Разработка технологии реконструкции и компьютерного анализа генных сетей и ее применение в биологических исследованиях

Ананько, Елена Анатольевна

Бесплатный автореферат и диссертация по биологии на тему
Разработка технологии реконструкции и компьютерного анализа генных сетей и ее применение в биологических исследованиях
ВАК РФ 03.00.15, Генетика

Автореферат диссертации по теме "Разработка технологии реконструкции и компьютерного анализа генных сетей и ее применение в биологических исследованиях"

1G6904

На правах рукописи УДК 577 214 625+578 245 4

Ананько Елена Анатольевна

РАЗРАБОТКА ТЕХНОЛОГИИ РЕКОНСТРУКЦИИ И КОМПЬЮТЕРНОГО АНАЛИЗА ГЕННЫХ СЕТЕЙ И ЕЕ ПРИМЕНЕНИЕ В БИОЛОГИЧЕСКИХ ИССЛЕДОВАНИЯХ

03 00 15- генетика

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата биологических наук

1 6 ДПР 2008

Новосибирск, 2008

003166904

Работа выполнена в лаборатории теоретической генетики Института цитологии и генетики СО РАН, г Новосибирск

Научный руководитель

член-корр РАН, доктор биологических наук, профессор

Николай Александрович Колчанов Институт цитологии и генетики СО РАН, г Новосибирск

Официальные оппоненты

доктор биологических наук ЮМ Константинов

кандидат биологических наук JIK Савинкова

Ведущее учреждение

Институт молекулярной биологии им В А Энгельгардта РАН, г.Москва

Защита диссертации состоится п-50" апреля 2008 г на утреннем заседании диссертационного совета Д-003 011 01 по защите диссертаций на соискание ученой степени доктора наук при Институте цитологии и генетики СО РАН по адресу 630090, г Новосибирск, проспект академика Лаврентьева, 10, конференц-зал тел/факс (383)3331278, e-mail dissov@bionet nsc ru

С диссертацией можно ознакомиться в библиотеке Института цитологии и генетики СО РАН

Автореферат разослан ш " марта 2008 г

Ученый секретарь диссертационного совета, доктор биологических наук

АД Груздев

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. Быстрое развитие методов молекулярной биологии и генетики привело к появлению огромных объемов экспериментальных данных, благодаря чему появилась возможность проводить детальную реконструкцию сложных молекулярно-генетических систем, обеспечивающих функционирование клеток, тканей, органов и организмов, контролирующих процессы индивидуального развития, поддержание гомеостаза, взаимодействие с окружающей средой и тд Однако, ни один экспериментальный метод современной биологии, независимо от его эффективности, сам по себе не может дать комплексного представления о биологическом объекте, особенностях его организации, иерархии и взаимоподчиненности структурно-функциональных единиц молекулярного, клеточного или тканевого уровней

В связи с этим возникает необходимость в комплексных компьютерных подходах к интеграции и анализу гетерогенных экспериментальных данных молекулярной и клеточной биологии Острая потребность в решении этих задач привела к появлению нового научного направления - системной компьютерной биологии. Ключевая задача этого нового раздела биологии состоит в получении целостного представления о структуре и механизмах функционирования исследуемых молекулярно-биологических систем на основе интеграции и анализа разнообразных экспериментальных данных

Важнейшим инструментом системной компьютерной биологии являются современные информационные технологии компьютерные методы накопления, хранения, поиска, классификации, интеграции и анализа экспериментальных данных, методы математического моделирования, эффективность которых должна быть адекватна объемам, разнообразию и темпам накопления экспериментальной информации, а также сложности изучаемых биологических систем и процессов

Центральным понятием и основным объектом системной компьютерной биологии являются генные сети - молекулярно-генетические системы, обеспечивающие формирование разнообразия фенотипических характеристик организмов (молекулярных, биохимических, структурных, морфологических, поведенческих и т.д.) на основе информации, закодированной в их геномах. Классический пример сложно организованной генной сети представляет собой интерфероновая система Интерфероны - это основные регуляторы иммунного, противовирусного и противобактериального ответа, они модулируют воспалительный ответ, включая активацию нейтрофилов, лимфоцитов и базофилов, ингибируют клеточную пролиферацию, регулируют дифференцировку Т- и В-лимфоцитов, стимулируют фагоцитоз и представление антигенов макрофагами, увеличивают цитотоксичность натуральных киллеров и т д

Влияние интерферонов осуществляется путем стимуляции экспрессии определенного набора интерферон-индуцируемых генов (ИИГ) Продукты этих генов участвуют в обеспечении функций интерферонов, они могут взаимодействовать как между собой, так и с другими регуляторными факторами,

стимулировать экспрессию других генов, непосредственно не отвечающих на воздействие интерферонами Регуляторные районы ИИГ и взаимодействующие с ними транскрипционные факторы являются хорошей моделью для изучения молекулярно-генетических механизмов регуляции экспрессии генов у эукариот Анализ этих механизмов и понимание смысла информации, закодированной в регуляторных последовательностях ИИГ, позволит создать эффективные компьютерные методы предсказания потенциальных ИИГ на уровне генома

Исследование генной сети интерфероновой системы с помощью современных компьютерных технологий может открыть пути к созданию новых лекарственных препаратов с более точно направленным воздействием и минимумом побочных эффектов, а также стимуляторов иммунной системы и других биологически активных веществ Эти исследования имеют важное практическое значение, поскольку раскрывают причины возможных нарушений регуляции целого ряда жизненно важных функций организма и позволяют приблизиться крещению проблемы их коррекции

Цели и задачи работы. Целью данной работы является разработка технологии компьютерной реконструкции и анализа генных сетей, исследование генных сетей интерфероновой индукции противовирусного ответа и построение методов распознавания интерферон-индуцируемых генов эукариот Для достижения поставленной цели решаются следующие задачи

1) создание технологии реконструкции генных сетей т ягксо, включающей в себя методы формализованного описания отдельных классов объектов, функционирующих в составе генных сетей, словари терминов, характеризующих объекты генных сетей, базы данных по объектам и взаимодействиям в генных сетях, программные средства для ввода информации в эти базы данных, методы визуализации и анализа генных сетей,

2) анализ особенностей структурно-функциональной организации генных сетей эукариот на основе информации, накопленной в разработанных базах данных,

3) реконструкция генных сетей интерфероновой индукции противовирусного ответа у эукариот, компьютерный анализ особенностей их организации и функционирования,

4) построение методов распознавания сайтов связывания транскрипционных факторов, важных для функционирования генной сети интерфероновой индукции,

5) определение характерных для ИИГ закономерностей в расположении сайтов и разработка методов распознавания протяженных интерферон-индуцируемых районов в геномах эукариот, поиск потенциальных ИИГ человека

Научная новизна и практическая ценность. Создана система вепсЫе! для компьютерного описания, визуализации и анализа генных сетей, широко используемая как в ИЦиГ СО РАН, так и нашедшая применение для решения ряда задач в рамках сотрудничества с российскими и зарубежными (Англия, Япония) организациями В настоящее время база данных системы Оепе№1 содержит информацию о структурно-функциональной организации 42 генных

сетей эукариот и 23 генных и метаболических сетей прокариот, она активно используется для компьютерной аннотации и анализа генных сетей

С помощью системы Оепе№1 впервые создано компьютерное описание двух генных сетей интерфероновой индукции противовирусного ответа и проведен анализ структурно-функциональной организации этих генных сетей

Исследована организация протяженных регуляторных районов интерферон-индуцируемых генов и выявлены закономерности распределения сайтов связывания различных транскрипционных факторов, отличающих эти гены от остальных

Созданы не имеющие аналогов в мировой науке методы распознавания протяженных районов ДНК, ответственных за интерфероновую индукцию

Практическая значимость полученных оригинальных результатов заключается в том, что они могут использоваться при изучении молекулярных процессов интерфероновой индукции противовирусного ответа Помимо этого, полученные результаты могут ускорить как процесс аннотации геномных последовательностей, так и определение функций еще не исследованных генов Возможность поиска компьютерными методами генов с определенными функциями очень важна для понимания принципов работы и организации геномов млекопитающих

Положения, выносимые на защиту.

1 В генных сетях интерфероновой индукции у млекопитающих наблюдается преобладание регуляторных контуров с положительными обратными связями над регуляторными контурами с отрицательными обратными связями, что обеспечивает быстрый ответ клетки на интерфероны

2 Для сайтов связывания ключевых регуляторов интерфероновой системы, транскрипционных факторов ШН, 150РЗ, 8ТАТ1 и ОТ-кВ, характерна повышенная плотность в районе [-200, +1] п о относительно старта транскрипции интерферон-индуцируемых генов

3 Существуют специфические закономерности в расположении относительно старта транскрипции одиночных сайтов и пар сайтов связывания разных транскрипционных факторов, характерные для промоторной области интерферон-индуцируемых генов

4 Общее число интерферон-индуцируемых генов человека превышает 3000

Апробация работы. Основные результаты работы были представлены на Втором Сибирском Конгрессе по Прикладной и Индустриальной Математике (ИНПРИМ-96, Новосибирск, 1996 г), Международных конференциях по биоинформатике геномной регуляции и структуры (ВС115'1998, ВОК8'2000, вотоог, ВСК8'2004, вет^гооб, Новосибирск 1998, 2000, 2002, 2004, 2006), Международной школе теоретической биофизики (Москва, 1998 г), Международной конференции по геномике и протеомике (Гейдельберг, 1998 г), Международной конференции по теории и математике в биологии и медицине (Амстердам, 1999 г), II съезде Вавиловского общества генетиков и селекционеров (Санкт-Петербург, 2000 г), Второй Всероссийской научной конференции "Электронные библиотеки перспективные методы и технологии,

электронные коллекции" (Протвино, 2000 г), конференции, посвященной 90-летию со дня рождения Алексея Андреевича Ляпунова (Новосибирск, 2001 г), Второй Всероссийской научной конференции "Электронные библиотеки перспективные методы и технологии, электронные коллекции" (Дубна, 2002 г), Международных Московских конференциях по компьютерной молекулярной биологии (МССМВ'03, МССМВ'05, Москва, 2003 и 2005 гг), а также на отчетных сессиях Института Цитологии и генетики СО РАН (1999, 2002, 2005 гг ) База данных ОепеЫе! зарегистрирована в Российском агентстве по патентам и товарным знакам (РОСПАТЕНТ), свидетельство № 990006,1999 г

Публикации. По теме диссертации опубликована 31 работа, из них 12 в рецензируемых изданиях, имеется свидетельство об официальной регистрации базы данных, поддерживается \¥№"л-сайт

Структура и объем диссертации. Диссертационная работа состоит из введения, обзора литературы (первая глава), двух глав, содержащих основные результаты, выводов, списка цитируемой литературы (305 ссылок) Работа изложена на 228 страницах, содержит 74 рисунка, 25 таблиц и 5 приложений Нумерация рисунков и таблиц производится отдельно для каждой главы

СОДЕРЖАНИЕ РАБОТЫ

Глава 1. Обзор литературы

В обзоре литературы на примере генных сетей интерфероновой индукции рассмотрены характерные особенности организации генных сетей, которые необходимо учитывать при их компьютерной реконструкции На основе анализа этих особенностей, а также имеющихся мировых молекулярно-биологических информационно-программных ресурсов, сформулированы требования, которым должна удовлетворять компьютерная система для реконструкции и анализа генных сетей

1) наличие гибких способов формализованного описания элементарных структур, событий и процессов, значимых для функционирования генных сетей,

2) возможность описания в рамках единого подхода как механизмов регуляции экспрессии генов, так и различных метаболических процессов,

3) возможность реконструкции генных сетей как про-, так и эукариот, а также гибридных генных сетей, возникающих при взаимодействии молекулярно-генетических систем про- и эукариот,

4) наличие понятного и удобного в работе интерфейса для реконструкции генных сетей, ввода информации в базы данных, генерации запросов и т д ,

5) возможность автоматической визуализации и анализа генных сетей на основе информации, накопленной в базах данных,

7) возможность расширения функций компьютерной системы для реконструкции генных сетей, а также при необходимости - увеличения количества классов объектов

Глава 2. Компьютерная реконструкция и анализ генных сетей

Глава 2 диссертации посвящена компьютерной системе GeneNet, созданной для реконструкции, визуализации и анализа генных и метаболических сетей. При разработке данной технологии принимались во внимание требования, сформулированные в Главе 1

Компьютерная система GeneNet [Kolpakov F Л et al, 1998, Ананько E А и др , 1999, Kolpakov F А et al, 1999, Колчанов H А и др, 2000, Ananko Е А et al, 2002, Ananko ЕА et al, 2005] позволяет на основе аннотации экспериментальных данных из научных публикаций описывать структурно-функциональную организацию генных и метаболических сетей как прокариот, так и эукариот, и даже генные сети, возникающие при взаимодействии двух организмов, например, симбионтов, или паразита и хозяина Специальное приложение GenEd, предназначенное для автоматической визуализации и редактирования информации из базы данных, позволяет представить схемы генных сетей в удобном для пользователя виде Средства анализа структурно-функциональной организации, основанные на методах теории графов, помогают выделить ключевые регуляторные компоненты сети и замкнутые регуляторные циклы

При создании формального языка для описания объектов и процессов генных сетей, в качестве базового подхода был применен объектно-ориентированный подход, согласно которому все компоненты генных сетей были разделены на два типа (1) элементарные структурные компоненты, включающие такие классы объектов, как гены, белки, РНК, низкомолекулярные соединения, и (2) элементарные взаимодействия, включающие реакции и регуляторные воздействия (Рис 1) Для описания каждого класса объектов

разработан собственный формат, учитывающий особенности отдельных классов Стандартизация и возможность добавления новых классов базовых элементов' позволяет путем комбинаций ограниченного количества элементарных структур и взаимодействий получить огромное разнообразие представлений конкретных процессов и описать практически любое событие в генной сети про- или эукариот, укладывая все разнообразие в рамки стандартных схем и убирая жесткие ограничения форматом

С помощью системы GeneNet автором диссертации были реконструированы генные сети интерфероновой индукции у млекопитающих (1) генная сеть интерфероновой регуляции противовирусного ответа "Antiviral

Рисунок 1 Компоненты генных сетей и их графическое отображение при визуализации в ОепеКй

response" и (2) генная сеть индукции противовирусного ответа интерфероном-а при гепатите С "Hepatitis С (IFN)"). Основные характеристики этих генных сетей приведены в Таблице 1.

