Mô hình hóa là gì? Các công bố khoa học về Mô hình hóa

Tóm lược: MrBayes 3 thực hiện phân tích phát sinh loài Bayesian kết hợp thông tin từ các phần dữ liệu hoặc các phân tập khác nhau tiến hóa dưới các mô hình tiến hóa ngẫu nhiên khác nhau. Điều này cho phép người dùng phân tích các tập dữ liệu không đồng nhất bao gồm các loại dữ liệu khác nhau—ví dụ: hình thái, nucleotide và protein—và khám phá nhiều loại mô hình cấu trúc kết hợp tham số duy nhất và chung của phần. Chương trình sử dụng MPI để song song hóa kết hợp Metropolis trên các cụm máy Macintosh hoặc UNIX.

Khả dụng: http://morphbank.ebc.uu.se/mrbayes

Liên hệ: [email protected]

* Địa chỉ thông tin liên lạc.

Protein là yếu tố thiết yếu của sự sống, và việc hiểu cấu trúc của chúng có thể tạo điều kiện thuận lợi cho việc hiểu cơ chế hoạt động của chúng. Thông qua một nỗ lực thử nghiệm khổng lồ^1–4, cấu trúc của khoảng 100.000 protein độc nhất đã được xác định⁵, nhưng điều này chỉ đại diện cho một phần nhỏ trong hàng tỷ chuỗi protein đã biết^6,7. Phạm vi bao phủ cấu trúc đang bị thắt nút bởi thời gian từ vài tháng đến vài năm cần thiết để xác định cấu trúc của một protein đơn lẻ. Các phương pháp tính toán chính xác là cần thiết để giải quyết vấn đề này và cho phép tin học cấu trúc lớn. Việc dự đoán cấu trúc ba chiều mà một protein sẽ chấp nhận chỉ dựa trên chuỗi axit amin của nó - thành phần dự đoán cấu trúc của 'vấn đề gấp nếp protein'⁸ - đã là một vấn đề nghiên cứu mở quan trọng trong hơn 50 năm⁹. Dù đã có những tiến bộ gần đây^10–14, các phương pháp hiện tại vẫn chưa đạt đến độ chính xác nguyên tử, đặc biệt khi không có cấu trúc tương đồng nào được biết đến. Tại đây, chúng tôi cung cấp phương pháp tính toán đầu tiên có khả năng dự đoán cấu trúc protein với độ chính xác nguyên tử ngay cả trong trường hợp không có cấu trúc tương tự nào được biết. Chúng tôi đã xác nhận một phiên bản thiết kế hoàn toàn mới của mô hình dựa trên mạng neuron, AlphaFold, trong cuộc thi Đánh giá Cấu trúc Protein Phê bình lần thứ 14 (CASP14)¹⁵, cho thấy độ chính xác có thể cạnh tranh với các cấu trúc thử nghiệm trong phần lớn các trường hợp và vượt trội hơn các phương pháp khác đáng kể. Cơ sở của phiên bản mới nhất của AlphaFold là cách tiếp cận học máy mới kết hợp kiến thức vật lý và sinh học về cấu trúc protein, tận dụng các sắp xếp nhiều chuỗi, vào thiết kế của thuật toán học sâu.

Một phương trình mới và tương đối đơn giản cho đường cong áp suất chứa nước trong đất, θ(h), được giới thiệu trong bài báo này. Dạng cụ thể của phương trình này cho phép đưa ra các biểu thức phân tích dạng khép kín cho độ dẫn thủy lực tương đối, K_r, khi thay thế vào các mô hình độ dẫn dự đoán của N.T. Burdine hoặc Y. Mualem. Các biểu thức thu được cho K_r(h) chứa ba tham số độc lập có thể được xác định bằng cách điều chỉnh mô hình giữ nước trong đất đã đề xuất với dữ liệu thực nghiệm. Kết quả thu được từ các biểu thức khép kín dựa trên lý thuyết Mualem được so sánh với dữ liệu độ dẫn thủy lực quan sát cho năm loại đất có đặc tính thủy lực khác nhau. Độ dẫn thủy lực không bão hòa được dự đoán tốt trong bốn trên năm trường hợp. Kết quả cho thấy rằng việc mô tả hợp lý đường cong giữ nước trong đất ở mức chứa nước thấp là quan trọng để dự đoán chính xác độ dẫn thủy lực không bão hòa.

