Information

25.4: Glossar: M - Biologie

25.4: Glossar: M - Biologie


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

25.4: Glossar: M

25.4: Glossar: M - Biologie

Messenger-Ribonukleinsäuren (mRNAs) übertragen die Informationen von der DNA an die Zellmaschinerie, die Proteine ​​herstellt. Dicht gepackt in jeden Zellkern, der nur 10 Mikrometer im Durchmesser misst, liegt eine drei Meter lange doppelsträngige DNA-„Bauanleitung“ zum Aufbau und zur Erhaltung eines menschlichen Körpers. Damit jede Zelle ihre Struktur behält und alle ihre Funktionen erfüllen kann, muss sie kontinuierlich zelltypspezifische Teile (Proteine) herstellen. In jedem Kern liest ein Protein mit mehreren Untereinheiten namens RNA-Polymerase II (RNAP II) die DNA und stellt gleichzeitig eine „Nachricht“ oder ein Transkript her, die als Boten-RNA (mRNA) bezeichnet wird, in einem Prozess, der Transkription genannt wird. mRNA-Moleküle bestehen aus relativ kurzen Einzelsträngen von Molekülen aus Adenin-, Cytosin-, Guanin- und Uracil-Basen, die durch ein Zuckerphosphat-Rückgrat zusammengehalten werden. Wenn die RNA-Polymerase mit dem Lesen eines Abschnitts der DNA fertig ist, wird die Prä-mRNA-Kopie zu reifen mRNA verarbeitet und dann aus dem Zellkern transferiert. Ribosomen lesen die mRNA und übersetzen die Botschaft in einem Prozess namens Translation in funktionelle Proteine. Je nach Struktur und Funktion des neu synthetisierten Proteins wird es von der Zelle weiter modifiziert, in den extrazellulären Raum exportiert oder verbleibt in der Zelle. Das Diagramm unten zeigt die Transkription (DNA -> RNA), die im Zellkern stattfindet, wobei RNAP RNA-Polymerase II-Enzym synthetisierende RNA ist.

Vorläufer-mRNA enthält Introns und Exons. Introns werden vor der Translation entfernt, während Exons für die Aminosäuresequenz von Proteinen kodieren. Um reife mRNA herzustellen, entfernt die Zellmaschinerie „nicht translatierbare“ Introns aus der Prä-mRNA, sodass nur translatierbare Exonsequenzen in der mRNA zurückbleiben.


Abstrakt

Es sind dringende Lösungen für den globalen Klimawandel erforderlich. Ehrgeizige Baumpflanzinitiativen, von denen viele bereits im Gange sind, zielen darauf ab, enorme Mengen an Kohlenstoff zu binden, um das anthropogene CO . teilweise zu kompensieren2 -Emissionen, die eine der Hauptursachen für die steigenden globalen Temperaturen sind. Eine schlecht geplante und ausgeführte Baumpflanzung könnte jedoch den CO .-Ausstoß erhöhen2 -Emissionen und haben langfristige, schädliche Auswirkungen auf Biodiversität, Landschaften und Lebensgrundlagen. Hier heben wir die wichtigsten Umweltrisiken der großflächigen Anpflanzung von Bäumen hervor und schlagen 10 goldene Regeln vor, die auf einigen der neuesten ökologischen Forschungen basieren, um die Wiederherstellung von Waldökosystemen zu implementieren, die sowohl die Kohlenstoffbindung als auch die Erholung der biologischen Vielfalt maximiert und gleichzeitig die Lebensgrundlagen verbessert. Diese sind wie folgt: (1) Zuerst den bestehenden Wald schützen (2) Zusammenarbeiten (unter Einbeziehung aller Interessengruppen) (3) Die Maximierung der Erholung der Biodiversität anstreben, um mehrere Ziele zu erreichen (4) Geeignete Gebiete für die Wiederherstellung auswählen (5) Verwenden Sie nach Möglichkeit Naturverjüngung ( 10) Machen Sie es sich bezahlt (sichern Sie die wirtschaftliche Nachhaltigkeit des Projekts). Wir konzentrieren uns auf die Entwicklung langfristiger Strategien zur Bewältigung der Klima- und Biodiversitätskrise und zur Unterstützung der Lebensgrundlagen. Wir betonen die Rolle der lokalen Gemeinschaften als Quellen indigenen Wissens und die Vorteile, die sie aus einer erfolgreichen Wiederaufforstung ziehen könnten, die die Funktionsfähigkeit des Ökosystems wiederherstellt und eine vielfältige Palette von Waldprodukten und -dienstleistungen liefert. Auch wenn es kein einfaches und universelles Rezept für die Wiederherstellung von Wäldern gibt, ist es wichtig, auf dem derzeit wachsenden öffentlichen und privaten Interesse an diesem Thema aufzubauen, um sicherzustellen, dass Interventionen wirksame und langfristige Kohlenstoffsenken schaffen und den Nutzen für die biologische Vielfalt und die Menschen maximieren.


EINLEITUNG

Löslich n-Ethylmaleinimid-sensitive Faktor-Adapterproteinrezeptoren (SNAREs) umfassen eine Superfamilie von Proteinen, die den Vesikelverkehr vermitteln, indem sie die Fusion von Vesikel- und Zielmembranen vorantreiben. Der Vesikelverkehr in Pflanzen ist wie in anderen Eukaryoten für den Transport von Membrankomponenten, Proteinen und löslicher Fracht zwischen Endomembrankompartimenten und über die Plasmamembran zum Apoplasten erforderlich (Pratelli et al., 2004 Jahn und Scheller, 2006 Bassham und Blatt, 2008). SNARE-Proteine ​​lokalisieren an Vesikel- und Zielmembranen, wo sie ihre verwandten SNARE-Partner binden, um einen stabilen heteromeren Kernkomplex zu bilden. Der Zusammenbau des Kernkomplexes zieht Vesikel- und Zielmembranen zusammen, wodurch die Hydratationsenergie der Membranoberflächen überwunden wird, um die Fusion der beiden Doppelschichten zu ermöglichen. Verwandte SNAREs im Komplex tragen zu hochkonservierten Qa-, Qb-, Qc- und R-SNARE-Motiven bei, die nach ihrer Struktur und der im Zentrum des Motivs vorhandenen Aminosäure (Gln oder Arg) klassifiziert werden (Fasshauer et al. , 1998Bocket al., 2001). Qa-SNAREs, oft als Syntaxine bezeichnet, befinden sich normalerweise auf der Zielmembran zusammen mit SNAP25-verwandten (für Synaptosomen-assoziiertes Protein von 25 kD) Proteinen, die Qb- und Qc-Motive beisteuern. Vesikel-assoziierte Membranproteine ​​(VAMPs) tragen zum R-Motiv bei und befinden sich normalerweise auf der Vesikelmembran.

Die SNAREs von Pflanzen weisen die größte räumlich-zeitliche Verteilung aller Eukaryoten auf ( Sanderfoot et al., 2000 Pratelli et al., 2004), eine Beobachtung, die so interpretiert wurde, dass sie den Bedarf an spezialisierten Funktionen in Pflanzenwachstum und Homöostase widerspiegelt ( Bassham and Blatt, 2008 Grefen und Blatt, 2008). Unter diesen ist das Qa-SNARE SYP121 (Syntaxin of Plants 121, =SYR1/PEN1) von besonderem Interesse, da es für ein Repertoire an Prozessen im Pflanzenwachstum und in der Entwicklung sowie in physiologischen Reaktionen auf biotischen und abiotischen Stress von zentraler Bedeutung ist. SYP121 ist nicht nur wichtig für den allgemeinen Vesikeltransport und die Sekretion (Geelen et al., 2002 Sutter et al., 2006b Tyrrell et al., 2007), sondern es spielt auch eine Rolle bei zellulären Reaktionen auf Trockenheit und das Wasserstresshormon Abscisinsäure ( Leyman et al., 1999 Sutter et al., 2007 Eisenach et al., 2012). K + -Kanäle, um die Aufnahme gelöster Stoffe für die Zellexpansion und das Pflanzenwachstum zu erleichtern (Honsbein et al., 2009 Grefen et al., 2010a Honsbein et al., 2011). Die Architektur von SYP121 ähnelt der anderer Qa-SNAREs (Blatt et al., 1999 Pratelli et al., 2004 Jahn und Scheller, 2006 Lipka et al., 2007). Es enthält einen C-terminalen Membrananker und eine angrenzende helikale Domäne (H3), die das Qa-SNARE-Motiv trägt, und enthält einen Satz von drei α-Helices, die Habc-Domäne, mit einer unstrukturierten, N-terminalen Aminosäuresequenz . Es wird angenommen, dass sich die Habc-Domäne an der H3-Helix in einer sogenannten geschlossenen oder inaktiven Konformation zurückfaltet und den Zugang zur Qa-SNARE-Domäne für die Bindung mit anderen SNAREs reguliert ( Jahn und Scheller, 2006 Bassham und Blatt, 2008 Südhof und Rothman, 2009). Es ist bekannt, dass SYP121 mit seinen verwandten SNARE-Partnern SNAP33 und sowohl VAMP721 als auch VAMP722 in einem ternären SNARE-Kernkomplex interagiert (Kwon et al., 2008). Es ist jedoch sehr wenig darüber bekannt, wie die SYP121-Funktion gesteuert wird und wie diese Steuerung erreicht wird.