Таблица 1,

Основные характеристики генных сетей интерфероновой индукции.

Название сети Кол-во белков Кол-во генов Кол-во связей Кол-во замкнут, циклов Организмы Аннотировано статей

Antiviral response 108 85 219 50 Человек, мышь, крыса, курица 339

Hepatitis С (IFN) 27 20 107 43 Человек, вирус гепатита С 107

Компьютерной анализ генных сетей интерфероновой индукции, осуществленный методами теории графов, выявил преобладание регуляторных контуров с положительными обратными связями (88) над регуляторными контурами с отрицательными обратными связями (14). Эта особенность обеспечивает быструю мобилизацию клетки в ответ на действие интерферонов при различных инфекциях. Путем анализа графов генных сетей интерфероновой индукции были определены ключевые белковые регуляторы этой системы, соответствующие вершинам графа, характеризующимся наибольшим количеством выходящих из них ребер. Ими оказались транскрипционные факторы ISGF3, IRF1, STAT1, NF-кВ и API. На Рис. 2 приведен фрагмент генной сети противовирусного ответа, на котором хорошо видно большое количество регуляторных связей, исходящих от ISGF3, IRF1, STAT1 и NF-kB.

ЛГЛТ1СИ " ■ \\Ч . >Х ч t \ - J '.y \. . --------- . I -—

Рисунок 2. фрагмент генной сети "Antiviral response" с ключевыми регуляторами -транскрипционными факторами ISGF3, IRF1, STAT1 и NF-kB.

В дальнейшем особое внимание уделялось изучению особенностей распределения в регуляторных районах ИИГ сайтов связывания именно этих транскрипционных факторов

Глава 3. Компьютерный анализ и распознавание регуляторных элементов в интерферон-индуцируемых генах

Для изучения особенностей организации регуляторных районов ИИГ в базе данных TRRD (Transcription Regulatory Database) [Kolchanov NA et ctl, 2002] на основе аннотации более 700 научных публикаций были описаны особенности структурно-функциональной организации регуляторных областей 130 ИИГ и характеристики их экспрессии. Эта информация представлена как база данных интерферон-индуцируемых генов IIG-TRRD [Ананько Е А и др, 1997], доступная через сеть Интернет по адресу http //wwwmgs bionet nsc m/mgs/papers/ananko/im-trrd/ Количественное

содержание IIG-TRRD приведено в Таблице 2

Согласно

экспериментальным данным, регуляторные районы ИИГ, описанных в базе IIG-TRRD, содержат сайты связывания более чем 90 различных транскрипционных факторов Основное внимание при дальнейшей работе было обращено на сайты связывания транскрипционных факторов, частота встречаемости

которых в регуляторных районах ИИГ оказалась больше 15% Эта группа включает ТАТА-бокс (35 4%) и сайты связывания пяти основных транскрипционных регуляторов интерфероновой системы, а именно, IRFI (29 2%), NF-kB (26 2%), ISGF3 (23 8%), API (16 2%) и STAT1 (16 9%) На Рис 3 приведен пример организации 5'-регуляторного района одного из наиболее изученных ИИГ, аннотированных в базе данных IIG-TRRD, индуцибельной нитрооксидсинтазы мыши (INOS) Из Рисунка 3 видно, что у этого гена в районе [-1000, -1] по экспериментально выявлено 13 сайтов связывания 10 разных транскрипционных факторов

На основе информации из IIG-TRRD было проанализировано распределение по отношению к старту транскрипции экспериментально выявленных сайтов связывания транскрипционных факторов ISGF3, IRF1, STAT1, NF-kB и API Было установлено, что большинство сайтов связывания расположено в промоторах в районе [-1, -200] по по отношению к старту

Таблица 2.

Содержание базы данных 1Ю-ТИШ, посвященной описанию регуляции транскрипции интерферон-индуцируемых генов__

Кол-во

Генов 130

из них человека 76

мыши 46

Протяженных регуляторных районов (промоторов, энхансеров, сайленсеров) 238

из них промоторов 109

Сайтов связывания транскрипционных факторов 666

Композиционных элементов 28

Паттернов экспрессии 2283

Ссылок на другие базы данных из них на банки 1845

последовательностей (ЕМВШепВапк) 878

Аннотировано статей 752

транскрипции Тем не менее, функциональные сайты встречаются и в очень удаленных 5'-энхансерах, вплоть до -5000 по, а также в энхансерах, расположенных в интронах, до +1500 п о по отношению к старту транскрипции

Ets2-985 NF-

кВ -974

¡ТАТ1 -951

ISRE

-S2V \

IRF1 -913

Ets2 -189 С/ЕВР-150 HIF-1 -230

TATA-30

Интерферон-индуцибельнь» энхвнсер [-1030, -870] п о

В-88/ Ш

АР1 -101 NF-KB

'eft -61 С/ЕВР -74

Промоторный район [-250, -1] п о Рисунок 3. Схематичное изображение организации 5'-регуляторного района гена INOS мыши Позиции сайтов приведены относительно старта транскрипции, который обозначен стрелкой Интерферон-индуцибельный энхансер выделен рамочкой

Используя информацию из базы данных IIG-TRRD, были сформированы выборки экспериментально выявленных сайтов связывания транскрипционных факторов ISGF3, IRF1, STAT1, NF-kB и API На основе этих выборок были созданы методы распознавания в геномной ДНК сайтов связывания этих факторов

Для распознавания сайтов применялся метод статистического моделирования [Ananko Е А, Kondrakhin Y V, et al, 2007], в основу которого положено использование частотных и весовых матриц олигонуклеотидов, конструируемых на основе обучающих выборок сайтов Примененный для получения частотных и весовых матриц итерационный подход не зависит, в отличие от обычных методов, от начального выравнивания выборок сайтов Наилучшее выравнивание происходит в процессе получения результирующей матрицы по специальному алгоритму в результате нескольких итераций применения алгоритма

Таблица 3

Пороговые значения ошибок первого и второго рода для распознавания сайтов связывания ключевых регуляторов интерфероновой системы

Сайт связывания Ошибка 1-го рода a j (недопредсказание) Ошибка 2-го рода аг (перепредсказание)

API 37% 2 81Е-03

IRF1 24% 9 59Е-05

ISGF3 25% 6 84Е-04

NF-kB 42% 5 32Е-04

STAT1 43% 8 82Е-05

В Таблице 3 приведены пороговые значения ошибок первого и второго рода - (X] и а2 (характеризующих уровень недопредсказания и перепредсказания сайтов, соответственно), которые обеспечивали оптимальное распознавание сайтов. Например, для транскрипционного фактора ШОБЗ с помощью разработанного метода

не распознается 25% экспериментально выявленных сайтов связывания, в то же время, уровень перепредсказания составляет для этого метода распознавания 6 84 сайта на 10 ООО п о геномной последовательности

Созданные методы распознавания сайтов связывания ISGF3, IRF1, STAT1, NF-кВ и API в дальнейшем использовались для анализа протяженных регуляторных районов генов и разработки методов распознавания интерферон-индуцируемых энхансеров и промоторов Для решения этой задачи необходимо было выявить закономерности в распределении разных типов сайтов связывания, отличающие ИИГ от остальных генов Чтобы построить обучающую выборку протяженных регуляторных районов ИИГ, из базы данных IIG-TRRD было выбрано 74 гена человека Для этих генов из контигов хромосом человека были экстрагированы полные последовательности ДНК с фланками в 5000 п о как с 5'-, так и с З'-концов гена

Прежде всего, с помощью созданных методов распознавания сайтов связывания IRF1, ISGF3, STAT1, NF-кВ и API было проведено сравнение распределения экспериментально выявленных и потенциальных (предсказанных компьютерными методами) сайтов Для этого было проанализировано расположение потенциальных сайтов связывания выше перечисленных факторов относительно старта транскрипции в районах от -5000 до +1000 Для оценки статистической значимости неравномерности распределения сайтов по анализируемым районам использовался стандартный критерий х-квадрат Для этого критерия использовался уровень значимости p-value=0 01 Оказалось, что концентрация потенциальных сайтов связывания IRF1, ISGF3 и STAT1 в районе [-200, -1] по выше, чем в остальных районах Практически каждый ген содержал в этом районе потенциальные сайты связывания IRF1 и ISGF3 (85% и 77% соответственно) и у 20% генов предсказан сайт связывания STAT1, в то время как экспериментально сайты связывания IRF1, ISGF3 и STAT1 были выявлены соответственно у 39%, 29% и 13% тех же генов Для сайтов связывания API и NF-кВ превышения концентрации в районе старта транскрипции по сравнению с другими районами ИИГ практически не наблюдалось.

При сравнении плотностей распределения потенциальных и экспериментально выявленных сайтов относительно старта транскрипции ИИГ становится понятно, что интерес исследователей к промоторному району вполне обоснован, поскольку именно там наблюдалось статистически значимое превышение концентрации сайтов связывания транскрипционных факторов, важных для функционирования интерфероновой системы Однако, потенциальные сайты связывания этих факторов встречаются также и в более отдаленных от старта транскрипции районах, где, по всей видимости, могут образовывать функциональные интерферон-индуцируемые энхансеры

Для того, чтобы выявить специфику организации регуляторных районов ИИГ, был проведен сравнительный анализ регуляторных областей трех различных функциональных групп генов Для анализа были использованы также глюкокортикоид-регулируемые гены (39 генов, выборка составлена Меркуловой Т И) и гены липидного метаболизма (56 генов, выборка составлена Игнатьевой ЕВ)

Была проверена гипотеза о повышенной плотности потенциальных сайтов связывания IRF1, ISGF3, STAT1, NF-кВ и API в протяженных регуляторных последовательностях ИИГ [-5000; +1000] п.о. по сравнению с регуляторными районами того же размера у глюкокортикоид-регулируемых генов и генов липидного метаболизма. Однако оказалось, что статистически значимых различий между тремя исследуемыми группами генов по общему количеству предсказанных сайтов в протяженных районах не было выявлено (при p-value=0.01). Таким образом, критерий общего повышения плотности сайтов связывания IRF1, ISGF3, STAT1, NF-кВ и API в регуляторных районах интерферон-регулируемых генов не может использоваться для распознавания таких генов в геномной ДНК.

В то же время, поскольку в промоторной области ИИГ наблюдалось превышение концентрации сайтов связывания специфических транскрипционных регуляторов, мы провели детальное исследование расположения сайтов связывания различных транскрипционных факторов в промоторах разных групп генов. Было проверено предположение о возможной функциональной специфичности распределения сайтов в более узких районах некодирующих областей ИИГ. Анализ показал, что при р value=0.01 для сайтов связывания IRF1, ISGF3, STAT1, API, NF-кВ, GATA, Octl, NF-Y, действительно, наблюдались специфичные для ИИГ локальные повышения плотности в промоторных районах. На Рисунке 4 приведено распределение потенциальных сайтов связывания ISGF3 в районе [-500; +500] п.о. относительно старта транскрипции. Из диаграммы видно, что в районе [-100; -1] п.о. этот сайт встречался только у ИИГ, а в районах [-400; -300] и [-200; -100] п.о. встречаемость сайта связывания ISGF3 у ИИГ более чем в два раза выше, чем у генов липидного метаболизма или глюкокортикоид-регулируемых генов. При этом исключение сайтов, входивших в обучающую выборку, практически не меняет характера распределения.

Рисунок 4. Количество потенциальных сайтов связывания ISGF3 в пересчете на один ген выборки для разных функциональных групп генов. По оси X указан район относительно старта транскрипции "0" соответствует району [-100; -1], "-100" -району [-200;-100] и т.д.

Уровень значимости (р-value) по стандартному критерию %-квадрат был равен 0.01.