Một mô hình khảm lỏng được trình bày về tổ chức và cấu trúc thô của các protein và lipid trong màng sinh học. Mô hình này phù hợp với các giới hạn áp đặt bởi nhiệt động lực học. Trong mô hình này, các protein có vai trò quan trọng trong màng là một tập hợp không đồng nhất các phân tử hình cầu, mỗi phân tử được sắp xếp theo cấu trúc amphipathic , tức là, với các nhóm ion và cực mạnh nhô ra khỏi màng vào pha nước, và các nhóm không phân cực chủ yếu bị chôn vùi trong phần nội địa kỵ nước của màng. Các phân tử hình cầu này được lồng một phần trong ma trận phospholipid. Phần lớn phospholipid được tổ chức thành một lớp kép lỏng không liên tục, mặc dù một phần nhỏ của lipid có thể tương tác cụ thể với các protein màng. Do đó, cấu trúc khảm lỏng tương tự về mặt hình thức như một dung dịch có hướng hai chiều của các protein (hoặc lipoprotein) toàn phần trong dung môi lớp lipid phospho nhớt. Các thí nghiệm gần đây với nhiều kỹ thuật khác nhau và nhiều hệ màng khác nhau đều phù hợp với và góp phần bổ sung nhiều chi tiết cho mô hình khảm lỏng. Do đó, có vẻ hợp lý để đề xuất các cơ chế khả dĩ cho các chức năng màng và các hiện tượng do màng trung gian dưới ánh sáng của mô hình. Là ví dụ, các cơ chế có thể khảo nghiệm bằng thực nghiệm đang được đề xuất để giải thích các biến đổi trên bề mặt tế bào trong chuyển hóa ác tính và các hiệu ứng cộng tác thể hiện trong tương tác của màng với các ligand cụ thể.

Ghi chú thêm trong bản in : Kể từ khi bài báo này được viết, chúng tôi đã thu được bằng chứng siêu vi cấu trúc electron rằng các vị trí liên kết concanavalin A trên các màng của virus SV40 biến đổi nguyên bào sợi chuột (tế bào 3T3) có mật độ tập trung nhiều hơn so với các vị trí trên màng tế bào bình thường, như tiên đoán bởi giả thuyết biểu diễn trong Hình 7B. Cũng đã xuất hiện một nghiên cứu của Taylor
et al.
cho thấy các hiệu ứng đáng kể được tạo ra trên bạch cầu lympho khi bổ sung các kháng thể nhắm vào các phân tử miễn dịch bề mặt của chúng. Các kháng thể gây ra sự tái phân bố và ẩm bào của các phân tử miễn dịch bề mặt này, do đó trong khoảng 30 phút ở 37°C, các phân tử miễn dịch bề mặt hoàn toàn bị loại ra khỏi màng. Những hiệu ứng này không xảy ra, tuy nhiên, nếu các kháng thể hoá trị đôi được thay thế bằng các đoạn Fab hoá trị đơn của chúng hoặc nếu các thí nghiệm kháng thể được thực hiện ở 0°C thay vì 3°C. Những kết quả này và các kết quả liên quan khác mạnh mẽ chỉ ra rằng các kháng thể bivalen tạo ra sự tập hợp của các phân tử miễn dịch bề mặt ở cấu trúc mặt phẳng của màng, điều này chỉ xảy ra nếu các phân tử miễn dịch có thể tự do khuếch tán trong màng. Sự tập hợp sau đó kích hoạt ẩm bào các thành phần màng bằng một cơ chế chưa được biết đến. Những biến đổi màng như vậy có thể có tầm quan trọng rất lớn trong việc kích thích phản ứng kháng thể đối với kháng nguyên, cũng như trong các quá trình khác của sự phân hóa tế bào.