Säugetier-SNAREs interagieren promiskuitiv, um in Lösung homo- und heteromere Komplexe zu bilden (Weber et al., 1998, Jahn und Scheller, 2006). Daher wird allgemein anerkannt, dass zusätzliche Faktoren den SNARE-Zusammenbau steuern, um die Spezifität der Vesikelfusion in vivo sicherzustellen. Unter diesen ist bekannt, dass Mitglieder der Sec1/Munc18 (SM)-Proteinfamilie mit Qa-SNAREs interagieren (Dulubova et al., 1999, 2002, 2007 Hu et al., 2002). Ihre Bindung und Assoziation mit zusätzlichen regulatorischen Proteinen wie Munc13 ( Rizo et al., 2012 Hughson, 2013 Ma et al., 2013) sollen die Spezifität der Membranfusion sicherstellen und die Kinetik des Prozesses verbessern ( Shen et al al., 2007). SM-Proteine ​​interagieren mit Qa-SNAREs über mindestens drei Bindungsmodi, von denen jeder unterschiedliche Konsequenzen für die Bildung des SNARE-Komplexes hat (Burgoyne und Morgan, 2007, Südhof und Rothman, 2009). α-Helices, die den Eintritt in den Aufbau des SNARE-Kernkomplexes erleichtern oder das Qa-SNARE im Kernkomplex mit seinen verwandten SNARE-Partnern stabilisieren.

Sechs SM-Proteine ​​sind bekannt in Arabidopsis thaliana (Sanderfoot et al., 2000 Blatt und Thiel, 2003 Sutter et al., 2006a), von denen zwei funktionell mit einem oder mehreren Qa-SNAREs assoziiert sind. Das SM-Protein VPS45 reguliert positiv den vesikulären Verkehr mit den SNAREs SYP41, SYP61 und VTI12 zwischen den trans-Golgi-Netzwerk, frühe Endosomen und Vakuole (Basham et al., 2000 Zouhar et al., 2009) und SEC11 (=KEULE) bindet das Qa-SNARE SYP111 (=KNOLLE) während der Zytokinese ( Waizenegger et al., 2000 Assaad et al., 2001). Von den anderen vier SM-Proteinen in Arabidopsis, SEC12 (=SEC1a) und SEC13 (=SEC1b) werden in sehr geringen Mengen oder gar nicht exprimiert ( Sanderfoot et al., 2000 Bassham und Blatt, 2008) VPS33 assoziiert mit Verkehr an der Vakuole ( Rojo et al., 2003) und das verbleibende Strukturprotein zeigt die engste Homologie zu den Hefe-SM-Proteinen Sly1p, was auf seine Assoziation mit dem Endomembranverkehr zwischen dem endoplasmatischen Retikulum und dem Golgi hindeutet (Blatt und Thiel, 2003). Daher war es für uns von Interesse, dass berichtet wurde, dass SEC11 unabhängig von SYP111 eine Rolle bei der Wurzelhaarentwicklung spielt (Assaad et al., 2001). SYP111 wird nur während der Zellteilung exprimiert und ist auf der Zellplatte lokalisiert, jedoch wird SEC11 wie SYP121 konstitutiv in der gesamten vegetativen Pflanze exprimiert, was auf zusätzliche Funktionen für dieses SM-Protein, die sich von seiner Rolle bei der Zytokinese unterscheiden, hindeutet. Darüber hinaus wird berichtet, dass SEC11 sowohl in löslichen als auch in Plasmamembran-assoziierten Fraktionen vorkommt (Halachmi und Lev, 1996, Assaad et al., 2001), wie zu erwarten wäre, wenn SEC11 mit einem Plasmamembran-gebundenen Qa-SNARE wechselwirkt. Diese Beobachtungen führten uns dazu, die funktionelle Interaktion zwischen SEC11 und SYP121 und ihr Potenzial zur Regulierung des Sekretionsverkehrs an der Pflanzenplasmamembran zu untersuchen.

Hier berichten wir über die Bindung von SEC11 mit SYP121 in vivo und erarbeiten einen Assay, um ihre Wechselwirkungen in vitro zu charakterisieren. Durch diese Studien und Mutationsanalysen von SYP121 und SEC11 beobachteten wir, dass SEC11 an SYP121 in einer Weise bindet, die teilweise von konservierten Resten innerhalb des N-Terminus von Qa-SNARE und dem SM-Protein abhängt, analog zu den beschriebenen Bindungsmustern für Säuger- und Hefe-SM-Proteine. Die SEC11-Bindung mit SYP121 wurde durch SNAP33 und VAMP721 beeinflusst, was zu ihrer offensichtlichen Konkurrenz mit dem SM-Protein führte. Ungewöhnlicherweise hing diese Konkurrenz von der SEC11-Assoziation mit dem SYP121 N-Terminus ab, was in nicht-pflanzlichen Modellen umgekehrt die Interaktionen zwischen den verwandten SNAREs verstärkt. Während die SEC11-Bindung die Verfügbarkeit von SYP121 für die verwandte SNARE-Bindung reguliert, implizieren ihre Wechselwirkungen, die zum Aufbau des SNARE-Komplexes führen, einen „Handshake“ oder Austausch mit zusätzlichen Faktoren, um die Komplexbildung auszulösen.


Sadržaj/Садржај

Fundamentalna kosmička biologija (FKB) nastala je kao jedan od četri istraživačka projekta u okviru NASA kancelarije za biološka i fizička istraživanje (Büro für biologische und physikalische Forschung (OBPR).). OBPR nastala kao posebna kancelarija NASA-e tokom 2000. Godine reorganizovana je u Kancelariju za izučavanje života u uslovima mikrogravitacije (OLMSA), zatim Kancelariju za humana istraživanje i razvoj u kosmosu (HEDS). OBPR je organizovan tako da ojača sposobnost agencije da odgovori na brojne izazove koje donosi sve veći razvoj i novootkrivene mogućnosti u oblastima kao što su molekularna biologija, nanotehnologija. Pre stvaranja OBPR, Fundamentalna prostorna biologija bila je program u okviru OLMSA poznat kao gravitaciona biologija i ekologija.

  • Astrofizika, deo je astronomije koji se prvenstveno bavi fizikom svemira, uključujući luminozitet, gustinu, temperaturu i hemijski sastav zvezda, galaksija i međuzvezdanog prostora, kao i njihovom interakcijom [13] [14]
  • Astrohemija grana je nauke u kojoj se preklapaja astronomija i hemija. Astrohemija izučava hemijske elemente i njihove molekule kakve se javljaju u svemiru. Koriste se podaci o nebeskim telima dobijeni iz astronomskih instrumenata da bi se odredila hemijska struktura nebeskih tela.
  • Kosmička biologia je nauka koja proučava nastanak, evoluciju, rasprostranjenost i budućnost života (bioloških sistema) u svemiru vanzemaljski život i život na Zemlji. Ova multidisciplinarna nauka pokriva traganje za nastanjivim okruženjem u našem Sunčevom sistemu, naseljivim planetama van njega i dokaza o postojanju prebiotskih hemijskih spojeva. Takođe vrši laboratorijske i terenske studije o poreklu i ranom razvoju zemaljskog života i proučava mogućnosti prilagođavanja živih bića ekstremnim uslovima na našoj planeti i kosmosu.
  • Kosmička ekologija grana je nauke koja proučava uzajamne odnose živih bića u kosmosu i odnos živih bića prema neživoj prirodi i kako preživeti u kosmosu?
  • Kosmička medicina grana je präventivmedizin i medizin rada i značajna komponenta vazduhoplovno-kosmičke bezbednosti i kosmičkih istraživanja. Potekla iz vazduhoplovne medizin, 1940-ih ona se ubrzano razvija kao samostalna grana medizin, ali i dalje tesno i neraskidivo sarađuje sa njom, kako bi ispunila zahteve u zaštiti zdravljakos, nabuda novim, negostoljubivim prostorima kosmosa. Kosmická Medicina proučava uticaj letenja kosmičkim letelicama i sredine u kojoj se eine kreću na organizam kosmonauta iu praksi primenjuje određene metode preventivne medicinske zaštite u sprečavanju negativnog uticaja lansiranja i boravka u kosmosu na život i Zdravlje čoveka, Kao i nastanak vanrednih događaja i katastrofa, koje karakteriše veliki gubitak ljudskih života, materijalnih dobara und poremećaj ekoloških sistema.

Samo život koji živimo u univerzumu (jedini život za koji znamo), je život na Zemlji, u svim njegovim ogromnim raznolikostima. Svako živo biće evoluiralo je pod zajedničkim uticajem Zemljine gravitacije atmosfera, i zračenja na različite načine.

Istraživanje kosmosa podrazumeva „odvajanje“ organizama, uključujući i ljudi, iz sredine na Zemlji na koju su se uspešno adaptirali, i dovođenje u novu manje gostoljubivu sredinu kosmosa. Okruženje u kosmosu i na drugim planetama znatno se razlikuju od onih na Zemlji. Zato kosmička biologija sebi postavlja bezbroj pitanja

  • Mogu li se sistemi živih organizama prilagoditi i napredovati u kosmosu u dužem vremenskom periodu?
  • Kako se to može bezbedno postići?
  • Da li postoje karakteristike mogućeg življenja u kosmosu, zapamćene u genetskom kodu organizama, i da li se one mogu posmatrati daleko od Zemljinog okruženja?
  • Koji su to biološki fenomeni koji su povezani sa promenama u gravitacionim signalima - posebno on povezani sa kosmosom i vanzemaljskim okruženjem?.
  • Koja je uloga gravitacije u regulisanju sopstvenih sistema, što može dati punije razumevanje oder tome kako naša telo funkcioniše na zemlji?

Ovo su samo neka, od mnoštva drugih specifičnih pitanja, koj su oblasti proučavanja kosmičke biologije.