Похожая картина распределения наблюдалась и для потенциальных сайтов связывания IRF1 Потенциальные сайты связывания STAT1 у ИИГ практически не встречались в районах [-400, -300] п о, но в районах [-100, -1] по этот тип сайтов встречался исключительно у ИИГ, и не встречаются у других групп генов Для распределения сайтов связывания API в промоторных районах ИИГ характерно более чем двукратное превышение частоты встречаемости в районе [-200, -1] п о по сравнению с другими генами Для сайтов связывания NF-кВ, GATA, Octl и NF-Y также характерна повышенная плотность в промоторных районах ИИГ, но она лишь ненамного превышает плотность таких сайтов в соответствующих районах генов других выборок По числу ТАТА-содержащих промоторов ИИГ занимают промежуточное положение между глюкокортикоид-регулируемыми и генами липидного метаболизма

Таким образом, нами выявлены достоверные отличия регуляторных районов ИИГ от регуляторных районов других генов по такой особенности как повышенное содержание сайтов связывания факторов IRF1, ISGF3, STAT1, API и ТАТА-боксов в промоторном районе [-200, -1] по относительно старта транскрипции Именно эта особенность была положена в основу построения методов распознавания интерферон-индуцируемых генов

Анализ информации, накопленной в базе данных TRRD, показывает, что одиночные сайты крайне редко играют решающую роль в определении уровня транскрипции гена Как правило, в каждой ситуации работает сразу несколько транскрипционных факторов, которые часто взаимодействуют друг с другом Основываясь на этом положении, некоторые исследователи переходят от изучения отдельных типов сайтов к изучению особенностей распределения разных типов сайтов Для ИИГ таких исследований ранее не проводилось, поэтому нами было изучено взаимное расположения разных типов сайтов как по отношению друг к другу, так и по отношению к старту транскрипции Исследовались протяженные регуляторные районы обучающей выборки ИИГ человека из базы данных IIG-TRRD В качестве контроля было использовано несколько выборок (1) случайно сгенерированные последовательности соответствующей длины с сохранением частот динуклеотидов, (2) случайные промоторы из базы данных EPD, (3) глюкокортикоид-регулируемые гены и (4) гены липидного метаболизма

При построении методов распознавания ИИГ были определены частоты встречаемости не только одиночных сайтов, но и различных комбинаций сайтов Под комбинацией подразумевается одновременное присутствие двух или трех сайтов одного или разных типов на заданном расстоянии друг от друга и/или в заданном районе относительно старта транскрипции При анализе закономерностей расположения пар сайтов в первую очередь были определены частоты встречаемости пар потенциальных сайтов, значимых для функционирования ИИГ, а именно, IRF1, ISGF3, STAT1, NF-кВ и API После этого были определены частоты встречаемости различных комбинаций как этих, так и еще 13-ти других транскрипционных факторов, а именно, С/ЕВР, E2F, GATAI, GR, HNF1, HNF3, HNF4, MyoD, NF-Y, Octl, Pu 1, SF1, Spl и TATA-

бокса При построении методов распознавания ИИГ производился отбор комбинаций сайтов, частота встречаемости которых была статистически значимо выше в регуляторных районах ИИГ по сравнению с другими группами генов Для отбора пары сайтов использовался стандартный критерий независимости -/-квадрат, уровень значимости p-value<0 01

Всего было проанализировано несколько сотен различных комбинаций сайтов, из которых отобрано только несколько десятков, имеющих статистически значимое отличие в частоте встречаемости у исследуемых генов по отношению ко всем контрольным выборкам Например, одновременное присутствие ТАТА-бокса и сайта связывания STAT1 в районе [-250, -1] по в промоторах ИИГ встречался в 18 6 раз чаще, чем в случайных промоторах из GenBank Для большинства отобранных пар сайтов уровень значимости оказался p-value<0 001, что свидетельствует о более высокой статистической достоверности полученных результатов Используя эти комбинации и информацию о типе индукции каждого гена контрольной выборки, было создано три метода распознавания интерферон-индуцибельных районов в регуляторных областях генов

1 метод R0 - распознавание любых интерферон-индуцируемых промоторов и регуляторных областей генов (индукция всеми интерферонами),

2 метОд R1 - распознавание промоторов и регуляторных областей генов, индуцируемых интерфероном 1-го типа (IFNa, IFNp),

3 метод R2 - распознавание промоторов и регуляторных областей генов, индуцируемых интерферонами 2-го типа (IFNy)

В Таблице 4 приведено общее количество комбинаций сайтов, использованных в каждом методе

Таблица 4.

Количество комбинаций сайтов, использованных в методах распознавания ИИГ

Метод Кол-во используемых комбинаций

Метод Ш) - распознавание любых интерферон-индуцируемых генов 28

Метод К1 - распознавание генов, индуцируемых интерферонами I типа (ГИ^а, 1П\'Р) 23

Метод Я2 - распознавание генов, индуцируемых интерферонами II типа (1П^у) 18

Для оценки созданных методов предсказания интерферон-индуцибельных промоторов и энхансеров была проведена проверка выборок ИИГ, составленных на основе опубликованных в мировой литературе данных микрочипового анализа (19 статей, 48 экспериментов), в результате которого были выявлены группы генов, транскрипция которых усиливалась в ответ на действие ингерферонов На основе этой информации нами были сформирована выборка МО, которая содержала 1005 последовательностей генов (район [-5000, +2000] п о относительно старта транскрипции) Поскольку не по всем генам, входящим в эту выборку, имелась информация о типе интерфероновой индукции и ее количественные оценки, на основе выборки МО были сформированы еще две подвыборки М1 и М2

Подвыборка MI (668 последовательностей) содержала только последовательности генов, индукция которых в первые 12 часов после действия шггерферонов первого типа (IFNa, IFN0) более чем в два раза превышала базальный уровень Таким образом было отсечено большинство генов, индукция которых интерферонами была не столь выражена

Подвыборка М2 (97 последовательностей) содержала последовательности генов, индукция которых в первые 12 часов после его действия интерферона второго типа (IFNy) более чем в два раза превышала базальный уровень

Была проверена корреляция между степенью индукции генов в выборке МО и значением функции распознавания На Рисунке 5 приведены графики зависимости логарифмических значений функции распознавания и степени индукции при использовании более длинных и более коротких последовательностей Поскольку информация о степени индукции имелись только для 808 генов из 1005 генов выборки МО, то график построен на основе данных по этим 808 генам

Рисунок 5 Зависимость логарифмических значений функции распознавания интерферон-индуцируемых генов (метод КО) от степени индукции интерфербнами при использовании более длинных (от -5000 до +2000 п о относительно старта транскрипции) и более коротких (от -1000 до +1000 по относительно старта транскрипции) последовательностей по выборке МО

Из графика видно, что при использовании для распознавания более длинных последовательностей, по мере роста индуцибельности также наблюдается рост значения распознающей функции Коэффициент корреляции в этом случае равен 0 98 (р < 0 01) Если распознавание проводить на более коротких последовательностях промоторных районов, то закономерность нарушается при низких показателях индуцибельности, снижая коэффициент корреляции до 0 90 (р < 0 01)

Нарушение может происходить за счет того, что, во-первых, интерферон-индуцибельные энхансеры часто расположены далеко от старта транскрипции Известны случаи расположения функциональных энхансеров в 5'-районе около -4600 по отношению к старту транскрипции При укорачивании анализируемого района мы исключаем из рассмотрения далеко расположенные энхансеры Вторая причина может заключаться в неточности определения старта транскрипции, либо в наличии альтернативных промоторов Поскольку программа распознавания выбирает максимальное значение распознающей функции по всему району, то при использовании длинных последовательностей этот максимум может попасть либо в район альтернативного старта транскрипции, далеко отстоящего от использ>емого в выборке, либо в район сильного интерферон-индуцибельного энхансера

Было также проведено исследование корреляции между значением функции распознавания ИИГ методов Ш и 112 и уровнем индукции генов под действием интерферонов первого и второго типа на выборках М1 и М2, соответственно Полученные результаты подтверждают наличие положительной зависимости между значениями функций распознавания и уровнями индукции генов В свою очередь, это дает основание для использования созданных нами методов распознавания Я0, К1 и Я2 для решения еще одной важной задачи -оценки количества интерферон-индуцируемых генов в геноме человека

Следует подчеркнуть, что каждый из методов ИЛ и И2, примененный по отдельности, позволяет предсказывать гены раннего ответа, индуцируемые интерфероном либо первого, либо второго типа Метод ЯО, в свою очередь, ориентирован на распознавание генов как позднего, так и раннего ответа на любые интерфероны

Для того, чтобы минимизировать перепредсказание и выявлять гены только раннего ответа на все интерфероны, все три метода были применены одновременно При этом для всех трех методов использовались очень жесткие пороговые ограничения В таких условиях существенно повышался уровень недопредсказания по обучающей выборке ИИГ, т к отсекались практически все гены позднего ответа и большинство генов, индуцируемых только одним типом интерферонов Из Таблицы 5 видно, что при данных условиях по обучающей выборке (150-ТМШ) распознано только 23 6%, что частично обусловлено жесткостью пороговых условий, а частично - ограниченностью исследуемого района гена [-1000, +1000] п о Распознавание по выборке МО составило 15 5% Это меньше, чем по обучающей выборке, поскольку при выявлении ИИГ с помощью микрочипового анализа возможны ошибки, тогда как в обучающую выборку включались ИИГ, индукция интерферонами которых подтверждалась несколькими разными методами Кроме того, в обеих выборках ИИГ (180-ТМШ и МО) присутствовали гены позднего ответа, и гены, индуцируемые только одним типом интерферонов, которые, как сказано выше, не распознавались при данных пороговых условиях методов В контрольных выборках глюкокортикоид-регулируемых генов и генов липидного метаболизма не было найдено ни одного ИИГ (Табл 5)

Таблица 5.

Распознавание ИИГ по разным выборкам

Выборка Общее количество Распознано генов Распознано в

последовательностей в выборке %

ТБО-ТШШ 72 17 23 6

МО 1005 156 15 5

ЕРО 1664 78 47

Глюкокорт 70 0 0

Липидн 58 0 0

Из Таблицы 5 видно, что в базе данных ЕРБ было найдено 78 генов человека, потенциально индуцируемых интерферонами Для 60 из этих генов индукция интерферонами ранее не изучалась Еще для 18 генов имеются различные экспериментальные подтверждения усиления транскрипции под действием интерферонов Экстраполируя эти данные на полный геном, получаем, что в геноме человека должно содержаться не менее 3000 ИИГ Эта цифра не противоречит результатам микрочипового анализа и другим литературным данным

Выводы

1 Разработана компьютерная система Оепе№1, предназначенная для реконструкции генных сетей про- и эукариот на основе аннотации экспериментальных данных из научных публикаций, а также для автоматической визуализации и анализа структурно-функциональной организации генных сетей

2 С использованием системы ОепеЫе! впервые реконструированы генные сети интерфероновой индукции у млекопитающих С помощью компьютерного анализа этих генных сетей показано преобтадание регуляторных контуров с положительными обратными связями (88) над регуляторными контурами с отрицательными обратными связями (14)

3 Анализ графа генной сети показал, что ключевыми регуляторами интерфероновой индукции у млекопитающих являются транскрипционные факторы геОРЗ, 1ШП, ЭТАТЬ ОТ-кВ, АР1

4 Показано, что для сайтов связывания транскрипционных факторов 1ИР1, 15СРЗ, 8ТАТ1, МР-кВ характерна повышенная плотность в районе [-200, +1] относительно старта транскрипции интерферон-индуцируемых генов

5 Для промоторов интерферон-индуцируемых генов выявлены специфические закономерности в расположении относительно старта транскрипции одиночных сайтов связывания пяти транскрипционных факторов и пар сайтов десяти транскрипционных факторов

6 На основе обнаруженных закономерностей разработаны методы распознавания промоторов и энхансеров интерферон-индуцируемых генов Значения функций распознавания коррелируют с уровнем индукции интерферон-индуцируемых генов, определенной с помощью микрочипового анализа

7 С помощью созданных методов распознавания промоторов интерферон-индуцируемых генов проанализированы последовательности из базы данных EPD В резутьтате предсказано 60 новых генов человека с высоким потенциалом индукции интерферонами Аппроксимация данных, полученных при анализе EPD, на полный геном показывает, что общее число ингерферон-индуцируемых генов человека превышает 3000

Список публикаций по теме диссертации в рецензируемых изданиях

1 Ананько Е.А, Бажан С И, Белова О У, Кель А Э Механизмы регуляции транскрипции интерферон-индуцируемых генов описание в информационной системе IIG-TRRD //Молек Биол 1997 31 С 701-713

2 Kolpakov F А, Ananko Е.А, Kolesov G В , Kolchanov N A GeneNet a database for gene networks and its automated visualization //Biomformatics 1998 14(6) P 529-537

3 Ананько Е.А, Колпаков Ф А , Колесов Г Б , Колчанов H А Автоматическая генерация схем генных сетей на основе их формализованного описания в базе данных GeneNet //БИОФИЗИКА 1999 44(4) С 628-631

4 Kolpakov FA, Ananko Е.А Interactive data mput into the GeneNet database // Biomformatics 1999 15(7-8) P 713-714

5 Колчанов H A, Ананько Е.А, Колпаков Ф А, Подколодная О А, Игнатьева Е В , Горячковская Т H, Степаненко И Л Генные сети // Молек Биол 2000 34(4) С 533-544

6 Ananko Е А, Podkoiodny N L , Stepanenko IL , Ignatieva E V, Podkolodnaya О A, Kolchanov N A GeneNet a database on structure and functional organisation of gene networks //Nucleic Acids Res 2002 30(1) P 398-401

7 Kolchanov N A, Nedosekina E A , Ananko E.A, Likhoshvai V A , Podkoiodny N L , Ratushny A V, Stepanenko IL , Podkolodnaya О A, Ignatieva E V , Matushkin Yu G GeneNet database Description and Modeling of Gene Networks // In Silico Biology 2002 2 P 97-110

8 Kolchanov N A , Ananko E.A , Likhoshvai V A , Podkolodnaya О A, Ignatieva E V , Ratushny A V, Matushkin Yu G Gene Networks Description and Modeling m the GeneNet System // In Gene Regulation and Metabolism Postgenomic Computational Approaches Ed by J Collado-Vides and R Hofestadt MIT Press Cambridge London 2002 P 149-179

9 Ananko E.A., Loktev К A , Podkoiodny N L Development and analysis of models of genetic and metabolic networks and signal transduction pathways in the genenet system // In Biomformatics of genome regulation and structure Ed by N Kolchanov and R Hofestaedt Kluwer AcademicPublishers, Boston/Dordrecht/London 2004 P 265-272

10 Nedosekina EA, Ananko EA, Milanesi L, Likhoshvai VA, Kolchanov NA Mathematical simulation of dynamics of macrophage gene network activated by Upopolysacchandes and/or interferon-gamma // In Biomformatics of genome regulation and structure Ed by N Kolchanov and R Hofestaedt Kluwer Academic Publishers, Boston/Dordrecht/London 2004 P 283-292