IQ-TREE (http://www.iqtree.org, truy cập lần cuối vào ngày 6 tháng 2 năm 2020) là một gói phần mềm thân thiện với người dùng và được sử dụng rộng rãi cho suy luận phát sinh chủng loài dựa trên tiêu chí cực đại x-likelihood. Kể từ khi phát hành phiên bản 1 vào năm 2014, chúng tôi đã liên tục mở rộng IQ-TREE để tích hợp nhiều mô hình mới về sự tiến hóa của trình tự và các phương pháp tính toán hiệu quả cho suy luận phát sinh chủng loài nhằm xử lý dữ liệu hệ gen. Trong bài viết này, chúng tôi mô tả những tính năng nổi bật của phiên bản IQ-TREE 2 và nhấn mạnh những ưu điểm quan trọng so với các phần mềm khác.

Một mô hình phân tích đơn giản được đề xuất để dự đoán các đường cong độ dẫn nước chưa bão hòa bằng cách sử dụng đường cong độ ẩm - đầu mao dẫn và giá trị đo được của độ dẫn nước ở trạng thái bão hòa. Mô hình này tương tự như mô hình của Childs và Collis-George (1950) nhưng sử dụng một giả định được điều chỉnh liên quan đến độ dẫn nước của chuỗi lỗ để tính đến tác động của phần lỗ lớn hơn. Một phương pháp tính toán được phát triển để xác định độ ẩm còn lại và để ngoại suy đường cong độ ẩm - đầu mao dẫn như đã đo trong một khoảng hạn chế. Mô hình được đề xuất được so sánh với các mô hình thực tiễn hiện có của Averjanov (1950), Wyllie và Gardner (1958), cũng như Millington và Quirk (1961) dựa trên dữ liệu đo được của 45 loại đất khác nhau. Dường như mô hình mới có sự phù hợp tốt hơn với các quan sát.

▪ Tóm tắt  Chúng tôi trình bày một cái nhìn tổng quan về phương pháp lattice Boltzmann (LBM), một thuật toán song song và hiệu quả cho việc mô phỏng dòng chảy chất lỏng đơn pha và đa pha, cũng như để tích hợp các phức tạp vật lý bổ sung. Phương pháp LBM đặc biệt hữu ích cho việc mô hình hóa các điều kiện biên phức tạp và các giao diện đa pha. Những mở rộng gần đây của phương pháp này được mô tả, bao gồm mô phỏng độ hỗn loạn trong chất lỏng, dòng chảy huyền phù, và các hệ thống khuếch tán phản ứng.

Bình thường hóa chính xác là điều kiện tiên quyết tuyệt đối để đo lường đúng biểu hiện gene. Đối với PCR sao chép ngược định lượng thời gian thực (RT-PCR), chiến lược bình thường hóa phổ biến nhất bao gồm tiêu chuẩn hóa một gene kiểm soát được biểu hiện liên tục. Tuy nhiên, trong những năm gần đây, đã trở nên rõ ràng rằng không có gene nào được biểu hiện liên tục ở tất cả các loại tế bào và dưới mọi điều kiện thí nghiệm, ngụ ý rằng sự ổn định biểu hiện của gene kiểm soát dự kiến phải được xác minh trước mỗi thí nghiệm. Chúng tôi đã trình bày một chiến lược mới, sáng tạo và mạnh mẽ để xác định các gene được biểu hiện ổn định trong một tập hợp các gene ứng cử viên để bình thường hóa. Chiến lược này bắt nguồn từ một mô hình toán học về biểu hiện gene cho phép ước lượng không chỉ sự biến đổi tổng thể của các gene nghị biểu bình thường mà còn sự biến đổi giữa các nhóm mẫu bộ của tập hợp mẫu. Đáng chú ý, chiến lược này cung cấp một thước đo trực tiếp cho sự biến đổi biểu hiện ước tính, cho phép người dùng đánh giá lỗi hệ thống được tạo ra khi sử dụng gene này. Trong một so sánh trực tiếp với một chiến lược đã được công bố trước đó, cách tiếp cận dựa trên mô hình của chúng tôi có hiệu suất mạnh mẽ hơn và ít nhạy cảm hơn đối với điều chỉnh đồng biến của các gene bình thường hóa ứng cử viên. Chúng tôi đã sử dụng chiến lược dựa trên mô hình để xác định các gene phù hợp để bình thường hóa dữ liệu RT-PCR định lượng từ ung thư ruột kết và ung thư bàng quang. Các gene này bao gồm UBC, GAPD, và TPT1 cho ruột kết và HSPCB, TEGT, và ATP5B cho bàng quang. Chiến lược được trình bày có thể được áp dụng để đánh giá độ thích hợp của bất kỳ ứng cử viên gene bình thường hóa trong bất kỳ loại thiết kế thí nghiệm nào và nên cho phép bình thường hóa dữ liệu RT-PCR đáng tin cậy hơn.