Tokom poslednjih 30 godina čovekovog letenja kosmosom, otkriveno je da ljudi, biljke i životinje podležu promenama koje su u neposrednoj vezi sa efektivnim odsustvo gravitacije. Sprovođenjem kontrolisanih istraživanja u uslovima veštačke okoline kojom stvoreni uslove života slični onim u kosmosu, može se odrediti koliko se živi sistemi prilagođavaju, razvijaju i evoluiralju Dosadašnja saznanja ukazuje na to da se uz odgovarajuću podršku, život može uspešno prilagoditi i staništima van Zemlje. Kada budemo ovladali saznanjima kako se ti sistemi menjaju, kao odgovor na odsustvo gravitacije, potpuno ćemo razumeti i život na našoj planeti.

Čovekovo prilagođavanje mikrogravitaciji kosmosa mora da bude minimum u nizu funkcija povezanih sa zdravljem, uključujući tu i dodatnu i brzu readaptataciju organizma na gravitaciju Zemlje nakon sletanja. Istraživanja kosmičke biologje su zato od ključnog značaja za određivanje koji bioloških mehanizmi selektivno kontrolišu adaptaciju na kosmičku životnu sredinu. Sa ovim saznanjima, čovek je u stanju da osigura bezbednost ljudi u toku letenja. Istraživanja kosmičke biologje takođe podržavaju razvoj veštačkih ekosistema u svemirskim letelicama i planetarnim bazama, koje su od suštinskog značaja za pružanje dugoročne podršzaml ljeska. [15] [16]

Saznanja kosmičke biologje takođe nam pomažu da razumemo kako je život na Zemlji, evoluirao u stalnom gravitacionom okruženju. Životna evolucija zahtevala je između mora, zemljište i vazduh posebne adaptivne mehanizme za prevazilaženje uticaja gravitacije. Stvorene mogućnosti da se proučava adaptacije malih organizama, kroz više generacija u kosmosu, u varijabilnim gravitacionim nivoima, pruža jedinstveni pogled u istoriju života na Zemlji. [17]

Naziv letelice Datum leta Trajanje leta Vrste bioloških uzoraka Biološko bezbednosne karakteristike leta Realizacija zadatka
Drugi veštačkih Satellit oko Zemlje 3. November
1957.
Pas Lajka Registracija: EKG, arterijskog pritiska, učestalosti disanja, motoričke aktivnosti Satelit se zbog kvara nije vratio na Zemlju
Drugi svemirski brod-satelit 19. Durchschnitt
1960.
1 Dan Psi Strelka i Belka, miš, semenke biljaka, ćelijska kultura, insekti Registracija: EKG, arterijskog pritiska, disanja, Temperatur tela, mišićne aktivnosti Prve životinje koje su se vratile na Zemlju iz svemira
Treći svemirski brod-satelit 1. Dezembar
1960
1 Dan Psi Pčelka i Muška, morsko prase, pacov, miš, semenke biljaka Registracija kod pasa EKG, arterijskog pritiska, disanja, Temperatur tela, mišićne aktivnosti (EMG) Satelit se nije vratio zbog tehničkoh problema
etvrti svemirski brod-satelit 9. März
1961
1,5 € Pas Černuška, miš, zamorac, muva, semenke biljaka, bakterije Registracija EKG, Disanja, Sfigmograma Saltelit se bezbedno spustio po završetku programa
Peti svemirski brod-satelit 25. März
1961
1,5 € Pas Zvezdočka, morsko prase, muva, semenke biljaka, bakterije, kultura tkiva Registracija: EKG, Disanja, Sfigmograma Saltelit se bezbedno spustio po završetku programa

Ova istraživanja kosmičke biologje, postavljaju naučne osnove za razvoj novih lekova i vakcina za lečenje i sprečavanje infekcija salmonelom

Fundamentalna kosmička biologia (FKB) je NASA-in program koji okuplja naučnike sa univerziteta širom Zemlje i u NASA - centarima, za proučavanje osnovnih bioloških procesa na zemlji i u toku kosmičkih letetova, zasnovanog na osnovama pristupinarnog ist .

Okupljanjem mnogobrojnih naučnika i tehnologija na jednom mestu, NASA-in-Programm pokušava da odgovori na najosnovnije pitanja koja su povezana sa evolucijom, razvojem i funkcijama živih sistema u.

Ciljevi programa Uredi

Fundamentalna kosmička biologija nastoji da proširi naša saznanja o osnovnim biološkim procesima i njihovim mehanizmima preko kojih ovi procesi deluju, reaguju, ili se prilagođavaju kosmičkoj životnoj sredini. Zahvaljujući materijalnim, kadrovskim i tehničkim resursima NASA-ine agencije, omogućeno je naučnicima iz oblasti kosmičke biologje i mnogih drugih grana nauke, da sprovedu svoja istraživanja naukama, koji mogu biti oder velikog značaja za buduća putovanja und dugotrajan boravak und život u kosmosu.

Osnovne postavke na koje pokušava da u svojim istraživanjima odgovori fundamentalna kosmička biologija kroz svoj program, zapravo su ova ključna pitanja:

  • Kako kosmos utice na život u njegovom najosnovnijem obliku, počev od gena u ćeliji?
  • Kako dugotrajni boravak u kosmosu utice na organizam?
  • Identifikovati mikrogravitacijom izazvanih bolesti (npr. osteoporoze, mišićne atrofije, srčanih problema i dr), i definisanje novih terapija za prevenciju i lečenje ovih bolesti, od koje e imkako koristi l
  • Kako kosmička sredina utiče na pojedine razvojne cikluse i njihove funkcije u organizmu?
  • Kako reaguju pojedini sistemi u organizmu i koje su njihove promene i međusobne interakcija u kosmičkoj sredini?

Oblast istraživanja Uredi

Fundamentalna kosmička biologija je trenutno svoja istraživanja (finansiski podržana od od 2000. od strane NASE i drugih naučnih ustanova u svetu) usmerila u sledećih šest različitih oblasti:

Molekularne strukture i fizičke interakcije Uredi

Ova oblast izučava fizičke efekte letenja kosmosom na ćelije i organizme. Brojne fizičke interakcije u kosmosu mogu da utiču na razmenu gasova, promene u prenos toplote, i poremećaj difuzije i metaboličke procese.

Zato istraživanja u ovoj oblasti imaju za cilj da utvrda kako biofizički efekati gravitacije menjaju rast, razvoj i funkcije jednoćelijski i višećelijskih organizama?

Ćelijska i molekularna biologija Uredi

Glavni zatatak ćelijske i molekularne biologje je da istraži genske, molekularne i ćelijske nivoe i otkrije specifične promene koje mogu u ćeliji nastati u uslovima mikrogravitacije, i pomognu u razumevanju amanih molekularen

Zato istraživanja u ovoj oblasti treba da otkriju međusobnu povezanost promena u gravitacionoj sili i drugim faktorima u kosmosu i kako oni mogu direktno ili indirektno da utiču on elije na elije, jednoćelijtako organizama, na elije, jednoćelijtako organizama, na poi , molekularnom i elijskom nivou?

Razvojna biologija Uredi

Razvojna biologija ima zadatak da istraži i utvrdi ulogu gravitacije na normalan razvoj i funkcije organizma, faze života (od pune zrelosti do smrti), kao i druge učinke kosmičke životizo

Zato je od ključnog značaja za ovu oblast, izučavanje mehanizama kojima kosmička sredina može uticati na razvoj narednih generacija. Takođe, i da istraži uticaj kosmičke životne sredine na ponašanje jedinke, trajanje životnog veka i procese starenja.

Komparativna biologija organizma Uredi

U ovoj oblasti, komparativni pristup se koristi za razumevanje kako organizam transdukuje, opaža, integriše ili odgovora na gravitacionu silu, i da istraži efekte hiper i hipo gravitacije. skeletnog, kardiovaskularnog), i da prouči u kakvoj su interakciji gravitacija i drugi faktori kosmičke životne sredine.

Komparativna biologija organizma ističe fiziološke, mobilne, i molekularne mehanizme dejstva gravitacije i svemirski letova na rast, razvoj, sastav i fiziološke i bihevioralne funkcije životinja i viših bilogenetski prehko filogenetski filogenetski.

Evoluciona biologija Uredi

Ova oblast ima za cilj da razume ulogu gravitacije u procesima biološke evolucije. Istraživanja su tako dizajnirana da ukažu na osnovne mehanizme i putevi koji su uticali na razvoj višećelijskih organizama na Zemlji i ispita procese koji omogućavaju organizmu da se razvija i odgovori na promenene u o.

Gravitaciona ekologija Uredi

Cilj istraživanja gravitacione ekologije je da shvati kako gravitacija i drugi faktori u univerzumu utiču na strukturu, funkciju i stabilnost ekosistema, posebno onih u kosmičkim letelicama ili u planetarnim staništima.

Od posebnog interesa za gravitacionu ekologiju su istraživanja mikrobioloških populacija ili zajednica.

Sprovođenjem ekoloških istraživanja na različitim nivoima utvrđuje se intenzitet izloženosti i vrsta kosmičkih štetnih faktora, i određuje njihov uticaj na ekosisteme, a istovčremeni


Biologie

Gunnar und andere hoffen, mehr über die zugrunde liegende Biologie hinter dem Neustart zu enthüllen.

Diese Studie öffnet auch die Tür für andere Bekämpfungsmaßnahmen, die die Biologie der Heuschrecken selbst verändern.

Es erwartet, dass sich Frauen und Männer von Geburt an sehr unterschiedlich verhalten, allein aufgrund ihrer Biologie.