11 Ananko E A, Podkoiodny N L , Stepanenko I L , Podkolodnaya О A , Rasskazov D A , Miginsky D S , Likhoshvai V A, Ratushny A V , Podkolodnaya N N, Kolchanov N A GeneNet m 2005//Nucleic Acids Res 2005 33 P D425-D427

12 Ananko E.A, Kondrakhin YV, Merkulova TI, Kolchanov NA Recognition of interferon-inducible sites, promoters, and enhancers // BMC Biomformatics 2007 8 P 56

Подписано к печати 12 03 2008 г

Формат бумаги 60x90 1/16 Печ л 1 Уч изд л 0,7

Тираж 100 экз Заказ 27

Ротапринт Института цитологии и генетики СО РАН 630090, Новосибирск, проспект академика Лаврентьева, 10

Содержание диссертации, кандидата биологических наук, Ананько, Елена Анатольевна

Введение

Список используемых сокращений

Глава 1. Обзор литературы

1.1. Введение

1.2. Генная сеть интерфероновой системы

1.2.1. Общая характеристика интерферонов

1.2.2. Регуляция экспрессии интерферонов

1.2.3. Пути передачи сигналов интерферонов

1.2.4. Участие интерферон-индуцируемых генов в обеспечении различных функций интерферонов

1.3. Особенности структурно-функциональной организации генных сетей и требования к компьютерной системе для их реконструкции на основе аннотации экспериментальных данных

1.4. Обзор существующих баз данных и компьютерных систем по генным и метаболическим сетям

Введение Диссертация по биологии, на тему "Разработка технологии реконструкции и компьютерного анализа генных сетей и ее применение в биологических исследованиях"

2.2. Базовые принципы создания формализованного описания генных сетей 74

2.2.1. Объектно-ориентированный подход 74

2.2.2. Пространственная распределенность компонентов 77

2.2.3. Иерархия уровней представления генной сети 77

2.2.4. Универсальность языка 78

2.3. Компьютерная технология GeneNet 80

2.3.1. Структура системы GeneNet 80

2.3.2. Возможности применения системы GeneNet 104

2.4. Анализ генных сетей 108

2.4.1. Регуляторные контуры 108

2.4.2. Качественные особенности функционирования генных сетей 113

2.5. Генные сети интерфероновой индукции 124

2.5.1. Пути передачи сигналов и ключевые регуляторы 125

2.5.2. Анализ регуляторных механизмов 128

2.5.3. Участие интерферон-индуцируемых генов в молекулярных механизмах противовирусного ответа 133

2.6. Заключение по главе 2 139

Глава 3. Компьютерный анализ и распознавание регуляторных элементов в интерферон-индуцируемых генах 140

3.1. Введение 140

3.2. Описание интерферон-индуцируемых генов в базе данных TRRD 141

3.3. Построение методов распознавания сайтов связывания ключевых регуляторов интефероновой системы (АР-1, IRF1, ISGF3, NF кВ, STAT1) 148 I

3.3.1. Анализ распределения экспериментально выявленных сайтов связывания в регуляторных районах интерферон-индуцируемых генов 148

3.3.2. Создание выборок экспериментально выявленных природных сайтов на основе информации из базы TRRD 150

3.3.3. Построение результирующих матриц 158

3.4. Компьютерный анализ протяженных регуляторных районов интерферон-индуцируемых генов 163

3.4.1. Исследование распределения потенциальных сайтов связывания транскрипционных факторов в регуляторных районах интерферон-индуцируемых генов 166

3.5. Построение методов распознавания интерферон-регулируемых промоторов и энхансеров 177

3.6. Проверка созданных методов по опубликованным данным микрочипового анализа 188

3.7. Поиск потенциальных мишеней интерфероновой индукции по базе данных EPD 193

3.8. Заключение по главе 3 201 Выводы 204 Список литературы 205 Приложения 224

Введение

Актуальность проблемы

Бурное развитие экспериментальных технологий в области молекулярной биологии и генетики привело к появлению огромных объемов информации. До недавнего времени ключевые фундаментальные и прикладные проблемы разных разделов молекулярной биологии, медицины и биотехнологии исследовались как отдельные аспекты организации биологических систем на уровне генов, РНК, белков, метаболитов. Но сегодня, благодаря информационному взрыву, можно проводить достоверную детальную реконструкцию сложных молекулярно-генетических систем [Wei G.H. et al., 2004], обеспечивающих функционирование клеток, тканей, органов и организмов в целом, контролирующих процессы индивидуального развития, поддержание гомеостаза критических параметров, взаимодействие с окружающей средой и т.д. Однако, ни один экспериментальный метод современной молекулярной и клеточной биологии или генетики, независимо от его эффективности, сам по себе не может дать комплексного представления о биологическом объекте, особенностях организации, иерархии и взаимоподчиненности структурно-функциональных единиц молекулярного, клеточного, тканевого, уровней.

По мере накопления информации, и особенно с появлением новых высокоэффективных экспериментальных методов возникла необходимость в комплексном подходе к анализу разнородных данных. Наблюдаемое ранее доминирование аналитических (рассекающих) экспериментальных подходов над процессами синтеза (обязательного, необходимого этапа познавательной деятельности) и острая потребность в осмыслении больших массивов информации привели к появлению нового научного направления -системной компьютерной биологии. Ключевая задача этого раздела биологии состоит в получении целостного, комплексного представления о структуре и механизмах функционирования исследуемых биологических систем на основе интеграции разнообразных экспериментальных данных. Важнейшим инструментом системной компьютерной биологии являются современные информационные технологии: компьютерные методы накопления, хранения, поиска, классификации, интеграции и анализа экспериментальных данных; методы математического моделирования, эффективность которых должна быть адекватна объемам, разнообразию и темпам накопления экспериментальной информации, а также сложности изучаемых биологических систем и процессов.

Центральным понятием и основным объектом изучения системной компьютерной биологии являются генные сети - молекулярно-генетические системы, обеспечивающие формирование разнообразия фенотипических характеристик организмов (молекулярных, биохимических, структурных, морфологических, поведенческих и т.д.) на основе информации, закодированной в их геномах. Классический пример сложно организованной генной сети представляет собой интерфероновая система. Интерфероны - это основные регуляторы иммунного, противовирусного и противобактериального ответа, они модулируют воспалительный ответ, включая активацию нейтрофилов, лимфоцитов и базофилов, ингибируют клеточную пролиферацию, регулируют дифференцировку Т- и В-лимфоцитов, стимулируют фагоцитоз и представление антигенов макрофагами, увеличивают цитотоксичность натуральных киллеров и т.д.

Влияние интерферонов осуществляется путем стимуляции экспрессии определенного набора интерферон-индуцируемых генов (ИИГ). Продукты этих генов не только участвуют в обеспечении функций интерферонов, они могут взаимодействовать как между собой, так и с другими регуляторными факторами, стимулировать экспрессию других генов, непосредственно не отвечающих на воздействие интерферонами. Регуляторные районы ИИГ и взаимодействующие с ними транскрипционные факторы являются хорошей моделью для изучения молекулярно-генетических механизмов регуляции экспрессии генов у эукариот. Анализ этих механизмов и понимание смысла информации, закодированной в регуляторных последовательностях ИИГ, позволит создать эффективные компьютерные методы предсказания потенциальных ИИГ на уровне генома.

Интерфероновая система является хорошей моделью для изучения, поскольку обладает всеми характерными чертами генной сети. Помимо этого, исследование генной сети интерфероновой системы с помощью современных компьютерных технологий может открыть пути к созданию новых лекарственных препаратов с более точно направленным воздействием и минимумом побочных эффектов, а также стимуляторов иммунной системы и других биологически активных веществ. Эти исследования имеют важное практическое значение, поскольку раскрывают причины возможных нарушений регуляции целого ряда жизненно важных функций организма и позволяют приблизиться к решению проблемы их генетической коррекции.

Цели и задачи исследования

Целью данной работы является разработка технологии компьютерной реконструкции и анализа генных сетей; исследование генных сетей интерфероновой индукции противовирусного ответа и построение методов распознавания интерферон-индуцируемых генов эукариот. Для достижения поставленной цели решаются следующие задачи:

1. создание технологии реконструкции генных сетей in silico, включающей в себя: методы формализованного описания отдельных классов объектов, функционирующих в составе генных сетей; словари терминов, характеризующих объекты генных сетей, базы данных по объектам и взаимодействиям в генных сетях; программные средства для ввода информации в эти базы данных; методы визуализации и анализа генных сетей;

2. анализ особенностей структурно-функциональной организации генных сетей эукариот на основе информации, накопленной в разработанных базах данных;

3. реконструкция генных сетей интерфероновой индукции противовирусного ответа у эукариот; компьютерный анализ особенностей их организации и функционирования;

4. построение методов распознавания сайтов связывания транскрипционных факторов, важных для функционирования генной сети интерфероновой индукции;

5. определение характерных для интерферон-индуцируемых генов закономерностей в расположении сайтов и разработка методов распознавания протяженных интерферон-индуцируемых районов в геномах эукариот; поиск потенциальных интерферон-индуцируемых генов человека.

Научная новизна и практическая ценность

Создана технология GeneNet для компьютерного описания, визуализации и анализа генных сетей, широко используемая как в ИЦиГ СО РАН, так и нашедшая применение для решения широкого круга задач в рамках сотрудничества с российскими и зарубежными (Англия, Япония) коллегами и партнерами. В настоящее время база данных системы GeneNet содержит информацию о структурно-функциональной организации 42 генных сетей эукариот и 23 метаболических сетей прокариот и активно используется для компьютерной аннотации и анализа все новых генных сетей.

С помощью системы GeneNet впервые создано компьютерное описание трех сетей интерфероновой индукции противовирусного ответа и проведен анализ структурно-функциональной организации этих генных сетей.

Созданы не имеющие аналогов в мировой науке методы распознавания протяженных районов ДНК, ответственных за интерфероновую индукцию.

Практическая значимость полученных оригинальных результатов заключается в том, что они могут использоваться при изучении молекулярных процессов интерфероновой индукции противовирусного ответа. Помимо этого, полученные результаты могут ускорить как процесс аннотации геномных последовательностей, так и определение функций еще не исследованных генов. Возможность поиска компьютерными методами генов с определенными функциями очень важна для понимания принципов работы и организации геномов млекопитающих.

Апробация работы

Основные результаты работы были представлены на Втором Сибирском Конгрессе по Прикладной и Индустриальной Математике (ИНПРИМ-96, Новосибирск, 1996 г.), Международной конференции по биоинформатике геномной регуляции и структуры (BGRS'1998, BGRS'2000, BGRS'2002, BGRS'2004, BGRS'2006, Новосибирск 1998, 2000, 2002, 2004, 2006), Международной школе теоретической биофизики (Москва, 1998 г.), Международной конференции по геномиксу и протеомиксу (Гейдельберг, 1998 г.), Международной конференции по теории и математике в биологии и медицине (Амстердам,

1999 г.), II съезде Вавиловского общества генетиков и селекционеров (Санкт-Петербург,

2000 г.), Второй Всероссийской научной конференции "Электронные библиотеки: перспективные методы и технологии, электронные коллекции" (Протвино, 2000 г.), конференции, посвященной 90-летию со дня рождения Алексея Андреевича Ляпунова (Новосибирск, 2001 г.), Второй Всероссийской научной конференции "Электронные библиотеки: перспективные методы и технологии, электронные коллекции" (Дубна, 2002 г.), Международной Московской конференции по компьютерной молекулярной биологии (МССМВ'03, МССМВ'05, Москва, 2003 и 2005 гг.), а также на отчетных сессиях Института Цитологии и генетики СО РАН (1999, 2002, 2005 гг.). База данных GeneNet зарегистрирована в Российском агентстве по патентам и товарным знакам (РОСПАТЕНТ), свидетельство №990006,1999 г.

Публикации

По теме диссертации опубликовано 31 работа, из них 12 в рецензируемых журналах, имеются свидетельства об официальной регистрации семи баз данных, поддерживается три www-сайта.

Структура работы

Диссертационная работа состоит из введения, обзора литературы (первая глава), двух глав, содержащих основные результаты, выводов, списка цитированной литературы (305 ссылок). Работа изложена на 228 страницах, содержит 74 рисунка, 25 таблиц и 5 приложений. Нумерация рисунков и таблиц производится отдельно для каждой главы.

Заключение Диссертация по теме "Генетика", Ананько, Елена Анатольевна

Выводы

1. Разработана компьютерная система GeneNet, предназначенная для реконструкции генных сетей про- и эукариот на основе аннотации экспериментальных данных из научных публикаций, а также для автоматической визуализации и анализа структурно-функциональной организации генных сетей.

2. С использованием системы GeneNet впервые реконструированы генные сети интерфероновой индукции у млекопитающих. С помощью компьютерного анализа этих генных сетей показано преобладание регуляторных контуров с положительными обратными связями (88) над регуляторными контурами с отрицательными обратными связями (14).

3. Анализ графа генной сети показал, что ключевыми регуляторами интерфероновой индукции у млекопитающих являются транскрипционные факторы ISGF3, IRF1, STAT1, NF-кВ, API.

4. Показано, что для сайтов связывания транскрипционных факторов IRF1, ISGF3, STAT1, NF-кВ характерна повышенная плотность в районе [-200; +1] относительно старта транскрипции интерферон-индуцируемых генов.

5. Для промоторов интерферон-индуцируемых генов выявлены специфические закономерности в расположении относительно старта транскрипции одиночных сайтов связывания пяти транскрипционных факторов и пар сайтов десяти транскрипционных факторов.

6. На основе обнаруженных закономерностей разработаны методы распознавания промоторов и энхансеров интерферон-индуцируемых генов. Значения функций распознавания коррелируют с уровнем индукции интерферон-индуцируемых генов, определенной с помощью микрочипового анализа.

