sokaktaki insanları gördüğümde kendime, ‘Tüm gün boyunca ne yaptım? Neden nutrigenomik alanında küçük bir fayda bulmaya çalışmak yerine onlar için daha büyük bir sorunu çözmeye çalışmadım?’ diye soracağım.

Özet

Bu yazıda anlattıklarımız, şöyle özetlenebilir:

  • Nutrigenomik alanı; diyetimizin DNA, RNA ve proteinler gibi vücudumuzdaki molekülleri nasıl etkilediğini incelemekle ilgilenen hem aktif bir araştırma alanı hem de ticari bir hizmettir.
  • 2000’lerin ortalarında yapılan testler ve o dönemdeki kanıtların incelenmesi, ticari nutrigenomik hizmetlerinin vaatlerinin sağlam bir bilimsel desteği olmadığını göstermiştir.
  • Toplum sağlığını iyileştirmek istiyorsak daha etkili ve evrensel önerilerden faydalanabiliriz. Bunlar arasında daha fazla meyve ve sebze yemek, daha fazla egzersiz yapmak ve yeterince uyumak sayılabilir.

Genomik ve Proteomik Nedir? Genler, Biyoteknolojide Nasıl Kullanılır?

DNA’nın keşfedilmesiyle başlayan nükleik asit çalışmaları, genlerin ve küçük fragmentlerin incelenmesiyle devam etmiş ve şimdi de genomik alanında hız kazanmaktadır. Genomik, tam bir gen setinin nükleotit dizilimi, organizasyonu, tür içindeki ve diğer türler arası etkileşimleri dahil olmak üzere tüm genomun incelenmesidir. DNA dizileme teknolojisinin gelişimi, genomikteki ilerlemelere öncülük etmiştir. Tıpkı bilgi teknolojilerinin dünyadaki konumlar hakkında ayrıntılı bilgi almamızı sağlayan Google Haritalar’a yol açması gibi, genomik bilgi de farklı organizmaların DNA’larının benzer haritalarını oluşturmak için kullanılmaktadır.

Genom Haritalaması

Genom haritalaması, her bir kromozom üzerindeki genlerin yerini bulma işlemidir. Oluşturulan haritalar, sokaklarda gezinmek için kullandığımız haritalara benzetilebilir. Genetik harita, genleri ve bunların kromozom üzerindeki konumlarını gösteren bir çizimdir. Genetik haritalar büyük resme bakmamızı sağlarken (eyaletler arası karayolları haritası gibi) detaylara işaret etmek için genetik belirteçler kullanır (yer işaretleri gibi). Genetik bir belirteç, ilgili özellik ile genetik bağlantı gösteren bir kromozom üzerindeki bir gen veya dizidir. Genetik belirteç, ilgilenilen genle kalıtsal olma eğilimindedir ve mayoz sırasındaki rekombinasyon sıklığı aralarındaki mesafenin bir ölçüsüdür. İlk genetikçiler buna bağlantı analizi adını vermişlerdir.

Fiziksel haritalar, kromozomların daha küçük bölgelerinin mahrem ayrıntılarına girer (ayrıntılı bir yol haritasına benzer). Fiziksel bir harita, genler veya genetik belirteçler arasındaki fiziksel mesafenin nükleotid cinsinden temsilidir. Genomun tam bir resmini oluşturmak için hem genetik bağlantı haritaları hem de fiziksel haritalar gerekmektedir. Tam bir genom haritasına sahip olmak, araştırmacıların tek tek genleri incelemesini kolaylaştırmaktadır. Araştırmacılar tarafından, insan genom haritaları, kanser, kalp hastalığı ve kistik fibroz gibi hastalıklarla ilişkili hastalığa neden olan genleri belirlemek için kullanılmaktadır. Ek olarak, genom haritalaması, kirleticileri temizleme ve hatta kirliliği önleme yeteneğine sahip mikroorganizmalar gibi faydalı özelliklere sahip organizmaları tanımlamaya yardımcı olmak için de kullanılabilmektedir. Bitki genom haritalaması içeren araştırmalar, daha yüksek mahsul verimi sağlayan yöntemlerin veya iklim değişikliğine daha iyi uyum sağlayan bitkilerin geliştirilmesini amaçlamaktadır.

Genetik haritalar taslağı, fiziksel haritalar ise ayrıntıları göstermektedir. Büyük resmi göstermek için ise her iki genom haritalama tekniğinin de neden önemli olduğunu anlamak kolaydır. Her iki teknikten elde edilen bilgiler, genomu incelemek için birlikte kullanılmaktadır. Genomik haritalama, araştırma için kullanılan farklı model organizmalarla birlikte kullanılabilmektedir. Genom haritalama hala geliştirilen bir süreçtir ve daha ileri teknikler geliştirildikçe daha fazla ilerleme beklenmektedir. Genom haritalama, mevcut her veri parçasını kullanarak karmaşık bir yapbozu tamamlamaya benzer. Tüm dünyadaki laboratuvarlarda üretilen haritalama bilgileri, Ulusal Biyoteknoloji Bilgi Merkezi (NCBI) gibi merkezi veri tabanlarına girilir. Bilgilerin araştırmacılar ve genel halk için daha kolay erişilebilir olması için çaba gösterilmektedir. Yollarda gezinmek için kağıt haritalar yerine küresel konumlandırma sistemlerini kullanmamız gibi, NCBI da veri madenciliği sürecini basitleştirmek için bir genom görüntüleme aracı kullanmamıza olanak sağlamaktadır.

https://evrimagaci.org/genomik-ve-proteomik-nedir-genler-biyoteknolojide-nasil-kullanilir-13778: Genomik ve Proteomik Nedir? Genler, Biyoteknolojide Nasıl Kullanılır?