Jetzt haben Forscher eine neue Lernmethode vorgeschlagen, die enger mit der Biologie verbunden ist und von der sie glauben, dass sie uns helfen könnte, sich der konkurrenzlosen Leistungsfähigkeit des Gehirns zu nähern.

Ein Hauptanwärter ist CRISPR, die sich schnell entwickelnde Gen-Editing-Technologie, die die synthetische Biologie und die Behandlung genetisch verbundener Krankheiten revolutionieren wird.

Für seinen unermüdlichen Angriff auf die Evolutionsbiologie und die Verkleinerung der Gottheit, um in die Wissenschaft zu passen, gebe ich Meyer den zweiten Platz.

Komplementarität, wie konservative Katholiken den Begriff verwenden, ist jedoch mehr als Biologie.

„Langfristig mache ich mir mehr Sorgen um die Biologie“, sagte er gegenüber The Telegraph.

Im Wesentlichen argumentiert er, dass es in der Entwicklungsbiologie funktionale Kompromisse gibt.

Die Menschen beginnen zu erkennen, dass Depressionen mit der Biologie zusammenhängen müssen, denn wer würde ein so äußerlich begabtes Leben aufgeben?

Sein Rückgrat sollte das Studium der Biologie sein und seine Substanz sollte die Dreschen der brennenden Fragen unserer Zeit sein.

„Die Botanik ist der Zweig der Biologie, der das Pflanzenleben behandelt“ hat den gleichen Fehler in sich.

„Biologie“ wird nicht so gut als „Botanik“ verstanden, obwohl es ein allgemeinerer Begriff ist.

Daraus folgt, dass die Biologie eher die Grundlage als das Haus ist, wenn wir eine so grobe Zahl verwenden dürfen.

Es ist an der Zeit, die Vorstellung aufzugeben, dass die Biologie detailliert vorschreibt, wie wir die Gesellschaft führen sollen.


Hypoxie fördert das Altern und fördert den altersbedingten funktionellen Rückgang der Kognition und des Gehörs. Qingfen Qiang, Yang Xia und Kollegen zeigen, dass die Signalübertragung durch den Erythrozyten-Adenosin-A2B-Rezeptor die metabolische Umprogrammierung, eine erhöhte Produktion von 2,3-Bisphosphoglycerat und eine geringere Hypoxie-induzierte Entzündungsreaktion im Hippocampus, Kortex und Cochlea während des Alterns fördert.

Eine Untersuchung der neuronalen Repräsentationen, die bei Meerschweinchen durch artgleiche Rufe in verschiedenen auditiven Verarbeitungsstadien ausgelöst werden, zeigt Erkenntnisse darüber, wo rufselektive neuronale Antworten entstehen.


Mitose-Glossar - Index

    - eine alternative Form eines Gens (ein Mitglied eines Paares), das sich an einer bestimmten Position auf einem bestimmten Chromosom befindet. - Stadium der Mitose, in dem Chromosomen beginnen, sich zu entgegengesetzten Enden (Polen) der Zelle zu bewegen. - radiale Mikrotubuli-Arrays in Tierzellen, die helfen, Chromosomen während der Zellteilung zu manipulieren. - der Lebenszyklus einer sich teilenden Zelle. Es umfasst die Interphase und die M-Phase oder Mitosephase (Mitose und Zytokinese). - zylindrische Strukturen, die aus Gruppen von Mikrotubuli bestehen, die in einem 9 + 3-Muster angeordnet sind. - eine Region auf einem Chromosom, die zwei Schwesterchromatiden verbindet. - eine von zwei identischen Kopien eines replizierten Chromosoms. - Masse an genetischem Material, bestehend aus DNA und Proteinen, die während der eukaryontischen Zellteilung zu Chromosomen kondensieren. - ein langes, strähniges Aggregat von Genen, das Vererbungsinformationen (DNA) trägt und aus kondensiertem Chromatin gebildet wird. - Teilung des Zytoplasmas, die verschiedene Tochterzellen produziert. - ein Netzwerk aus Fasern im Zytoplasma der Zelle, das der Zelle hilft, ihre Form zu erhalten und die Zelle zu unterstützen. - eine Zelle, die aus der Replikation und Teilung einer einzelnen Elternzelle resultiert. - ein Chromosom, das aus der Trennung von Schwesterchromatiden während der Zellteilung entsteht. - eine Zelle, die zwei Chromosomensätze enthält. Von jedem Elternteil wird ein Chromosomensatz gespendet.
  • G0-Phase – wenn die meisten Zellen die Mitose beendet haben, treten sie in die Interphase-Phase ein, um sich auf die nächste Zellteilung vorzubereiten. Allerdings folgen nicht alle Zellen diesem Muster. Einige Zellen treten in einen inaktiven oder halb ruhenden Zustand ein, der als G0-Phase bezeichnet wird. Bestimmte Zellen können vorübergehend in diesen Zustand eintreten, während andere Zellen fast dauerhaft in G0 bleiben können.
  • G1-Phase - die erste Lückenphase, eine der Phasen der Interphase. Es ist die Periode, die der Synthese der DNA vorausgeht.
  • G2-Phase - die zweite Lückenphase, eine der Phasen der Interphase. Es ist der Zeitraum, der der DNA-Synthese folgt, aber vor dem Beginn der Prophase auftritt. - DNA-Segmente, die sich auf Chromosomen befinden und in alternativen Formen vorkommen, die als Allele bezeichnet werden. - eine Zelle, die einen vollständigen Chromosomensatz enthält. - Stadium im Zellzyklus, in dem eine Zelle ihre Größe verdoppelt und DNA synthetisiert, um sich auf die Zellteilung vorzubereiten. Interphase hat drei Unterphasen: die G1-Phase, die S-Phase und die G2-Phase. - eine spezialisierte Region auf dem Zentromer eines Chromosoms, wo spindelpolare Fasern an das Chromosom anlagern. - Mikrotubuli, die Kinetochore mit polaren Spindelfasern verbinden. - Stadium der Mitose, in dem sich die Chromosomen entlang der Metaphasenplatte im Zentrum der Zelle ausrichten. - faserige, hohle Stäbchen, die hauptsächlich dazu dienen, die Zelle zu stützen und zu formen. - eine Phase des Zellzyklus, die die Trennung der Kernchromosomen gefolgt von Zytokinese beinhaltet. - eine membrangebundene Struktur, die die Erbinformationen der Zelle enthält und das Wachstum und die Reproduktion der Zelle steuert. - Spindelfasern, die von den beiden Polen einer sich teilenden Zelle ausgehen. - Stadium der Mitose, in dem Chromatin zu diskreten Chromosomen kondensiert.
  • S-Phase - die Synthesephase, eine der Phasen der Interphase. Es ist die Phase, in der die DNA der Zelle synthetisiert wird. - zwei identische Kopien eines einzelnen Chromosoms, die durch ein Zentromer verbunden sind. - Aggregate von Mikrotubuli, die während der Zellteilung Chromosomen bewegen. - Stadium der Mitose, bei dem der Kern einer Zelle zu gleichen Teilen in zwei Kerne geteilt wird.

Mehrere Intelligenzen

Mehrere Intelligenzen ist eine Theorie, die erstmals 1983 vom Harvard-Entwicklungspsychologen Howard Gardner aufgestellt wurde und die besagt, dass die menschliche Intelligenz in acht Modalitäten unterteilt werden kann: visuell-räumlich, verbal-linguistisch, musikalisch-rhythmisch, logisch-mathematisch, zwischenmenschlich, intrapersonal, naturalistisch und körperlich-kinästhetisch. Die Idee hinter der Theorie der multiplen Intelligenzen ist, dass Menschen auf unterschiedliche Weise lernen, ohne zuvor enge, vorgefasste Vorstellungen von Lernfähigkeiten (zum Beispiel das Konzept eines einzelnen IQs) zu haben.

Mehrere Intelligenzen bezieht sich auf eine Theorie, die die verschiedenen Arten beschreibt, wie Schüler lernen und Informationen erwerben. Diese vielfältigen Intelligenzen reichen von der Verwendung von Wörtern, Zahlen, Bildern und Musik bis hin zur Bedeutung sozialer Interaktionen, Introspektion, körperlicher Bewegung und im Einklang mit der Natur. Dementsprechend kann ein Verständnis darüber, welche Art von Intelligenz ein Schüler besitzen kann, Lehrern helfen, Lernstile anzupassen und bestimmte Karrierewege für Lernende vorschlagen.