7. С помощью созданных методов распознавания промоторов интерферон-индуцируемых генов проанализированы последовательности из базы данных EPD. В результате предсказано 60 новых генов человека с высоким потенциалом индукции интерферонами. Аппроксимация данных, полученных при анализе EPD, на полный геном показывает, что общее число интерферон-индуцируемых генов человека превышает 3000.

Библиография Диссертация по биологии, кандидата биологических наук, Ананько, Елена Анатольевна, Новосибирск

1. Ackermann L.W., Denning G.M. Nuclear factor-kappaB contributes to interleukin-4- and interferon-dependent polymeric immunoglobulin receptor expression in human intestinal epithelial cells. // Immunology. 2004. Vol. 111. P. 75-85.

2. Adolf G.R. Human interferon omega-a review. // Mult Scler. 1995. Vol. 1 Suppl 1. P. S44-47.

3. Agalioti Т., Lomvardas S., Parekh В., Yie J., Maniatis Т., Thanos D. Ordered recruitment of chromatin modifying and general transcription factors to the IFN-beta promoter. // Cell. 2000. Vol. 103. P. 667-678.

4. Aim E., Arkin A.P. Biological networks. // Curr Opin Struct Biol. 2003. Vol. 13. P. 193-202.

5. Ananko E.A., Kondrakhin Y.V., Merkulova T.I., Kolchanov N.A. Recognition of interferon-inducible sites, promoters, and enhancers. // BMC Bioinformatics. 2007. Vol. 8. P. 56.

6. Ananko E.A., Podkolodny N.L., Stepanenko I.L., Ignatieva E.V., Podkolodnaya O.A., Kolchanov N.A. GeneNet: a database on structure and functional organisation of gene networks. //Nucleic Acids Res. 2002. Vol. 30. P. 398-401.

7. Ananko E.A., Podkolodny N.L., Stepanenko I.L., Podkolodnaya O.A., Rasskazov D.A., Miginsky D.S., Likhoshvai V.A., Ratushny A.V., Podkolodnaya N.N., Kolchanov N.A. GeneNet in 2005. //Nucleic Acids Res. 2005. Vol. 33. P. D425-427.

8. Andersen J.B., Hassel B.A. The interferon regulated ubiquitin-like protein, ISG15, in tumorigenesis: Friend or foe? // Cytokine Growth Factor Rev. 2006. Vol. 17. P. 411-421.

9. Anderson S.L., Carton J.M., Lou J., Xing L., Rubin B.Y. Interferon-induced guanylate binding protein-1 (GBP-1) mediates an antiviral effect against vesicular stomatitis virus and encephalomyocarditis virus. //Virology. 1999. Vol. 256. P. 8-14.

10. Baccala R., Kono D.H., Theofilopoulos A.N. Interferons as pathogenic effectors in autoimmunity. // Immunol Rev. 2005. Vol. 204. P. 9-26.

11. Bader G.D., Betel D., Hogue C.W. BIND: the Biomolecular Interaction Network Database. // Nucleic Acids Res. 2003. Vol. 31. P. 248-250.

12. Bar-Joseph Z., Gerber G.K., Lee T.I., Rinaldi N.J., Yoo J.Y., Robert F., Gordon D.B., Fraenkel E., Jaakkola T.S., Young R.A., Gifford D.K. Computational discovery of gene modules and regulatory networks. //Nat Biotechnol. 2003. Vol. 21. P. 1337-1342.

13. Barnes В., Lubyova В., Pitha P.M. On the role of IRF in host defense. // J Interferon Cytokine Res. 2002. Vol. 22. P. 59-71.

14. Barnes B.J., Moore P.A., Pitha P.M. Virus-specific activation of a novel interferon regulatoryfactor, IRF-5, results in the induction of distinct interferon alpha genes. // J Biol Ghem. 2001. Vol. 276. P. 23382-23390.

15. Beg A.A., Baldwin A.S., Jr. The I kappa В proteins: multifunctional regulators of Rel/NF-kappa В transcription factors. // Genes Dev. 1993. Vol. 7. P. 2064-2070.

16. Bell G.W., Lewitter F. Visualizing networks. // Methods Enzymol. 2006. Vol. 411. P. 408-421.

17. Biron C.A. Interferons alpha and beta as immune regulators—a new look. // Immunity. 2001. Vol. 14. P. 661-664.

18. Blach-Olszewska Z. Innate immunity: cells, receptors, and signaling pathways. // Arch Immunol Ther Exp (Warsz). 2005. Vol. 53. P. 245-253.

19. Bonjardim C.A. Interferons (IFNs) are key cytokines in both innate and adaptive antiviral immune responses~and viruses counteract IFN action. // Microbes Infect. 2005. Vol. 7.' P: 569578.

20. Book McAlexander M., Yu-Lee L. Prolactin activation of IRF-1 transcription involves changes in histone acetylation. // FEBS Lett. 2001. Vol. 488: P. 91-94.

21. Bocci V. Roles of interferon produced in physiological conditions. A speculative review. // Immunology. 1988. Vol. 64. P. 1-9.

22. Braganca J., Civas A. Type I interferon gene expression: differential expression of IFN-A genes induced by viruses and double-stranded RNA. // Biochimie. 1998. Vol. 80. P. 673-687.

23. Brazhnik P., de la Fuente A., Mendes P. Gene networks: how to put the function in genomics. // Trends Biotechnol. 2002. Vol. 20. P. 467-472.

24. Brody T. The Interactive Fly: gene networks, development and the Internet. // Trends Genet. 1999. Vol. 15. P. 333-334.

25. Brown C.T., Rust A.G., Clarke P J., Pan Z., Schilstra M.J., De Buysscher Т., Griffin G., Wold B.J., Cameron R.A., Davidson E.H., Bolouri H. New computational approaches for analysis of cis-regulatory networks. // Dev Biol. 2002. Vol. 246. P. 86-102'.

26. Bryceson Y.T., March M.E., Ljunggren H.G., Long E.O. Activation, coactivation, and costimulation of resting human natural killer cells. // Immunol Rev. 2006. Vol. 214. P. 73-91.

27. Campbell P.M., Pimm J., Ramassar V., Halloran P.F. Identification of a calcium-inducible, cyclosporine sensitive element in the IFN-gamma promoter that is a potential NFAT binding site. //Transplantation. 1996. Vol. 61. P. 933-939.

28. Carter C.C., Gorbacheva V.Y., Vestal D.J. Inhibition1 of VSV and EMCV replication-by the interferon-induced GTPase, mGBP-2: differential requirement for wild-type GTP binding domain.//Arch Virol. 2005. Vol. 150. P. 1213-1220.

29. Chang K.C., Hansen E., Foroni L., Lida J., Goldspink G. Molecular and functional analysis of the virus- and interferon-inducible human MxA promoter. // Arch Virol. 1991. Vol. 117. P. 115.

30. Chawla-Sarkar M., Lindner D.J., Liu Y.F., Williams B.R., Sen G.C., Silverman R.H:, Borden E.C. Apoptosis and interferons: role of interferon-stimulated genes as mediators of apoptosis. //

31. Apoptosis. 2003. Vol. 8. P. 237-249.

32. Chinenov Y., Kerppola Т.К. Close encounters of many kinds: Fos-Jun interactions that mediate transcription regulatory specificity. // Oncogene. 2001. Vol. 20. P. 2438-2452.

33. Cippitelli M., Ye J., Viggiano V., Sica A., Ghosh P., Gulino A., Santoni A., Young H.A. Retinoic acid-induced transcriptional modulation of the human interferon-gamma promoter. // J Biol Chem. 1996. Vol. 271. P. 26783-26793.

34. Colonna M., Krug A., Cella M. Interferon-producing cells: on the front line in immune responses against pathogens. // Curr Opin Immunol. 2002. Vol. 14. P. 373-379.

35. Conzelmann K.K. Transcriptional activation of alpha/beta interferon genes: interference by nonsegmented negative-strand RNA viruses. // J Virol. 2005. Vol. 79. P. 5241-5248.

36. Decker Т., Muller M., Stockinger S. The yin and yang of type I interferon activity in bacterial infection. // Nat Rev Immunol. 2005. Vol. 5. P. 675-687.

37. Decker Т., Stockinger S., Karaghiosoff M., Muller M., Kovarik P. IFNs and STATs in innate immunity to microorganisms. Hi Clin Invest. 2002. Vol. 109. P. 1271-1277.

38. Deiss L.P., Feinstein E., Berissi H., Cohen O., Kimchi A. Identification of a novel serine/threonine kinase and a novel 15-kD protein as potential mediators of the gamma interferon-induced cell death. // Genes Dev. 1995. Vol. 9. P. 15-30.

39. Der S.D., Zhou A., Williams B.R., Silverman R.H. Identification of genes differentially regulated by interferon alpha, beta, or gamma using oligonucleotide arrays. // Proc Natl Acad Sci USA. 1998. Vol. 95. P. 15623-15628.

40. Doedens A., Johnson R.S. Transgenic models to understand hypoxia-inducible factor function.

41. Methods Enzymol. 2007. Vol. 435. P. 87-105.

42. Doherty M.K., Beynon R.J. Protein turnover on the scale of the proteome. // Expert Rev Proteomics. 2006. Vol. 3. P. 97-110.

43. Donze O., Dostie J., Sonenberg N. Regulatable expression of the interferon-induced double-stranded RNA dependent protein kinase PKR induces apoptosis and fas receptor expression. // Virology. 1999. Vol. 256. P. 322-329.

44. Du W., Maniatis T. An ATF/CREB binding site is required for virus induction of the human interferon beta gene. // Proc Natl Acad Sci USA. 1992. Vol. 89. P. 2150-2154.

45. Du W., Thanos D., Maniatis T. Mechanisms of transcriptional synergism between distinct virus-inducible enhancer elements. // Cell. 1993. Vol. 74. P. 887-898.

46. Dubois S.P., Waldmann T.A., Muller J.R. Survival adjustment of mature dendritic cells by IL-15. // Proc Natl Acad Sci USA. 2005. Vol. 102. P. 8662-8667.

47. Eklund E.A., Jalava A., Kakar R. PU.l, interferon regulatory factor 1, and interferon consensus sequence-binding protein cooperate to increase gp91(phox) expression. // J Biol Chem. 1998. Vol. 273. P. 13957-13965.

48. Elkon R., Linhart C., Sharan R., Shamir R., Shiloh Y. Genome-wide in silico identification of transcriptional regulators controlling the cell cycle in human cells. // Genome Res. 2003. Vol. 13. P. 773-780.

49. Fiehn O., Weckwerth W. Deciphering metabolic networks. // Eur J Biochem. 2003. Vol. 270. P. 579-588.

50. Fisch T.M., Prywes R., Roeder R.G. An API-binding site in the c-fos gene can mediate induction by epidermal growth factor and 12-O-tetradecanoyl phorbol-13-acetate. // Mol Cell Biol. 1989. Vol. 9. P. 1327-1331.

51. Fitzgerald K.A., McWhirter S.M., Faia K.L., Rowe D.C., Latz E., Golenbock D.T., Coyle A.J., Liao S.M., Maniatis T. IKKepsilon and TBK1 are essential components of the IRF3 signaling pathway. // Nat Immunol. 2003. Vol. 4. P. 491-496.

52. Fujii Y., Shimizu Т., Kusumoto M., Kyogoku Y., Taniguchi Т., Hakoshima T. Crystal structure of an IRF-DNA complex reveals novel DNA recognition and cooperative binding to a tandem repeat of core sequences. // Embo J. 1999. Vol. 18. P. 5028-5041.

53. Gene Ontology Consortium. The Gene Ontology (GO) project in 2006. // Nucleic Acids Res. 2006. Vol. 34. P. D322-326.

54. Goodbourn S., Didcock L., Randall R.E. Interferons: cell signalling, immune modulation, antiviral response and virus countermeasures. // J Gen Virol. 2000. Vol. 81. P. 2341-2364.

55. Graindorge A., Thuret R., Pollet N., Osborne H.B., Audic Y. Identification of post-transcriptionally regulated Xenopus tropicalis maternal mRNAs by microarray. // Nucleic Acids Res. 2006. Vol. 34. P. 986-995.

56. Grandvaux N., tenOever B.R., Servant M.J., Hiscott J. The interferon antiviral response: from viral invasion to evasion. // Curr Opin Infect Dis. 2002. Vol. 15. P. 259-267.

57. Haberichter Т., Madge В., Christopher R.A., Yoshioka N., Dhiman A., Miller R., Gendelman

58. R., Aksenov S:V., Khalil I.G., Dowdy S.F. A systems biology dynamical model of mammalian G1 cell cycle progression. // Mol Syst Biol. 2007. Vol. 3. P. 84.

59. Halsey T.A., Yang L., Walker J.R., Hogenesch J.B., Thomas R.S. A functional map of NFkappaB signaling identifies novel modulators and multiple system controls. // Genome Biol. 2007. Vol. 8. P. R104.

60. Haque S.J., Williams B.R. Identification and characterization of an interferon (IFN)-stimulated response element-IFN-stimulated gene factor 3-independent signaling pathway for IFN-alpha. // J Biol Chem. 1994. Vol. 269. P. 19523-19529.

61. Harada H., Willison K., Sakakibara J., Miyamoto M., Fujita Т., Taniguchi T. Absence of the type I IFN system in EC cells: transcriptional activator (IRF-1) and repressor (IRF-2) genes are developmentally regulated. // Cell. 1990. Vol. 63. P. 303-312.

62. Hardy K.J., Sawada T. Human gamma interferon strongly upregulates its own gene expression in peripheral blood lymphocytes. // J Exp Med. 1989. Vol. 170. P. 1021-1026.

