Präsentation herunterladen
Die Präsentation wird geladen. Bitte warten
Veröffentlicht von:Chlotichilda Stiefvater Geändert vor über 10 Jahren
1
Biochemical Networks Literature:
Cantor&Schimmel: Biophysical Chemistry Adam Läuger Stark : Physikalische Chemie und Biophysik Voit: Computational Analysis of Biochemical Systems
2
Modelling Biochemical Networks
Cooperative Enzymes Inhibition, Regulation Kinetic Rates Synergistic Systems Parameter Estimations Literature: Voit: Computational Analysis of Biochemical Systems Adam Läuger Stark : Physikalische Chemie und Biophysik Breckow : Biophysik
6
Open Systems
17
Cellular Images of DNA Hybridization Kinetics In Vivo
Ingmar Schön & Dieter Braun PNAS, accepted (2009)
18
experimental setup
19
lock-in detection scheme
periodic illumination phase-locked relative to perturbation quantum efficiency illumination 0° 90° 180° 270° collect fluorescence by slow CCD (low-pass filtering) fit with transfer function for a first-order reaction
20
goal: measure reaction kinetics in vivo
approach goal: measure reaction kinetics in vivo principle: perturbe equilibrium and analyze relaxation detection: fluorescence resonance energy transfer (FRET)
21
DNA probe RhG | 5’-C AGG TTA CTA TCG TAT T C-3’ ROX
5’-C AAT ACG ATA GTA ACC T C-3’ C = L-enantiomeric cytosin
22
DNA probe
23
hybridization kinetics in a single living cell
24
different kinetics in subcellular compartments
25
dependence on concentration
calibration brightness of confocal image vs. DNA concentration
26
dependence on concentration
calibration brightness of confocal image vs. DNA concentration
27
comparison in vitro vs. in vivo
… faster Hybridization in vivo!
28
… is slower: Binding with Proteins !
However 12bp probe… … is slower: Binding with Proteins !
29
Molecular Crowding is no significant for short DNA
Trivial molecular crowding: excluded volume enhances local concentration, however both for 12 & 16 mer => Not found Length dependent, specific interactions: - Catalytic speed up of Hybridization - Slowing by specific binding => Less free concentration and slower kinetics
30
Das Prinzip des detaillierten Gleichgewichts
In einem komplexeren Netzwerk (z.B. ein zyklisches System) sind Reaktionen mit dx/dt=0 denkbar, die thermodynamisch zugelassen wären, aber einen permanenten Materialfluss ermöglichen würden. Die Gleichgewichtsbedingung gilt für alle Teilreaktionen eines Systems. „Das Gleichgewicht ist wegunabhängig“ Prinzip des detaillierten Gleichgewichts (Prinzip der mikroskopischen Reversibilität)
31
Michaelis-Menten Kinetics
55
Biologische Regulation durch Enzymhemmung
56
Effects of noncompetitive inhibition
57
Non-competitive inhibition
58
Competitive Inhibition
Inhibitor competes with substrate for binding to enzyme Example 1: most drugs Example 2: Product inhibition Problem : Die kompetitive Hemmung hat unzureichende Regeleigenschaften
59
Mehrfachbindung und die Regulation biologischer Aktivität
„Abschaltfunktion“ Rate als Funktion der inhibitorischen Substanz Ein Enzym mit mehreren Bindungsstellen für ein hemmende Substanz B ermöglicht schärfere Regelung Sollwert
60
Kooperativität allosterischer Enzyme
Michaelis-Menten-Kinetik (n=1) Hill Gleichung Der Hill-Koeffizient wird aus experimentellen Daten v(s) bestimmt durch logarithmische Auftragung: (Hill Plot)
61
Das Operon-Regelsystem nach Monod: Beispiel allosterischer Kontrolle
G: Genprodukt (z.B. Enzym, das Bildung von P aus Substrat St katalysiert) Für die Komplexbildung von Produkt P mit Konzentration yP und dem regulatorische Gen R wird eine kooperative Rückkopplung angesetzt
62
Autokatalyse, Voltera-Lotka Systeme
Die DGL ohne Rückkopplung lautet : Der autokatalytische Schritt erzeugt die Nicht-Linearität und
63
Räuber-Beute-System
64
Nicht-Lineare Systeme können mehrere stationäre Zustände aufweisen: Diskriminative Schaltfunktion
65
Relationships (Shiraishi-Savageau, 1992)
Kinetic orders = weighted averages of more elementary ko´s (Alves-Savageau, 2000) Homogeneous 3D reactions -> pos. integers
66
Modellierung Biochemischer Netzwerke
Quelle: Stelling, Curr.Op.MicroBio 2004
67
Metabolische Netzwerke
Metabolische Netzwerke sind durch eine Netzwerktopologie (pathway) und biochemische Ratengleichungen beschrieben. Computergestützte Analyse S-Systeme : einfache nichtlineare Näherung mit numerischen Vorteilen Elementare Fluss Moden Analyse : Stoichiometrisches Fliessgleichgewicht
68
dXi/dt = V+-V-=ai Õj=1n+m Xjgij - bi Õj=1n+m Xjhij
S-Systeme Produktansatz für die Zu- und Abflüsse Vi+ and Vi-. dXi/dt = V+-V-=ai Õj=1n+m Xjgij - bi Õj=1n+m Xjhij ai und bi : Raten Konstanten gij and hij : Kinetische Exponenten Xi : Konzentrationen of all the metabolites that are involved in
69
Warum funktionieren S-Systeme ?
Begründete Annahmen: Biochemische Systeme sind in der Regel in einem Quasi-stationären Zustand, d.h. die Dynamik der Systemsteuerung ist langsam gegenüber der zugrundeliegenden Systemdynamik. S-Systeme sind Entwicklungen um stationärem Gleichgewicht Biochemische Systeme sind robust. D.h. die Funktionen sind weitestgehend unabhängig von den Konzentrationen Vorteile: * Analytische Steady-State-Lösung * Mathematisch und rechnerisch einfach * Beliebige Differentialgleichungssystem können in äquivalente S-Systeme übersetzt werden. * Parameterschätzung möglich
70
aus Torres: Pathway Analysis
71
Parameterschätzung
72
Bestimmung der kinetischen Ordnung aus experimentellen Daten
73
Die Stoichiometrische Matrix: Flussanalyse
Ähnliche Präsentationen
© 2024 SlidePlayer.org Inc.
All rights reserved.