Kumar A, Snyder M. Proteomics: Proteinkomplexe machen den Köder. Nature, 2002, 415(6868): 123–124

Von Mering C, Krause R, Snel B, Cornell M, Oliver S G, Fields S, Bork P. Comparative assessment of large-scale data sets of protein-protein interactions. Nature, 2002, 417(6887): 399–403

Zeng M, Zhang F, Wu F X, Li Y, Wang J, Li M. Protein-protein interaction site prediction through combining local and global features with deep neural networks. Bioinformatics, 2020, 36(4): 1114–1120

Chen Y C, Rajagopala S V, Stellberger T, Uetz P. Exhaustive benchmarking of the yeast two-hybrid system. Nature Methods, 2010, 7(9): 667

Morris J H, Knudsen G M, Verschueren E, Johnson J R, Cimermancic P, Greninger A L, Pico A R. Affinity purification-mass spectrometry and network analysis to understand protein-protein interactions. Nature Protocols, 2014, 9(11): 2539

Hu B, Petela N, Kurze A, Chan K L, Chapard C, Nasmyth K. Biological chromodynamics: a general method for measuring protein occupancy across the genome by calibrating ChIP-seq. Nucleic Acids Research, 2015, 43(20): e132

Wang R, Liu G, Wang C. Identifying protein complexes based on an edge weight algorithm and core-attachment structure. BMC Bioinformatics, 2019, 20(1): 471

Zhu Y, Li Y, Liu J, Qin L, Yu J X. Discovering large conserved functional components in global network alignment by graph matching. BMC Genomics, 2018, 19(7): 670

Janwa H, Massey S E, Velev J, Mishra B. On the origin of biomolecular networks. Frontiers in Genetics, 2019, 10: 240

Davis D, Yaveroğlu Ö N, Malod-Dognin N, Stojmirovic A, Pržulj N. Topology-function conservation in protein-protein interaction networks. Bioinformatics, 2015, 31(10): 1632

Li G, Li M, Peng W, Li Y, Pan Y, Wang J. A novel extended Pareto Optimality Consensus model for predicting essential proteins. Journal of Theoretical Biology, 2019, 480: 141–149

Liu C, Ma Y, Zhao J, Nussinov R, Zhang Y C, Cheng F, Zhang Z K. Computational network biology: data, models, and applications. Physics Reports, 2020, 846: 1–66

Taylor N R. Small world network strategies for studying protein structures and binding. Computational and Structural Biotechnology Journal, 2013, 5(6): e201302006

Leventhal G E, Hill A L, Nowak M A, Bonhoeffer S. Evolution and emergence of infectious diseases in theoretical and real-world networks. Nature, 2015, 6: 6101

Barabasi A L, Oltvai Z N. Network biology: understanding the cell’s functional organization. Nature Reviews Genetics, 2004, 5(2): 101–113

Nacher J C, Hayashida M, Akutsu T. Emergence of scale-free distribution in protein-protein interaction networks based on random selection of interacting domain pairs. BioSystems, 2009, 95(2): 155–159

Alanis-Lobato G, Mier P, Andrade-Navarro M. The latent geometry of the human protein interaction network. Bioinformatics, 2018, 34(16): 2826–2834

Han J D J, Bertin N, Hao T, Goldberg D S, Berriz G F, Zhang L V, Dupuy D, Walhout A J M, Cusick M E, Roth F P, Vidal M. Evidence for dynamically organized modularity in the yeast protein-protein interaction network. Nature, 2004, 430(6995): 88–93

Komurov K, White M. Revealing static and dynamic modular architecture of the eukaryotic protein interaction network. Molecular Systems Biology, 2007, 3(1): 110

Mitra K, Carvunis A R, Ramesh S K, Ideker T. Integrative approaches for finding modular structure in biological networks. Nature Reviews Genetics, 2013, 14(10): 719–732

Li D, Li J, Ouyang S, Wang J, Wu S, Wan P, Zhu Y, Xu X, He F. Protein interaction networks of Saccharomyces cerevisiae, Caenorhabditis elegans and Drosophila melanogaster: large-scale organization and robustness. Proteomics, 2006, 6(2): 456–461

Pereira-Leal J B, Levy E D, Teichmann S A. The origins and evolution of functional modules: lessons from protein complexes. Philosophical Transactions of the Royal Society of London B: Biological Sciences, 2006, 361(1467): 507–517

Jeong H, Mason S P, Barabási A L, Oltvai Z N. Lethality and centrality in protein networks. Nature, 2001, 411(6833): 41–44

Estrada E. Virtual identification of essential proteins within the protein interaction network of yeast. Proteomics, 2006, 6(1): 35–40

Joy M P, Brock A, Ingber D E, Huang S. High-betweenness proteins in the yeast protein interaction network. BioMed Research International, 2005, 2005(2): 96–103

Estrada E, Rodríguez-Velázquez J A. Subgraph centrality in complex networks. Physical Review E, 2005, 71(5): 056103

Li M, Wang J, Chen X, Wang H, Pan Y. A local average connectivity-based method for identifying essential proteins from the network level. Computational Biology and Chemistry, 2011, 35(3): 143–150

Wang J, Li M, Wang H, Pan Y. Identification of essential proteins based on edge clustering coefficient. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2012, 9(4): 1070–1080

Liu Y, Liang H, Zou Q, He Z. Significance-based essential protein discovery. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2020, DOI: https://doi.org/10.1109/TCBB.2020.3004364

Zeng M, Li M, Fei Z, Wu F X, Li Y, Pan Y, Wang J. A deep learning framework for identifying essential proteins by integrating multiple types of biological information. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2019, DOI: https://doi.org/10.1109/TCBB.2019.2897679

Li G, Li M, Wang J, Wu J, Wu F X, Pan Y. Predicting essential proteins based on subcellular localization, orthology and PPI networks. BMC Bioinformatics, 2016, 17(8): 279

Helden J V. Evaluation of clustering algorithms for protein-protein interaction networks. BMC Bioinformatics, 2006, 7(1): 488

Liu W, Ma L, Jeon B, Chen L, Chen B. A network Hierarchy-Based method for functional module detection in protein-protein interaction networks. Journal of Theoretical Biology, 2018, 455: 26–38

Xiang J, Zhang Y, Li J M, Li H J, Li M. Identifying multi-scale communities in networks by asymptotic surprise. Journal of Statistical Mechanics: Theory and Experiment, 2019, 2019(3): 033403

Li M, Wu X, Wang J, Pan Y. Towards the identification of protein complexes and functional modules by integrating PPI network and gene expression data. BMC Bioinformatics, 2012, 13(1): 109

Wang J, Peng X, Li M, Pan Y. Construction and application of dynamic protein interaction network based on time course gene expression data. Proteomics, 2013, 13(2): 301–312

Alon U. Biological networks: the tinkerer as an engineer. Science, 2003, 301(5641): 1866–1867

Zhang F, Song H, Zeng M, Li Y, Kurgan L, Li M. DeepFunc: a deep learning framework for accurate prediction of protein functions from protein sequences and interactions. Proteomics, 2019, 19(12): 1900019

Wang Y, You Z, Li L, Chen Z. A survey of current trends in computational predictions of protein-protein interactions. Frontiers of Computer Science, 2020, 14(4): 144901

Nourani E, Khunjush F, Durmuş S. Computational approaches for prediction of pathogen-host protein-protein interactions. Frontiers in Microbiology, 2015, 6: 94

Li X, Li W, Zeng M, Zheng R, Li M. Network-based methods for predicting essential genes or proteins: a survey. Briefings in Bioinformatics, 2020, 21(2): 566–583

Keskin O, Tuncbag N, Gursoy A. Predicting protein-protein interactions from the molecular to the proteome level. Chemical Reviews, 2016, 116(8): 4884–4909

Li T, Wernersson R, Hansen R B, Horn H, Mercer J, Slodkowicz G, Workman C T, Rigina O, Rapacki K, Særfeldt H H, Brunak S, Jensen T S, Lage K. A scored human protein-protein interaction network to catalyze genomic interpretation. Nature Methods, 2017, 14: 61–64

Prasad T S K, Goel R, Kandasamy K, Keerthikumar S, Kumar S, Mathivanan S, Telikicherla D, Raju R, Shafreen B, Venugopal A, Balakrishnan L, Marimuthu A, Banerjee S, Somanathan D S, Sebastian A, Rani S, Ray S, Kishore C J H, Kanth S, Ahmed M, Kashyap M K, Mohmood R, Ramachandra Y L, Krishna V, Rahiman B A, Mohan S, Ranganathan P, Ramabadran S, Chaerkady R, Pandey A. Human protein reference database—2009 update. Nucleic Acids Research, 2008, 37(suppl 1): D767–D772

Kotlyar M, Pastrello C, Sheahan N, Jurisica I. Integrated interactions database: tissue-specific view of the human and model organism interactomes. Nucleic Acids Research, 2015, 44(D1): D536–D541

Cowley M J, Pinese M, Kassahn K S, Waddell N, Pearson J V, Grimmond S M, Biankin A V, Hautaniemi S, Wu J. PINA v2. 0: mining interactome modules. Nucleic Acids Research, 2011, 40(D1): D862–D865

Das J, Yu H. HINT: high-quality protein interactomes and their applications in understanding human disease. BMC Systems Biology, 2012, 6(1): 92

Razick S, Magklaras G, Donaldson I M. iRefIndex: a consolidated protein interaction database with provenance. BMC Bioinformatics, 2008, 9(1): 405

Salwinski L, Miller C S, Smith A J, Pettit F K, Bowie J U, Eisenberg D. The database of interacting proteins: 2004 update. Nucleic Acids Research, 2004, 32(suppl 1): D449–D451

Luck K, Kim D K, Lambourne L, Spirohn K, Begg B E, et al. A reference map of the human binary protein interactome. Nature, 2020, 580(7803): 402–408

Szklarczyk D, Gable A L, Lyon D, Junge A, Wyder S, Huerta-Cepas J, Simonovic M, Doncheva N T, Morris J H, Bork P, Jensen L S. Mering C v. STRING v11: protein-protein association networks with increased coverage, supporting functional discovery in genome-wide experimental datasets. Nucleic Acids Research, 2019, 47(D1): D607–D613

Kerrien S, Aranda B, Breuza L, Bridge A, Broackes-Carter F, Chen C, Duesbury M, Dumousseau M, Feuermann M, Hinz U, Jandrasits C, Jimenez R C, Khadake J, Mahadevan U, Masson P, Pedruzzi I, Pfeiffenberger E, Porras P, Raghunath A, Roechert B, Orchard S, Hermjakob H. The IntAct molecular interaction database in 2012. Nucleic Acids Research, 2012, 40(D1): D841–D846