63. Hartman S.E., Bertone P., Nath A.K., Royce Т.Е., GersteinM., Weissman S., Snyder M. Global changes in STAT target selection and transcription regulation upon interferon treatments. // Genes Dev. 2005. Vol. 19. P. 2953-2968.

64. Hasty J., McMillen D., Isaacs F., Collins J.J. Computational studies of gene regulatory networks: in numero molecular biology. //Nat Rev Genet. 2001. Vol. 2. P. 268-279.

65. Hatzimanikatis V., Lee K.H. Dynamical analysis of gene networks requires both mRNA and protein expression information. // Metab Eng. 1999. Vol. 1. P. 275-281.

66. Henco K., Brosius J., Fujisavva A., Fujisawa J.I., Haynes J.R., Hochstadt J., Kovacic Т., Pasek M., Schambock A., Schmid J., et al. Structural relationship of human interferon alpha genes and pseudogenes. // J Mol Biol. 1985. Vol. 185. P. 227-260.

67. Hengel H., Koszinowski U.H., Conzelmann K.K. Viruses know it all: new insights into IFN networks. // Trends Immunol. 2005. Vol. 26. P. 396-401.

68. Hiscott J., Nguyen H., Lin R. Molecular mechanisms of interferon beta gene induction. // Seminars in Virology. 1995. Vol. 6. P.l 61-174.

69. Honda K., Mizutani Т., Taniguchi T. Negative regulation of IFN-alpha/beta signaling by IFN regulatory factor 2 for homeostatic development of dendritic cells. // Proc Natl Acad Sci USA. 2004. Vol. 101. P. 2416-2421.

70. Hsiao A., Ideker Т., Olefsky J.M., Subramaniam S. VAMPIRE microarray suite: a web-based platform for the interpretation of gene expression data. // Nucleic Acids Res. 2005. Vol. 33. P. W627-632.

71. Hug H., Costas M., Staeheli P., Aebi M., Weissmann C. Organization of the murine Mx gene and characterization of its interferon- and virus-inducible promoter. // Mol Cell Biol. 1988. Vol. 8. P. 3065-3079.

72. Hwang S.L., Chung N.P., Chan J.K., Lin C.L. Indoleamine 2, 3-dioxygenase (IDO) is essential for dendritic cell activation and chemotactic responsiveness to chemokines. // Cell Res. 2005. Vol. 15. P. 167-175.

73. Hwu P., Du M.X., Lapointe R., Do M., Taylor M.W., Young H.A. Indoleamine 2,3-dioxygenase production by human dendritic cells results in the inhibition of T cell proliferation. // J Immunol. 2000. Vol. 164. P. 3596-3599:

74. Ivanov S.V., Salnikow K., Ivanova A.V., Bai L., Lerman M.I. Hypoxic repression of STAT1 and its downstream genes by a pVHL/HIF-1 target DEC1/STRA13. // Oncogene. 2006. Vol.

75. Jaki B:U., Franzblau S.G., Cho S.H., Pauli G.F. Development of an extraction method for mycobacterial metabolome analysis. // J Pharm Biomed Anal. 2006. Vol. 41. P. 196-200.

76. Jesse T.L., LaChance R., Iademarco M.F., Dean D.C. Interferon regulatory factor-2 is .a transcriptional activator in muscle where It regulates expression of vascular cell adhesion molecule-1. // J Cell Biol. 1998. Vol. 140. P. 1265-1276.

77. Ji X., Cheung R., Cooper S., Li Q., Greenberg H.B., He X.S. Interferon alfa regulated gene expression in patients initiating interferon treatment for chronic hepatitis C. // Hepatology. 2003. Vol.37. P. 610-621.

78. Juvan P., Demsar J., Shaulsky G., Zupan B. GenePath: from mutations to genetic networks and back. // Nucleic Acids Res. 2005. Vol. 33. P. W749-752.

79. Kai S., Goto S., Tahara K., Sasaki A., Tone S., Kitano S. Indoleamine 2,3-dioxygenase is necessary for cytolytic activity of natural killer cells. // Scand J Immunol. 2004. Vol. 59. P. 177182.

80. Kalvakolanu D.V. Alternate interferon signaling pathways. // Pharmacol Ther. 2003. Vol. 100. P. 1-29.

81. Kamijo R., Harada H., Matsuyama Т., Bosland M., Gerecitano J., Shapiro D., Le J., Koh S.I., Kimura Т., Green S.J., et al. Requirement for transcription factor IRF-1 in NO synthase induction in macrophages. // Science. 1994. Vol. 263. P. 1612-1615.

82. Kan Z., Garrett-Engele P.W., Johnson J.M., Castle J.C. Evolutionarily conserved and diverged alternative splicing events show different expression and functional profiles. // Nucleic Acids Res. 2005. Vol. 33. P. 5659-5666.

83. Kanehisa M., Goto S., Hattori M., Aoki-Kinoshita K.F., Itoh M., Kawashima S., Katayama Т., Araki M., Hirakawa M. From genomics to chemical genomics: new developments in KEGG.

84. Nucleic Acids Res. 2006. Vol. 34. P. D354-357.

85. Karp P.D., Riley M. Representations of metabolic knowledge. // Proc Int Conf Intell Syst Mol Biol. 1993. Vol. 1. P. 207-215.

86. Karpova A.Y., Trost M., Murray J.M., Cantley L.C., Howley P.M. Interferon regulatory factor-3 is an in vivo target of DNA-PK. // Proc Natl Acad Sci USA. 2002. Vol. 99. P. 28182823.

87. Karupiah G., Xie Q.W., Buller R.M., Nathan C., Duarte C., MacMicking J.D. Inhibition of viral replication by interferon-gamma-induced nitric oxide synthase. // Science. 1993. Vol. 261. P. 1445-1448.

88. Kauffman S. Homeostasis and differentiation in random genetic control networks. // Nature. 1969. Vol. 224. P. 177-178.

89. Keller A.D., Maniatis T. Identification and characterization of a novel repressor of beta-interferon gene expression. // Genes Dev. 1991. Vol. 5. P. 868-879.

90. Khan S., Zimmermann A., Basler M., Groettrup M., Hengel H. A cytomegalovirus inhibitor of gamma interferon signaling controls immunoproteasome induction. // J Virol. 2004. Vol. 78. P. 1831-1842.

91. Kim S., Ponka P. Effects of interferon-gamma and lipopolysaccharide on macrophage iron metabolism are mediated by nitric oxide-induced degradation of iron regulatory protein 2. // J Biol Chem. 2000. Vol. 275. P. 6220-6226.

92. Kim V.N. Small RNAs: classification, biogenesis, and function. // Mol Cells. 2005. Vol. 19. P. 1-15.

93. King P., Goodbourn S. The beta-interferon promoter responds to priming through multiple independent regulatory elements. // J Biol Chem. 1994. Vol. 269. P. 30609-30615.

94. Kirchhoff S., Koromilas A.E., Schaper F., Grashoff M., Sonenberg N., Flauser H. IRF-1 induced cell growth inhibition and interferon induction requires the activity of the protein kinase PKR. // Oncogene. 1995. Vol. 11. P. 439-445.

95. Kisseleva Т., Bhattacharya S., Braunstein J., Schindler C.W. Signaling through the JAK/STAT pathway, recent advances and future challenges. // Gene. 2002. Vol. 285. P. 1-24.

96. Klar M., Stellamanns E., Ak P., Gluch A., Bode J. Dominant genomic structures: detection and potential signal functions in the interferon-beta domain. // Gene. 2005. Vol. 364. P. 79-89.

97. Knight A.S., Schutte B.C., Jiang R, Dixon M.J. Developmental expression analysis of the mouse and chick orthologues of IRF6: the gene mutated in Van der Woude syndrome. // Dev Dyn. 2006. Vol. 235. P. 1441-1447.

98. Knuesel M., Wan Y., Xiao Z., Holinger E., Lowe N., Wang W., Liu X. Identification of novel protein-protein interactions using a versatile mammalian tandem affinity purificationexpression system. // Mol Cell Proteomics. 2003. Vol. 2. P. 1225-1233.

99. Kochs G., Haller O. Interferon-induced human MxA GTPase blocks nuclear import of Thogoto virus nucleocapsids. // Proc Natl Acad Sci USA. 1999. Vol. 96. P. 2082-2086.

100. Kolpakov F.A., Ananko E.A. Interactive data input into the GeneNet database. // Bioinformatics. 1999. Vol. 15. P. 713-714.

101. Kolpakov F.A., Ananko E.A., Kolesov G.B., Kolchanov N.A. GeneNet: a gene network database and its automated visualization. // Bioinformatics. 1998. Vol. 14. P. 529-537.

102. Kong Y., Han J.H. MicroRNA: biological and computational perspective. //• Genomics Proteomics Bioinformatics. 2005. Vol. 3. P. 62-72.

103. Корка J. Current challenges and developments in GC-MS based metabolite profiling technology. // J Biotechnol. 2006: Vol. 124. P. 312-322.

104. Kreiman G. Identification of sparsely distributed clusters of cis-regulatory elements in sets of co-expressed genes. //Nucleic Acids Res. 2004. Vol. 32. P. 2889-2900.

105. Krishnamurthy L., Nadeau J., Ozsoyoglu G., Ozsoyoglu M., Schaeffer G., Tasan M., Xu W. Pathways database system: an integrated system for biological pathways. // Bioinformatics. 2003. Vol. 19. P. 930-937.

106. Kumar A., Haque J., Lacoste J., Hiscott J., Williams B.R. Double-stranded RNA-dependent protein kinase activates transcription factor NF-kappa В by phosphorylating I kappa B. // Proc Natl Acad Sci USA. 1994. Vol. 91. P. 6288-6292.

107. Kumatori A, Yang D., Suzuki S., Nakamura M. Cooperation of STAT-1 and IRF-1 ininterferon-gamma-induced transcription of the gp91(phox) gene. // J Biol Chem. 2002. Vol. 277. P. 9103-9111.

108. Kunsch C., Ruben S.M., Rosen C.A. Selection of optimal kappa B/Rel DNA-binding motifs: interaction of both subunits of NF-kappa В with DNA is required for transcriptional activation. // Mol Cell Biol. 1992. Vol. 12. P. 4412-4421.

109. Laing K.J., Secombes C.J. Chemokines. // Dev Comp Immunol. 2004. Vol. 28. P. 443-460.

110. Lehtonen A., Lund R., Lahesmaa R., Julkunen I., Sareneva Т., Matikainen S. IFN-alpha and IL-12 activate IFN regulatory factor 1 (IRF-1), IRF-4, and IRF-8 gene expression in human NK and T cells. // Cytokine. 2003. Vol. 24. P. 81-90.

111. Li H.W., Ding S.W. Antiviral silencing in animals. // FEBS Lett. 2005. Vol. 579. P. 59655973.

112. Li L.Y., Shih H.M., Liu M.Y., Chen J.Y. The cellular protein PRA1 modulates the anti-apoptotic activity of Epstein-Barr virus BHRF1, a homologue of Bcl-2, through direct interaction. // J Biol Chem. 2001. Vol. 276. P. 27354-27362.

113. Li X., Leung S., Burns C., Stark G.R. Cooperative binding of Statl-2 heterodimers and ISGF3 to tandem DNA elements. // Biochimie. 1998. Vol. 80. P. 703-710.

114. Li X., Leung S., Kerr I.M., Stark G.R. Functional subdomains of STAT2 required for preassociation with the alpha interferon receptor and for signaling. // Mol Cell Biol. 1997. Vol-. 17. P. 2048-2056.

115. Lin R., Heylbroeck C., Genin P., Pitha P.M., Hiscott J. Essential role of interferon regulatory factor 3 in direct activation of RANTES chemokine transcription. // Mol Cell Biol. 1999. Vol. 19. P. 959-966.

116. Liston P., Fong W.G., Kelly N.L., Toji S., Miyazaki Т., Conte D., Tamai K., Craig C.G., McBurney M.W., Korneluk R.G. Identification of XAF1 as an antagonist of XIAP anti-Caspase activity. //Nat Cell Biol. 2001. Vol. 3. P. 128-133.

117. Little P.F. Structure and function of the human genome. // Genome Res. 2005. Vol. 15. P. 1759-1766.

118. Liu H., Ge N., Yu K.T., Krolikowski D., Zilberstein A., Hahn C.S. Prediction of IFN-gamma regulated gene transcription. // In Silico Biol. 2004. Vol. 4. P. 489-505.

119. Lohoff M., Ferrick D., Mittrucker H.W., Duncan G.S., Bischof S., Rollinghoff M., Мак T.W. Interferon regulatory factor-1 is required for a T helper 1 immune response in vivo. // Immunity. 1997. Vol. 6. P. 681-689.

120. Lohoff M., Мак T.W. Roles of interferon-regulatory factors in T-helper-cell differentiation. //Nat Rev Immunol. 2005. Vol. 5. P. 125-135.

121. Long A., Mitchell S., Kashanin D., Williams V., Prina Mello A., Shvets I., Kelleher D., Volkov Y. A multidisciplinary approach to the study of T cell migration. // Ann N Y Acad Sci.2004. Vol. 1028. P. 313-319.

122. Lu R., Au W.C., Yeow W.S., Hageman N., Pitha P.M. Regulation of the promoter activity of interferon regulatory factor-7 gene. Activation by interferon snd silencing by hypermethylation. // J Biol Chem. 2000. Vol. 275. P. 31805-31812.

123. Lu R., Medina K.L., Lancki D.W., Singh H. IRF-4,8 orchestrate the pre-B-to-B transition in lymphocyte development. // Genes Dev. 2003. Vol. 17. P. 1703-1708.