Một biến thể mới tên là ‘PMF’ trong phân tích yếu tố được mô tả. Giả định rằng X là một ma trận của dữ liệu quan sát và σ là ma trận đã biết của độ lệch chuẩn của các phần tử trong X. Cả X và σ có kích thước n × m. Phương pháp giải quyết vấn đề ma trận song tuyến tính X = GF + E ở đây G là ma trận yếu tố bên trái chưa biết (điểm số) có kích thước n × p, F là ma trận yếu tố bên phải chưa biết (tải trọng) có kích thước p × m, và E là ma trận dư. Vấn đề được giải bằng phương pháp bình phương tối thiểu có trọng số: G và F được xác định sao cho chuẩn Frobenius của E chia từng phần tử theo σ được tối thiểu hóa. Hơn nữa, giải pháp được ràng buộc để tất cả các phần tử của G và F phải không âm. Kết quả cho thấy rằng các giải pháp qua PMF thường khác biệt với các giải pháp từ phân tích yếu tố thông thường (FA, tức là phân tích thành phần chính (PCA) tiếp theo là xoay vòng). Thông thường PMF cung cấp sự phù hợp tốt hơn đối với dữ liệu hơn FA. Ngoài ra, kết quả của PF được đảm bảo không âm, trong khi kết quả của FA thường không thể xoay vòng để loại bỏ mọi phần tử âm. Các ứng dụng tiềm năng khác nhau của phương pháp mới này được thảo luận ngắn gọn. Trong dữ liệu môi trường, các ước lượng lỗi của dữ liệu có thể thay đổi lớn và tính không âm thường là một tính năng cần thiết của các mô hình cơ bản. Do đó, kết luận rằng PMF phù hợp hơn FA hoặc PCA trong nhiều ứng dụng môi trường. Các ví dụ về ứng dụng thành công của PMF được trình bày trong các bài báo đồng hành.

Việc hấp thu serotonin (5-hydroxytryptamine hay 5-HT) được hỗ trợ bởi chất vận chuyển đã được cho thấy có liên quan đến lo âu ở người và các mô hình động vật, và là nơi tác động của các loại thuốc chống trầm cảm và chống lo âu phổ biến đang ức chế sự hấp thu. Quá trình phiên mã của gen vận chuyển 5-HT ở người (5-HTT) được điều chỉnh bởi một loại đa hình phổ biến ở vùng điều hòa thượng nguồn. Dạng ngắn của đa hình này làm giảm hiệu suất phiên mã của trình điều khiển gen 5-HTT, dẫn đến giảm sự biểu hiện 5-HTT và sự hấp thu 5-HT trong nguyên bào lympho. Các nghiên cứu liên kết trong hai mẫu độc lập bao gồm tổng cộng 505 cá thể đã phát hiện rằng đa hình 5-HTT chiếm 3 đến 4 phần trăm trong tổng mức độ biến thiên, và 7 đến 9 phần trăm trong sự khác biệt di truyền về các đặc điểm tính cách liên quan đến lo âu ở các cá thể cũng như các nhóm anh chị em.