Pagel P, Kovac S, Oesterheld M, Brauner B, Dunger-Kaltenbach I, Frishman G, Montrone C, Mark P, Stümpflen V, Mewes H-W, Ruepp A, Frishman D. The MIPS mammalian protein-protein interaction database. Bioinformatics, 2005, 21(6): 832–834

Oughtred R, Stark C, Breitkreutz B J, Rust J, Boucher L, Chang C, Kolas N, O’Donnell L, Leung G, McAdam R, Zhang F, Dolma S, Willems A, Coulombe-Huntington J, Chatr-aryamontri A, Dolinski K, Tyers M. The BioGRID interaction database: 2019 update. Nucleic Acids Research, 2019, 47(D1): D529–D541

Koutrouli M, Karatzas E, Paez-Espino D, Pavlopoulos G A. A guide to conquer the biological network era using graph theory. Frontiers in Bioengineering and Biotechnology, 2020, 8: 34

Li M, Zheng R, Zhang H, Wang J, Pan Y. Effective identification of essential proteins based on priori knowledge, network topology and gene expressions. Methods, 2014, 67(3): 325–333

Li M, Chen J, Wang J, Hu B, Chen G. Modifying the DPClus algorithm for identifying protein complexes based on new topological structures. BMC Bioinformatics, 2008, 9(1): 398

Peng W, Wang J, Zhao B, Wang L. Identification of protein complexes using weighted PageRank-Nibble algorithm and core-attachment structure. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2015, 12(1): 179–192

Lv Z, Ao C, Zou Q. Protein function prediction: from traditional classifier to deep learning. Proteomics, 2019, 19(14): 1900119

Zhang F, Song H, Zeng M, Wu F X, Li Y, Pan Y, Li M. A deep learning framework for gene ontology annotations with sequence-and network-based information. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2020, DOI: https://doi.org/10.1109/TCBB.2020.2968882

Ganegoda G U, Wang J X, Wu F X, Li M. Prediction of disease genes using tissue-specified gene-gene network. BMC Systems Biology, 2014, 8(3): S3

Wei P J, Wu F X, Xia J, Su Y, Wang J, Zheng C H. Prioritizing cancer genes based on an improved random walk method. Frontiers in Genetics, 2020, 11: 377

Ding Y, Tang J, Guo F. Identification of drug-target interactions via dual laplacian regularized least squares with multiple kernel fusion. Knowledge-Based Systems, 2020, 204: 106254

Zhao T, Hu Y, Valsdottir L R, Zang T, Peng J. Identifying drug-target interactions based on graph convolutional network and deep neural network. Briefings in Bioinformatics, 2020, DOI: https://doi.org/10.1093/bib/bbaa044

Yu L, Zhao J, Gao L. Predicting potential drugs for breast cancer based on miRNA and tissue specificity. International Journal of Biological Sciences, 2018, 14(8): 971

Li X, Xiang J, Wang J, Li J, Wu F X, Li M. FUNMarker: fusion network-based method to identify prognostic and heterogeneous breast cancer biomarkers. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2020, DOI: https://doi.org/10.1109/TCBB.2020.2973148

Liu X, Chang X, Leng S, Tang H, Aihara K, Chen L. Detection for disease tipping points by landscape dynamic network biomarkers. National Science Review, 2019, 6(4): 775–785

Liu R, Chen P, Chen L. Single-sample landscape entropy reveals the imminent phase transition during disease progression. Bioinformatics, 2020, 36(5): 1522–1532

Carneiro D G, Clarke T, Davies C C, Bailey D. Identifying novel protein interactions: proteomic methods, optimisation approaches and data analysis pipelines. Methods, 2015, 95: 46–54

Srihari S, Yong C H, Wong L. Computational Prediction of Protein Complexes from Protein Interaction Networks. Williston: Morgan & Claypool, 2017

Wang J, Peng X, Peng W, Wu F X. Dynamic protein interaction network construction and applications. Proteomics, 2014, 14(4–5): 338–352

Li M, Meng X, Zheng R, Wu F X, Li Y, Pan Y, Wang J. Identification of protein complexes by using a spatial and temporal active protein interaction network. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2020, 17(3): 817–827

Xiao Q, Luo P, Li M, Wang J, Wu F X. A novel core-attachment-based method to identify dynamic protein complexes based on gene expression profiles and PPI networks. Proteomics, 2019, 19(5): 1800129

Wang R, Wang C, Liu G. A novel graph clustering method with a greedy heuristic search algorithm for mining protein complexes from dynamic and static PPI networks. Information Sciences, 2020, 522: 275–298

Tang X, Wang J, Liu B, Li M, Chen G, Pan Y. A comparison of the functional modules identified from time course and static PPI network data. BMC Bioinformatics, 2011, 12(1): 1–15

Tang X, Wang J, Zhong J, Pan Y. Predicting essential proteins based on weighted degree centrality. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2014, 11(2): 407–418

Lin C Y, Chin C H, Wu H H, Chen S H, Ko M T. Hubba: hub objects analyzer-a framework of interactome hubs identification for network biology. Nucleic Acids Research, 2008, 36(suppl 2): W438–W443

Li M, Zhang H, Wang J, Pan Y. A new essential protein discovery method based on the integration of protein-protein interaction and gene expression data. BMC Systems Biology, 2012, 6(1): 15

He X, Zhang J. Why do hubs tend to be essential in protein networks? PLoS Genetics, 2006, 2(6): e88

Zotenko E, Mestre J, O’Leary D P, Przytycka T M. Why do hubs in the yeast protein interaction network tend to be essential: reexamining the connection between the network topology and essentiality. PLoS Computational Biology, 2008, 4(8): e1000140

Kim P M, Lu L J, Xia Y, Gerstein M B. Relating three-dimensional structures to protein networks provides evolutionary insights. Science, 2006, 314(5807): 1938–1941

Taylor I W, Linding R, Warde-Farley D, Liu Y, Pesquita C, Faria D, Bull S, Pawson T, Morris Q, Wrana J L. Dynamic modularity in protein interaction networks predicts breast cancer outcome. Nature Biotechnology, 2009, 27(2): 199–204

Kar G, Gursoy A, Keskin O. Human cancer protein-protein interaction network: a structural perspective. PLoS Computational Biology, 2009, 5(12): e1000601

Bonacich P. Power and centrality: a family of measures. American Journal of Sociology, 1987, 92(5): 1170–1182

Pržulj N, Wigle D A, Jurisica I. Functional topology in a network of protein interactions. Bioinformatics, 2004, 20(3): 340–348

Yu H, Kim P M, Sprecher E, Trifonov V, Gerstein M. The importance of bottlenecks in protein networks: correlation with gene essentiality and expression dynamics. PLoS Computational Biology, 2007, 3(4): e59

Stephenson K, Zelen M. Rethinking centrality: methods and examples. Social Networks, 1989, 11(1): 1–37

Zhang X, Xu J, Xiao W. A new method for the discovery of essential proteins. PLoS ONE, 2013, 8(3): e58763

Xiao Q, Wang J, Peng X, Wu F X, Pan Y. Identifying essential proteins from active PPI networks constructed with dynamic gene expression. BMC Genomics, 2015, 16(Suppl 3): S1

Li M, Li W, Wu F X, Pan Y, Wang J. Identifying essential proteins based on sub-network partition and prioritization by integrating subcellular localization information. Journal of Theoretical Biology, 2018, 447: 65–73

Li M, Ni P, Chen X, Wang J, Wu F X, Pan Y. Construction of refined protein interaction network for predicting essential proteins. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2019, 16(4): 1386–1397

Acencio M L, Lemke N. Towards the prediction of essential genes by integration of network topology, cellular localization and biological process information. BMC Bioinformatics, 2009, 10(1): 290

Peng X, Wang J, Wang J, Wu F X, Pan Y. Rechecking the centrality-lethality rule in the scope of protein subcellular localization interaction networks. PLoS ONE, 2015, 10(6): e0130743

Peng W, Wang J, Cheng Y, Lu Y, Wu F X, Pan Y. UDoNC: an algorithm for identifying essential proteins based on protein domains and protein-protein interaction networks. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2015, 12(2): 276–288

Luo J, Qi Y. Identification of essential proteins based on a new combination of local interaction density and protein complexes. PLoS ONE, 2015, 10(6): e0131418

Li M, Niu Z, Chen X, Zhong P, Wu F X, Pan Y. A reliable neighbor-based method for identifying essential proteins by integrating gene expressions, orthology, and subcellular localization information. Tsinghua Science and Technology, 2016, 21(6): 668–677

Zhang W, Xu J, Li Y, Zou X. Detecting essential proteins based on network topology, gene expression data and gene ontology information. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2018, 15(1): 109–116

Lei X, Zhao J, Fujita H, Zhang A. Predicting essential proteins based on RNA-Seq, subcellular localization and GO annotation datasets. Knowledge-Based Systems, 2018, 151: 136–148

Zeng M, Li M, Wu F X, Li Y, Pan Y. DeepEP: a deep learning framework for identifying essential proteins. BMC Bioinformatics, 2019, 20(16): 506

Tang Y, Li M, Wang J, Pan Y, Wu F X. CytoNCA: a cytoscape plugin for centrality analysis and evaluation of protein interaction networks. Biosystems, 2015, 127: 67–72

Scardoni G, Petterlini M, Laudanna C. Analyzing biological network parameters with CentiScaPe. Bioinformatics, 2009, 25(21): 2857–2859

Chin C H, Chen S H, Wu H H, Ho C W, Ko M T, Lin C Y. CytoHubba: identifying hub objects and sub-networks from complex interactome. BMC Systems Biology, 2014, 8(S4): S11