124. Lu R., Pitha P.M. Monocyte differentiation to macrophage requires interferon regulatory factor 7. // J Biol Chem. 2001. Vol. 276. P. 45491-45496.

125. Ludemann A., Weicht D., Selbig J., Корка J. PaVESy: Pathway Visualization and Editing System. // Bioinformatics. 2004. Vol. 20. P. 2841-2844.

126. MacMicking J.D., North R.J., LaCourse R., Mudgett J.S., Shah S.K., Nathan C.F. Identification of nitric oxide synthase as a protective locus against tuberculosis. // Proc Natl Acad Sci USA. 1997. Vol. 94. P. 5243-5248.

127. Malik U.R., Makower D.F., Wadler S. Interferon-mediated fatigue. // Cancer. 2001. Vol. 92. P. 1664-1668.

128. Mamane Y., Heylbroeck C., Genin P., Algarte M., Servant M.J., LePage C., DeLuca C., Kwon H., Lin R., Hiscott J. Interferon regulatory factors: the next generation. // Gene. 1999. Vol. 237. P. 1-14.

129. Manke Т., Bringas R., Vingron M. Correlating protein-DNA and protein-protein interaction networks. // J Mol Biol. 2003. Vol. 333. P. 75-85.

130. Markosyan R.M., Cohen F.S., Melikyan G.B. Time-resolved imaging of HIV-1 Env-mediated lipid and content mixing between a single virion and cell membrane. // Mol Biol Cell.2005. Vol. 16. P. 5502-5513.

131. Martin E., Nathan C., Xie Q.W. Role of interferon regulatory factor 1 in induction of nitric oxide synthase. //J Exp Med. 1994. Vol. 180. P. 977-984.

132. McAdams H.H., Shapiro L. A bacterial cell-cycle regulatory network operating in time and space. // Science. 2003. Vol. 301. P. 1874-1877.

133. Meager A., Visvalingam K., Dilger P., Bryan D., Wadhwa M. Biological activity of interleukins-28 and -29: comparison with type I interferons. // Cytokine. 2005. Vol. 31. P. 109118.

134. Meda L., Gasperini S., Ceska M., Cassatella M.A. Modulation of proinflammatory cytokine release from human polymorphonuclear leukocytes by gamma interferon. // Cell Immunol. 1994. Vol. 157. P. 448-461.

135. Menetski J.P. The structure of the nuclear factor-kappaB protein-DNA complex varies with DNA-binding site sequence. // J Biol Chem. 2000. Vol. 275. P. 7619-7625.

136. Michaelson D., Philips M. The use of GFP to localize Rho GTPases in living cells. // Methods Enzymol. 2006. Vol. 406. P. 296-315.

137. Miettinen M., Sareneva Т., Julkunen I., Matikainen S. IFNs activate toll-like receptor gene expression in viral infections. // Genes Immun. 2001. Vol. 2. P. 349-355.

138. Moffett J.R., Namboodiri M.A. Tryptophan and the immune response. // Immunol Cell Biol.2003. Vol. 81. P. 247-265.

139. Morrison B.H., Bauer J.A., Kalvakolanu D.V., Lindner D.J. Inositol hexakisphosphate kinase 2 mediates growth suppressive and apoptotic effects of interferon-beta in ovarian carcinoma cells. // J Biol Chem. 2001. Vol. 276. P. 24965-24970.

140. Narlikar G.J., Fan H.Y., Kingston R.E. Cooperation between complexes that regulate chromatin structure and transcription. // Cell. 2002. Vol. 108. P. 475-487.

141. Naume В., Espevik T. Immunoregulatory effects of cytokines on natural killer cells. // Scand J Immunol. 1994. Vol. 40. P. 128-134.

142. Nedosekina E.A., Ananko E.A., Likhoshvai V.A. Computer modeling of the function of transcription factors during macrophage activation. // in Proc. Fourth International Conference on Bioinformatics of Genome. 2004a. Novosibirsk: ICG. P. 105-108.

143. Niedick I., Froese N., Oumard A., Mueller P.P., Nourbakhsh M., Hauser H., Koster M. Nucleolar localization and mobility analysis of the NF-kappaB repressing factor NRF. // J Cell Sci. 2004. Vol. 117. P. 3447-3458.

144. Noordevvier M.O., Warren P.V. Gene expression microarrays and the integration of biological knowledge. //Trends Biotechnol. 2001. Vol. 19. P. 412-415.

145. Nourbakhsh M., Hauser H. Constitutive silencing of IFN-beta promoter is mediated by NRF (NF-kappaB-repressing factor), a nuclear inhibitor of NF-kappaB. // Embo J. 1999. Vol. 18: P. 6415-6425.

146. Nygaard V., Hovig E. Options available for profiling small samples: a review of sample amplification technology when combined with microarray profiling. // Nucleic Acids Res. 2006. Vol. 34. P. 996-1014.

147. Oritani K., Kanakura Y. IFN-zeta/ limitin: a member of type I IFN with mild lympho-myelosuppression. // J Cell Mol Med. 2005. Vol. 9. P. 244-254.

148. Papin J.A., Hunter Т., Palsson B.O., Subramaniam S. Reconstruction of cellular signalling networks and analysis of their properties. // Nat Rev Mol Cell Biol. 2005. Vol. 6. P. 99-111.

149. Parker N., Porter A.C. Identification of a novel gene family that includes the interferon-inducible human genes 6-16 and ISG12. // BMC Genomics. 2004. Vol. 5. P. 8.

150. Peng F.W., Gao H.C., Xie Z.P., Zhang H., Li Q.M., Duan Z.J., Hou Y.D. Biological activities of recombinant human interferon Epsilon. // Zhonghua Shi Yan He Lin Chuang Bing Du Xue Za Zhi. 2005. Vol. 19. P. 227-231.

151. Penix L., Weaver W.M., Pang Y., Young H.A., Wilson C.B. Two essential regulatory elements in the human interferon gamma promoter confer activation specific expression in T cells. //J Exp Med. 1993. Vol. 178. P. 1483-1496.

152. Penix L.A., Sweetser M.T., Weaver W.M., Hoeffler J.P., Kerppola Т.К., Wilson C.B. The proximal regulatory element of the interferon-gamma promoter mediates selective expression in T cells. // J Biol Chem. 1996. Vol. 271. P. 31964-31972.

153. Perry A.K., Chen G., Zheng D., Tang H., Cheng G. The host type I interferon response to viral and bacterial infections. // Cell Res. 2005. Vol. 15. P. 407-422.

154. Pestka S., Krause C.D., Walter M.R. Interferons, interferon-like cytokines, and their receptors. // Immunol Rev. 2004. Vol. 202. P. 8-32.

155. Pestka S., Langer J.A., Zoon K.C., Samuel C.E. Interferons and their actions. // Annu Rev Biochem. 1987. Vol. 56. P. 727-777.

156. Petroll W.M., Jafari M., Lane S.S., Jester J.V., Cavanagh H.D. Quantitative assessment of ophthalmic viscosurgical device retention using in vivo confocal microscopy. // J Cataract Refract Surg. 2005. Vol. 31. P. 2363-2368.

157. Piskurich J.F., Youngman K.R., Phillips K.M., Hempen P.M., Blanehard M.H., France J.A., Kaetzel C.S. Transcriptional regulation of the human polymeric immunoglobulin receptor gene by interferon-gamma. // Mol Immunol. 1997. Vol. 34. P. 75-91.

158. Pitha P.M., Au W.C. Induction of interferon alpha genes expression. // Seminars in Virology. 1995. Vol. 6. P. 151-160.

159. Platanias L.C. Mechanisms of type-I- and type-II-interferon-mediated signalling. // Nat Rev Immunol. 2005. Vol. 5. P. 375-386.

160. Player M.R., Torrence P.F. The 2-5A system: modulation of viral and cellular processes through acceleration of RNA degradation. // Pharmacol Ther. 1998. Vol. 78. P. 55-113.

161. Plevy S., Mayer L. Meeting summary: Signal transduction pathways in immune and inflammatory cells. November 30-December 3, 2000, Amelia Island, Florida, U.S.A. // Inflamm Bowel Dis. 2003. Vol. 9. P. 28-33.

162. Poppers J., Mulvey M., Perez C., Khoo D., Mohr I. Identification of a lytic-cycle Epstein-Barr virus-gene product that can regulate PKR activation. // J Virol. 2003. Vol. 77. P. 228-236.

163. Psarros M., Heber S., Sick M., Thoppae G., Harshman K., Sick B. RACE: Remote Analysis Computation for gene Expression data. // Nucleic Acids Res. 2005. Vol. 33. P. W638-643.

164. Rainer J., Sanchez-Cabo F., Stocker G., Stum A., Trajanoski Z. CARMAweb: comprehensive R- and bioconductor-based web service for microarray data analysis. // Nucleic Acids Res. 2006. Vol. 34. P. W498-503.

165. Ranish J.A., Yi E.C., Leslie D.M., Purvine S.O., Goodlett D.R., Eng J., Aebersold R. The study of macromolecular complexes by quantitative proteomics. // Nat Genet. 2003. Vol. 33. P. 349-355.

166. Reis L.F., Ruffner H., Stark G., Aguet M., Weissmann C. Mice devoid of interferon regulatory factor 1 (IRF-1) show normal expression of type I interferon genes. // Embo J. 1994. Vol. 13. P. 4798-4806.

167. Roberts G.C., Smith C.W. Alternative splicing: combinatorial output from the genome. // Curr Opin Chem Biol. 2002. Vol. 6. P. 375-383.

168. Rosztoczy I., Pitha P.M. Priming does not change promoter sequence requirements for IFN-induction or correlate with the expression of IFN regulatory factor-1. // J Immunol. 1993. Vol. 151. P. 1303-1311.

169. Sakamoto S., Potla R., Larner A.C. Histone deacetylase activity is required to recruit RNA. polymerase II to the promoters of selected interferon-stimulated early response genes. // J Biol Chem. 2004. Vol. 279. P. 40362-40367.

170. Samuel C.E. Antiviral actions of interferons. // Clin Microbiol Rev. 2001. Vol. 14. P. 778809, table of contents.

171. Santoro M.G., Rossi A., Amici C. NF-kappaB and virus infection: who controls whom. // Embo J. 2003. Vol. 22. P. 2552-2560.

172. Sareneva Т., Julkunen I., Matikainen S. IFN-alpha and IL-12 induce IL-18 receptor gene expression in human NK and T cells. // J Immunol. 2000. Vol. 165. P. 1933-1938.

173. Sato Т., Selleri C., Young N.S., Maciejewski J.P. Hematopoietic inhibition by interferon-gamma is partially mediated through interferon regulatory factor-1. // Blood. 1995. Vol. 86. P. 3373-3380.

174. Sauer S., Konthur Z., Lehrach H. Genome projects and the functional-genomic era. // Comb Chem High Throughput Screen. 2005. Vol. 8. P. 659-667.

175. Schindler C., Darnell J.E., Jr. Transcriptional responses to polypeptide ligands: the JAK-STAT pathway. //Annu Rev Biochem. 1995. Vol. 64. P. 621-651.

176. Schmid C.D., Perier R., Praz V., Bucher P. EPD in its twentieth year: towards complete promoter coverage of selected model organisms. // Nucleic Acids Res. 2006. Vol. 34. P. D82-85.

177. Schumacher В., Bernasconi D., Schultz U., Staeheli P. The chicken Mx promoter contains an ISRE motif and confers interferon inducibility to a reporter gene in chick and monkey cells. //Virology. 1994. Vol. 203. P. 144-148.

178. Schweigert S., Herde P.V., Sibbald P.R. Issues in incorporation semantic integrity in molecular biological object-oriented databases. // Comput Appl Biosci. 1995. Vol. 11. P. 339347.

179. Shannon P., Markiel A., Ozier O., Baliga N.S., Wang J.T., Ramage D., Amin N., Schwikowski В., Ideker T. Cytoscape: a software environment for integrated models of biomolecular interaction networks. // Genome Res. 2003. Vol. 13. P. 2498-2504.

180. Siegel J.P. Effects of interferon-gamma on the activation of human T lymphocytes. // Cell Immunol. 1988: Vol. 111. P. 461-472.

181. Sladkova Т., Kostolansky F. The role of cytokines in the immune response to influenza A virus infection. // Acta Virol. 2006. Vol. 50. P. 151-162.

182. Smilde A.K., van der Werf M.J., Bijlsma S., van der Werff-van der Vat B.J., Jellema R.H. Fusion of mass spectrometry-based metabolomics data. // Anal Chem. 2005. Vol. 77. P. 67296736.

183. Soury В., Hentzen D., Vignal M., Christeff N., Doly J. Induction of interferon-beta gene expression by dexamethasone in murine L929 cells. // Mol Endocrinol. 1995. Vol. 9. P. 199207.

184. Spirov A.V., Borovsky M., Spirova O.A. HOX Pro DB: the functional genomics of hox ensembles. //Nucleic Acids Res. 2002. Vol. 30. P. 351-353.

185. Sridharan R., Smale S.T. Predominant interaction of both Ikaros and Helios with the NuRD complex in immature thymocytes. // J Biol Chem. 2007. Vol. 282. P. 30227-30238.

186. Stahler P., Beier M., Gao X., Hoheisel J.D. Another side of genomics: synthetic biology as a means for the exploitation of whole-genome sequence information. // J Biotechnol. 2006. Vol. 124. P. 206-212.

187. Stein C.S., Fabry Z., Murphy S., Hart M.N. Involvement of nitric oxide in IFN-gamma-mediated reduction of micro vessel smooth muscle cell proliferation. // Mol Immunol. 1995. Vol. 32. P. 965-973.

188. Strehl В., Seifert U., Kruger E., Heink S., Kuckelkorn U., Kloetzel P.M. Interferon-gamma, the functional plasticity of the ubiquitin-proteasome system, and MHC class I antigen processing. // Immunol Rev. 2005. Vol. 207. P. 19-30.

189. Stuart J.M., Segal E., Roller D., Kim S.K. A gene-coexpression network for global discovery of conserved genetic modules. // Science. 2003. Vol. 302. P. 249-255.

190. Suhara W., Yoneyama M., Iwamura Т., Yoshimura S., Tamura K., Namiki H., Aimoto S., Fujita T. Analyses of virus-induced homomeric and heteromeric protein associations between IRF-3 and coactivator CBP/p300. // J Biochem. 2000. Vol. 128. P. 301-307.

191. Sullivan C.S., Ganem D. MicroRNAs and viral infection. // Mol Cell. 2005. Vol. 20. P. 3-7.

192. Takai-Igarashi Т., Kaminuma T. A pathway finding system for the cell signaling networks database. // In Silico Biol. 1999. Vol. 1. P. 129-146.

193. Tamura Т., Nagamura-Inoue Т., Shmeltzer Z., Kuwata Т., Ozato K. ICSBP directsbipotential myeloid progenitor cells to differentiate into mature macrophages. // Immunity.2000. Vol. 13. P. 155-165.

194. Tanaka FI., Samuel C.E. Mechanism of interferon action: structure of the mouse PKR gene encoding the interferon-inducible RNA-dependent protein kinase. // Proc Natl Acad Sci USA. 1994. Vol. 91. P. 7995-7999.

195. Tanaka N., Kawakami Т., Taniguchi T. Recognition DNA sequences of interferon regulatory factor 1 (IRF-1) and IRF-2, regulators of cell growth and the interferon system. // Mol Cell Biol. 1993. Vol. 13. P. 4531-4538.

196. Taniguchi T. IRF-1 and IRF-2 as regulators-of the interferon system and cell growth. // Indian J Biochem Biophys. 1995. Vol. 32. P. 235-239.

197. Taniguchi Т., Ogasawara K., Takaoka A., Tanaka N. 1RF family of transcription factors as regulators of host defense. // Annu Rev Immunol. 2001. Vol. 19. P. 623-655.

198. Thanos D., Maniatis T. Virus induction of human IFN beta gene expression requires the assembly of an enhanceosome.// Cell. 1995a. Vol. 83. P. 1091-1100.

199. Thanos D., Maniatis T. NF-kappa B: a lesson in family values. // Cell. 1995b. Vol. 80. P. 529-532.

200. Theofilopoulos A.N., Baccala R., Beutler В., Kono D.H. Type I interferons (alpha/beta) in immunity and autoimmunity. // Annu Rev Immunol. 2005. Vol. 23. P. 307-336.

201. Todd S., Naylor S.L. New chromosomal mapping assignments for argininosuccinate synthetase pseudogene 1, interferon-beta 3 gene, and the diazepam binding inhibitor gene. // Somat Cell Mol Genet. 1992. Vol. 18. P. 381-385.

202. Tsujimura H., Nagamura-Inoue Т., Tamura Т., Ozato K. IFN consensus sequence binding protein/IFN regulatory factor-8 guides bone marrow progenitor cells toward the macrophage lineage. // J Immunol. 2002. Vol. 169. P. 1261-1269.

203. Uddin S., Platanias L.C. Mechanisms of type-I interferon signal transduction. // J Biochem Mol Biol. 2004. Vol. 37. P. 635-641.

204. Urnov F.D. Methylation and the genome: the power of a small amendment. // J Nutr. 2002. Vol. 132. P. 2450S-2456S.

205. Vernet G., Tran N. The DNA-Chip technology as a new molecular tool for the detection of HBV mutants. // J Clin Virol. 2005. Vol. 34 Suppl 1. P. S49-53.

206. Villas-Boas S.G., Hojer-Pedersen J., Akesson M., Smedsgaard J., Nielsen J. Global metabolite analysis of yeast: evaluation of sample preparation methods. // Yeast. 2005. Vol. 22. P. 1155-1169.

207. Wagner A. How to reconstruct a large genetic network from n gene perturbations in fewer than n(2) easy steps. // Bioinformatics. 2001. Vol. 17. P. 1183-1197.

208. Wang Z.G., Ruggero D., Ronchetti S., Zhong S., Gaboli M., Rivi R., Pandolfi P.P. PML is essential for multiple apoptotic pathways. // Nat Genet. 1998. Vol. 20. P. 266-272.

209. Wathelet M.G., Lin C.H., Parekh B.S., Ronco L.V., Howley P.M., Maniatis T. Virus infection induces the assembly of coordinately activated transcription factors on the IFN-beta enhancer in vivo. // Mol Cell. 1998. Vol. 1. P. 507-518.

210. Wei G.H., Liu D.P., Liang C.C. Charting gene regulatory networks: strategies, challenges and perspectives. // Biochem J. 2004. Vol. 381. P. 1-12.

211. Wenner C.A., Guler M.L., Macatonia S.E., O'Garra A., Murphy K.M. Roles of IFN-gamma and IFN-alpha in IL-12-induced T helper cell-1 development. // J Immunol. 1996. Vol. 156. P. 1442-1447.

212. Wilkinson M.F., Morris A.G. Preparation and partial purification of human interferon delta. // Methods Enzymol. 1986. Vol. 119. P. 96-102.

213. Williams B.R. PKR; a sentinel kinase for cellular stress. // Oncogene. 1999. Vol. 18. P.' 6112-6120.

214. Wu W.Z., Sun H.C., Gao Y.Q., Li Y., Wang L., Zhou K., Liu K.D., Iliakis G., Tang Z.Y. Reduction in p48-ISGFgamma levels confers resistance to interferon-alpha2a in MHCC97 cells. // Oncology. 2004. Vol. 67. P. 428-440.

215. Xiong W., Wang X., Liu X.Y., Xiang L., Zheng L.J., Liu J.X., Yuan Z.H. Analysis of gene expression in hepatitis В virus transfected cell line induced by interferon. // Sheng Wu Hua Xue Yu Sheng Wu Wu Li Xue Bao (Shanghai). 2003. Vol. 35. P. 1053-1060.

216. Yeger-Lotem E., Margalit H. Detection of regulatory circuits by integrating the cellular networks of protein-protein interactions and transcription regulation. // Nucleic Acids Res. 2003. Vol. 31. P. 6053-6061.

217. Yie J., Merika M., Munshi N. Chen G., Thanos D. The role of HMG I(Y) in the assembly and function of the IFN-beta enhanceosome. // Embo J. 1999. Vol. 18. P. 3074-3089.

218. Yokoyama W.M., Kim S., French A.R. The dynamic life of natural killer cells. // Annu Rev Immunol. 2004. Vol. 22. P. 405-429.

219. Yoshida J., Mizuno M., Wakabayashi T. Interferon-beta gene therapy for cancer: basic research to clinical application. // Cancer Sci. 2004. Vol. 95. P. 858-865.

220. Young H.A. Regulation of interferon-gamma gene transcription. // Seminars in Virology. 1995. Vol. 6. P. 175-180.

221. Zahedi K., Prada A.E., Davis A.E., 3rd. Transcriptional regulation of the CI inhibitor gene by gamma-interferon. // J Biol Chem. 1994. Vol. 269. P. 9669-9674.

222. Zhou A., Chen Z., Rummage J.A., Jiang H., Kolosov M., Kolosova I., Stewart C.A., Leu

223. R.W. Exogenous interferon-gamma induces endogenous synthesis of interferon-alpha and -beta by murine macrophages for induction of nitric oxide synthase. // J Interferon Cytokine Res. 1995. Vol. 15. P. 897-904.

224. Zhou H., Roy S., Schulman H., Natan M.J. Solution and chip arrays in protein profiling. // Trends Biotechnol. 2001. Vol. 19. P. S34-39.

225. Zhou Q., Zhao J., Wiedmer Т., Sims P.J. Normal hemostasis but defective hematopoietic response to growth factors in mice deficient in phospholipid scramblase 1. // Blood. 2002. Vol. 99. P. 4030-4038.

226. Zimmermann A., Trilling M., Wagner M., Wilborn M., Bubic I., Jonjic S., Koszinowski U., Hengel H. A cytomegaloviral protein reveals a dual role for STAT2 in IFN-{gamma} signaling and antiviral responses. // J Exp Med. 2005. Vol. 201. P. 1543-1553.

227. Ананько E.A., Бажан С.И., Белова O.E., А.Э. К. Механизмы регуляции транскрипции интерферон-индуцируемых генов: описание в информационной системе IIG-TRRD. // Мол. Биол. 1997. Т. 31. С. 701-713.

228. Ананько Е.А., Колпаков Ф.А., Колесов Г.Б., Колчанов Н.А. Автоматическая генерация схем генных сетей на основе их формализованного описания в базе данных GeneNet. // БИОФИЗИКА. 1999. Т. 44. С. 628-631.

229. Бажанова Е.Д. Участие интерферона-альфа в регуляции апоптоза. // Журнал эволюционной биохимии и физиологии. 2005. Т. 41. С. 101-106.

230. Ивашкин В.Т., Минасян Г.А., Уголев A.M. // Теория функциональных блоков и проблем клинической медицины. 1990. JI: Наука. 303 с.

231. Колчанов Н.А., Ананько Е.А., Колпаков Ф.А., Подколодная О.А., Игнатьева Е.В., Горячковская Т.Н., Степаненко И.Л. Генные сети. // Мол. Биол. 2000. Т. 34. С. 533-544.

232. Мутовин Г.Р., Шахтарин В.В., Марченко Л.Ф., Кулешов Н.П., Жилина С.С. Геномика и протеомика иммунного ответа у человека. // Медицинский научный и учебно-методический журнал. 2004. Т. № 21. С. 21-58.

233. Ратнер В.А. // Генетические управляющие системы. 1966. Новосибирск: Наука. 181с.

234. Ратнер В.А. // Принципы организации и механизмы молекулярно-генетических процессов. 1972. Новосибирск: Наука. 323 с.

235. Ратнер В.А. Блочно-модульный принцип организации и эволюции молекулярно-генетических систем управления (МГСУ). // Генетика. 1992. Т. 28. С. 5-24.

236. Описание формата таблицы PROTEINh пример описания гена AGG человека

237. Информационное поле Содержание Пример1. Идентификатор ID 1311С <Аббревиатура организма>:<Короткое название гена> 1С Hs:AGG

238. DT <дата>; <имя аннотатора>; <created/updated> DT 22.08.03; Podkolodnaya О.; created.

239. OS <Латинское название организма> (<Английское название организма>) OS Homo sapiens (human).

240. SN Аббревиатура гена SN AGG

241. NM Полное имя гена NM Agamma globin

242. SY Синонимичное название SY hemoglobin gamma chain

243. SO Ссылка на таблицу CELL SO Hs:K562

244. CH Хромосома CH 11, short arm

245. RE Индукто RE erythropoietin

246. PN Ссылка на таблицу PROTEIN PN Hs: AGG

247. DR Ссылка на внешнюю базу данных DR TRRD; A00297; Hs:AGG

248. RF Ссылка на источник информации RF Stamatoyannopoulos G., Nienhis A.W., 1994

249. CC Текстовый комментарий CC low level in the adult bone marrow

250. Описание формата таблицы PROTEIN и пример описания белка Statl alpha человека

251. Информационное поле Содержание Пример1. Идентификатор ID 3801С <Аббревиатура организма>:<Короткое название белка> 1С Hs:Statl alpha

252. DT <дата>; <имя аннотатора>; <created/updated> DT 09.10.97; Ananko E.; created.

253. OS <Латинское название организма> (<Английское название организма>) OS Homo sapiens (human).

254. SN Короткое название белка SN Statl alpha

255. NM Полное имя белка NM Statlalphahomodimer

256. SY Синонимичное название SY p91

257. DR Ссылка на внешнюю базу данных DR SWISSPROT; P42224;

258. SO Ссылка на таблицу CELL SO Hs:macrophage

259. FN Активный или не активный белок FN active

260. MM Мультимерность MM homodimer

261. MD Модификация белка MD phosphorylated1. RE Индукто RE IFN-gamma

262. GN Ссылка на таблицу GENE GN Hs:Statl

263. RF Ссылка на источник информации RF KovarikP. etal., 1998

264. CC Текстовый комментарий CC transcription factor

265. Описание формата таблицы RELATION и пример описания транскрипции гена ферритина человека

266. Информационное поле Содержание Пример1. Идентификатор ID R135

267. DT <дата>; <имя аннотатора>; <created/ updated> DT 03.8.2000.; Stepanenko I.L.; created.

268. Описание гена (вход) IN <gene>Hs:ferrLAnucleus

269. OU Описание РНК (выход) OU <RNA>Hs:ferritinAcytoplasm

270. TY Вид взаимодействия TY reaction

271. EF Прямое или непрямое взаимодействие EF indirect

272. RF Ссылка на источник информации RF Antonson P. and Xanthopoulos K.G., 1995

273. CC Текстовый комментарий CC small intestine, colon, high

274. Генная сеть интерфероновой регуляции противовирусного ответа "Antiviral response"Г1. Й са*1 ecu Щ Ш1. СН»| ,И|} «AHTta

275. MiP 1 COJ с> ю f№,t*r| РЫЙМ) OfeUw)• <cxcut WF .

276. Генная сеть подавления вируса гепатита С под действием интерферона альфа "Hepatitis С (IFN)"

Информация о работе

Ананько, Елена Анатольевна
кандидата биологических наук
Новосибирск, 2008
ВАК 03.00.15

Диссертация

Разработка технологии реконструкции и компьютерного анализа генных сетей и ее применение в биологических исследованиях - тема диссертации по биологии, скачайте бесплатно

Автореферат

Похожие работы