Assenov Y, Ramírez F, Schelhorn S E, Lengauer T, Albrecht M. Computing topological parameters of biological networks. Bioinformatics, 2008, 24(2): 282–284

Junker B H, Koschützki D, Schreiber F. Exploration of biological network centralities with CentiBiN. BMC Bioinformatics, 2006, 7(1): 219

Gräßler J, Koschützki D, Schreiber F. CentiLib: comprehensive analysis and exploration of network centralities. Bioinformatics, 2012, 28(8): 1178–1179

Zhang J, Li W, Zeng M, Meng X, Kurgan L, Wu F X, Li M. NetEPD: a network-based essential protein discovery platform. Tsinghua Science and Technology, 2020, 25(4): 542–552

Schult D A. Exploring network structure, dynamics, and function using NetworkX. In: Proceedings of the 7th Python in Science Conference. 2008, 11–15

Konganti K, Wang G, Yang E, Cai J J. SBEToolbox: a Matlab toolbox for biological network analysis. Evolutionary Bioinformatics Online, 2013, 9: 355

Drozdov I, Ouzounis C A, Shah A M, Tsoka S. Functional genomics assistant (FUGA): a toolbox for the analysis of complex biological networks. BMC Research Notes, 2011, 4(1): 462

Spirin V, Mirny L A. Protein complexes and functional modules in molecular networks. Proceedings of the National Academy of Sciences, 2003, 100(21): 12123–12128

Radicchi F, Castellano C, Cecconi F, Loreto V, Parisi D. Defining and identifying communities in networks. Proceedings of the National Academy of Sciences, 2004, 101(9): 2658–2663

Luo F, Yang Y, Chen C F, Chang R, Zhou J, Scheuermann R H. Modular organization of protein interaction networks. Bioinformatics, 2007, 23(2): 207–214

Wang J, Li M, Chen J, Pan Y. A fast hierarchical clustering algorithm for functional modules discovery in protein interaction networks. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2010, 8(3): 607–620

Gavin A C, Bösche M, Krause R, Grandi P, Marzioch M, Bauer A, Schultz J, Rick J M, Michon A M, Cruciat C M, Remor M, Höfert C, Schelder M, Brajenovic M, Ruffner H, Merino A, Klein K, Hudak M, Dickson D, Rudi T, Gnau V, Bauch A, Bastuck S, Huhse B, Leutwein C, Heurtier M A, Copley R R, Edelmann A, Querfurth E, Rybin V, Drewes G, Raida M, Bouwmeester T, Bork P, Seraphin B, Kuster B, Neubauer G, Superti-Furga G. Functional organization of the yeast proteome by systematic analysis of protein complexes. Nature, 2002, 415(6868): 141–147

Tarassov K, Messier V, Landry C R, Radinovic S, Serna Molina M M, Shames I, Malitskaya Y, Vogel J, Bussey H, Michnick S W. An in vivo map of the yeast protein interactome. Science, 2008, 320(5882): 1465–1470

Ravasz E, Somera A L, Mongru D A, Oltvai Z N, Barabási A L. Hierarchical organization of modularity in metabolic networks. Science, 2002, 297(5586): 1551–1555

Yook S, Oltvai Z, Barabási A. Functional and topological characterization of protein interaction networks. Proteomics, 2004, 4(4): 928–942

Farkas I, Jeong H, Vicsek T, Barabási A L, Oltvai Z N. The topology of the transcription regulatory network in the yeast, Saccharomyces cerevisiae. Physica A: Statistical Mechanics & Its Applications, 2003, 318(3–4): 601–612

Ashtiani M, Salehzadeh-Yazdi A, Razaghi-Moghadam Z, Hennig H, Wolkenhauer O, Mirzaie M, Jafari M. A systematic survey of centrality measures for protein-protein interaction networks. BMC Systems Biology, 2018, 12(1): 80

Yoon J, Blumer A, Lee K. An algorithm for modularity analysis of directed and weighted biological networks based on edge-betweenness centrality. Bioinformatics, 2006, 22(24): 3106–3108

Lee M J, Choi S, Chung C W. Efficient algorithms for updating betweenness centrality in fully dynamic graphs. Information Sciences, 2016, 326(C): 278–296

Hao D, Ren C, Li C. Revisiting the variation of clustering coefficient of biological networks suggests new modular structure. BMC Systems Biology, 2012, 6(1): 1–10

Li Y, Shang Y, Yang Y. Clustering coefficients of large networks. Information Sciences, 2017, 382: 350–358

Hartuv E, Shamir R. A clustering algorithm based on graph connectivity. Information Processing Letters, 2000, 76(4–6): 175–181

Hu H, Yan X, Huang Y, Han J, Zhou X J. Mining coherent dense subgraphs across massive biological networks for functional discovery. Bioinformatics, 2005, 21(suppl 1): i213–i221

Newman M, Girvan M. Finding and evaluating community structure in networks. Physical Review E, 2004, 69(2): 1–16

Li M, Wang J, Chen J. A fast agglomerate algorithm for mining functional modules in protein interaction networks. In: Proceedings of International Conference on Biomedical Engineering and Informatics. 2008, 3–7

Wang J, Ren J, Li M, Wu F X. Identification of hierarchical and overlapping functional modules in PPI networks. IEEE Transactions on Nanobioscience, 2012, 11(4): 386–393

Lu Y, Hou X, Chen X. A novel travel-time based similarity measure for hierarchical clustering. Neurocomputing, 2016, 173: 3–8

Cho Y R, Hwang W, Ramanathan M, Zhang A. Semantic integration to identify overlapping functional modules in protein interaction networks. BMC Bioinformatics, 2007, 8(1): 265

Bader G D, Hogue C W. An automated method for finding molecular complexes in large protein interaction networks. BMC Bioinformatics, 2003, 4(1): 2

Altaf-Ul-Amin M, Shinbo Y, Mihara K, Kurokawa K, Kanaya S. Development and implementation of an algorithm for detection of protein complexes in large interaction networks. BMC Bioinformatics, 2006, 7(1): 1–13

Jiang P, Singh M. SPICi: a fast clustering algorithm for large biological networks. Bioinformatics, 2010, 26(8): 1105–1111

Adamcsek B, Palla G, Farkas I J, Derényi I, Vicsek T. CFinder: locating cliques and overlapping modules in biological networks. Bioinformatics, 2006, 22(8): 1021–1023

Nepusz T, Yu H, Paccanaro A. Detecting overlapping protein complexes in protein-protein interaction networks. Nature Methods, 2012, 9(5): 471–472

King A D, Pržulj N, Jurisica I. Protein complex prediction via cost-based clustering. Bioinformatics, 2004, 20(17): 3013–3020

Vlasblom J, Wodak S J. Markov clustering versus affinity propagation for the partitioning of protein interaction graphs. BMC Bioinformatics, 2009, 10(1): 99

Cho Y R, Zhang A. Identification of functional hubs and modules by converting interactome networks into hierarchical ordering of proteins. BMC Bioinformatics, 2010, 11(3): 1–10

Gavin A C, Aloy P, Grandi P, Krause R, Boesche M, Marzioch M, Rau C, Jensen L J, Bastuck S, Dümpelfeld B, Edelmann A, Heurtier M A, Hoffman V, Hoefert C, Klein K, Hudak M, Michon A M, Schelder M, Schirle M, Remor M, Rudi T, Hooper S, Bauer A, Bouwmeester T, Casari G, Drewes G, Neubauer G, Rick J M, Kuster B, Bork P, Russell R B, Superti-Furga G. Proteome survey reveals modularity of the yeast cell machinery. Nature, 2006, 440(7084): 631–636

Min W, Li X, Kwoh C K, Ng S K. A core-attachment based method to detect protein complexes in PPI networks. BMC Bioinformatics, 2009, 10(1): 169

Ma X, Gao L. Predicting protein complexes in protein interaction networks using a core-attachment algorithm based on graph communicability. Information Sciences, 2012, 189(7): 233–254

Zhang A. Protein Interaction Networks: Computational Analysis. England: Cambridge University Press, 2009

Enright A J, Dongen S V, Ouzounis C A. An efficient algorithm for large-scale detection of protein families. Nucleic Acids Research, 2002, 30(7): 1575–1584

Bhowmick S, Seah B S. Clustering and summarizing protein-protein interaction networks: a survey. IEEE Transactions on Knowledge and Data Engineering, 2016, 28(3): 638–658

Satuluri V, Parthasarathy S, Ucar D. Markov clustering of protein interaction networks with improved balance and scalability. In: Proceedings of ACM International Conference on Bioinformatics and Computational Biology. 2010, 247–256

Hwang W, Cho Y R, Zhang A, Ramanathan M. A novel functional module detection algorithm for protein-protein interaction networks. Algorithms for Molecular Biology, 2006, 1(1): 1–11

Hwang W, Cho Y R, Zhang A, Ramanathan M. CASCADE: a novel quasi all paths-based network analysis algorithm for clustering biological interactions. BMC Bioinformatics, 2008, 9(1): 64

Feng J, Jiang R, Jiang T. A max-flow-based approach to the identification of protein complexes using protein interaction and microarray data. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2011, 8(3): 621–634

Ji J, Zhang A, Liu C, Quan X, Liu Z. Survey: functional module detection from protein-protein interaction networks. IEEE Transactions on Knowledge and Data Engineering, 2014, 26(2): 261–277

Wang R, Wang C, Sun L, Liu G. A seed-extended algorithm for detecting protein complexes based on density and modularity with topological structure and GO annotations. BMC Genomics, 2019, 20(1): 637

Xiao Q, Wang J, Peng X, Wu F X. Detecting protein complexes from active protein interaction networks constructed with dynamic gene expression profiles. Proteome Science, 2013, 11(Suppl 1): S20

Topchy A, Jain A K, Punch W. Clustering ensembles: models of consensus and weak partitions. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(12): 1866–1881

Asur S. An ensemble framework for clustering protein-protein interaction networks. Bioinformatics, 2007, 23(13): i29–i40

Greene D, Cagney G, Krogan N, Cunningham P. Ensemble non-negative matrix factorization methods for clustering protein-protein interactions. Bioinformatics, 2008, 24(15): 1722–1728

Wang R S, Zhang S, Wang Y, Zhang X S, Chen L. Clustering complex networks and biological networks by nonnegative matrix factorization with various similarity measures. Neurocomputing, 2008, 72(1–3): 134–141

Ou-Yang XL, Dai D Q, Zhang X F. Protein complex detection via weighted ensemble clustering based on bayesian nonnegative matrix factorization. PLoS ONE, 2013, 8(5): e62158

Wu M, Ou-Yang L, Li X L. Protein complex detection via effective integration of base clustering solutions and co-complex affinity scores. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2017, 14(3): 733–739

Xu B, Li K, Zheng W, Liu X, Zhang Y, Zhao Z, He Z. Protein complexes identification based on go attributed network embedding. BMC Bioinformatics, 2018, 19(1): 535

Meng X, Peng X, Wu F X, Li M. Detecting protein complex based on hierarchical compressing network embedding. In: Proceedings of IEEE International Conference on Bioinformatics and Biomedicine. 2019, 215–218

Lei X, Fang M, Guo L, Wu F X. Protein complex detection based on flower pollination mechanism in multi-relation reconstructed dynamic protein networks. BMC Bioinformatics, 2019, 20(3): 131

Ma X, Sun P G, Gong M. An integrative framework of heterogeneous genomic data for cancer dynamic modules based on matrix decomposition. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2020, DOI: https://doi.org/10.1109/TCBB.2020.3004808

Li M, Li D, Tang Y, Wu F X, Wang J. CytoCluster: a cytoscape plugin for cluster analysis and visualization of biological networks. International Journal of Molecular Sciences, 2017, 18(9): 1880

Wang J, Zhong J, Chen G, Li M, Wu F X, Pan Y. ClusterViz: a cytoscape APP for cluster analysis of biological network. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2015, 12(4): 815–822

Natale M, Benso A, Di Carlo S, Ficarra E. FunMod: a cytoscape plugin for identifying functional modules in undirected protein-protein networks. Genomics, Proteomics & Bioinformatics, 2014, 12(4): 178–186

Szalay-Bekő M, Palotai R, Szappanos B, Kovács I A, Papp B, Csermely P. ModuLand plug-in for Cytoscape: determination of hierarchical layers of overlapping network modules and community centrality. Bioinformatics, 2012, 28(16): 2202–2204

Li M, Tang Y, Wu X, Wang J, Wu F X, Pan Y. C-DEVA: detection, evaluation, visualization and annotation of clusters from biological networks. Biosystems, 2016, 150: 78–86

Kouhsar M, Zare-Mirakabad F, Jamali Y. WCOACH: protein complex prediction in weighted PPI networks. Genes & Genetic Systems, 2015, 90(5): 317–324

Srihari S, Ragan M A. Systematic tracking of dysregulated modules identifies novel genes in cancer. Bioinformatics, 2013, 29(12): 1553–1561

Li D, Pan Z, Hu G, Anderson G, He S. Active module identification from multilayer weighted gene co-expression networks: a continuous optimization approach. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2020, DOI: https://doi.org/10.1109/TCBB.2020.2970400

De L U, Jensen L J, Brunak S, Bork P. Dynamic complex formation during the yeast cell cycle. Science, 2005, 307(5710): 724–727

Kayarkar N A, Durgude S G, Maurya B D, Pawar S V, Chate P B. Protein networks in diseases. International Journal of Drug Discovery, 2009, 1(2): 10–17

Tokuriki N, Tawfik D S. Protein dynamism and evolvability. Science, 2009, 324(5924): 203–207

Hegde S R, Manimaran P, Mande S C. Dynamic changes in protein functional linkage networks revealed by integration with gene expression data. PLoS Computational Biology, 2008, 4(11): e1000237

Tu B P, Mcknight S L. Logic of the yeast metabolic cycle: temporal compartmentalization of cellular processes. Science, 2005, 310(5751): 1152–1158

Shen X, Li Y, Jiang X, He T, Hu X, Yang J. Mining temporal protein complex based on the dynamic PIN weighted with connected affinity and gene co-expression. PLoS ONE, 2016, 11(4): e0153967

Liu W, Xie H. Construction and analysis of dynamic molecular networks. Progress in Biochemistry and Biophysics, 2014, 41(2): 115–125 (in Chinese)

Xia K, Xue H, Dong D, Zhu S, Wang J, Zhang Q, Hou L, Chen H, Tao R, Huang Z, Fu Z, Chen Y G, Han J D J. Identification of the proliferation/differentiation switch in the cellular network of multicellular organisms. PLoS Computational Biology, 2006, 2(11): e145

Przytycka T M, Singh M, Slonim D K. Toward the dynamic interactome: it’s about time. Briefings in Bioinformatics, 2010, 11(1): 15–29

Bossi A, Lehner B. Tissue specificity and the human protein interaction network. Molecular Systems Biology, 2009, 5(1): 260

Lichtenstein I, Charleston M A, Caetano T S, Gamble J R, Vadas M A. Active subnetwork recovery with a mechanism-dependent scoring function with application to angiogenesis and organogenesis studies. BMC Bioinformatics, 2013, 14(1): 59

Bródka P, Saganowski S, Kazienko P. GED: the method for group evolution discovery in social networks. Social Network Analysis and Mining, 2013, 3(1): 1–14

Du N, Jiang K, Sawle A D, Frank M B, Wallace C A, Zhang A, Jarvis J N. Dynamic tracking of functional gene modules in treated juvenile idiopathic arthritis. Genome Medicine, 2015, 7(1): 109

Luo J, Song D, Liang C, Li G. Model the evolution of protein interaction network assisted with protein age. Journal of Theoretical Biology, 2013, 333: 10–17

Shen X, Yi L, Jiang X, Zhao Y, Hu X, He T, Yang J. Neighbor affinity based algorithm for discovering temporal protein complex from dynamic PPI network. Methods, 2016, 110: 90–96

Curtis R E, Yuen A, Song L, Goyal A, Xing E P. TVNViewer: an interactive visualization tool for exploring networks that change over time or space. Bioinformatics, 2011, 27(13): 1880–1881

Tian Y, Zhang B, Hoffman E P, Clarke R, Zhang Z, Shih I M, Xuan J, Herrington D M, Wang Y. KDDN: an open-source cytoscape app for constructing differential dependency networks with significant rewiring. Bioinformatics, 2014, 31(2): 287–289

Goenawan I H, Bryan K, Lynn D J. DyNet: visualization and analysis of dynamic molecular interaction networks. Bioinformatics, 2016, 32(17): 2713–2715

Li M, Yang J, Wu F X, Pan Y, Wang J. DyNetViewer: a cytoscape app for dynamic network construction, analysis and visualization. Bioinformatics, 2018, 34(9): 1597–1599

Wang X, Gulbahce N, Yu H. Network-based methods for human disease gene prediction. Briefings in Functional Genomics, 2011, 10(5): 280–293

Xiang J, Zhang N R, Zhang J S, Lv X Y, Li M. PrGeFNE: predicting disease-related genes by fast network embedding. Methods, 2020, DOI:https://doi.org/10.1016/j.ymeth.2020.1006.1015

Hamed M, Spaniol C, Zapp A, Helms V. Integrative network-based approach identifies key genetic elements in breast invasive carcinoma. BMC Genomics, 2015, 16(5): S2

Barabási A L, Gulbahce N, Loscalzo J. Network medicine: a network-based approach to human disease. Nature Reviews Genetics, 2011, 12(1): 56–68

Xue H, Xian B, Dong D, Xia K, Zhu S, Zhang Z, Hou L, Zhang Q, Zhang Y, Han J D. A modular network model of aging. Molecular Systems Biology, 2007, 3(1): 147

Faisal F E, Milenković T. Dynamic networks reveal key players in aging. Bioinformatics, 2014, 30(12): 1721–1729

Sun S Y, Liu Z P, Zeng T, Wang Y, Chen L. Spatio-temporal analysis of type 2 diabetes mellitus based on differential expression networks. Scientific Reports, 2013, 3: 2268

Elia J, Glessner J T, Wang K, Takahashi N, Shtir C J, Hadley D, Sleiman P M A, Zhang H, Kim C E, Robison R, Lyon G L, Flory J H, Brad-field J P, Imielinski M, Hou C, Frackelton E C, Chiavacci R M, Sakurai T, Rabin C, Middleton F A, Thomas K A, Garris M, Mentch F, Freitag C M, Steinhausen H C, Todorov A A, Reif A, Rothenberger A, Franke B, Mick E O, Roeyers H, Buitelaar J, Lesch K P, Banaschewski T, Ebstein R P, Mulas F, Oades R D, Sergeant J, Sonuga-Barke E, Renner T J, Romanos M, Romanos J, Warnke A, Walitza S, Meyer J, Pálmason H, Seitz C, Loo S K, Smalley S L, Biederman J, Kent L, Asherson P, Anney R J L, Gaynor J W, Shaw P, Devoto M, White P S, Grant S F A, Buxbaum J D, Rapoport J L, Williams N M, Nelson S F, Faraone S V, Hakonarson H. Genome-wide copy number variation study associates metabotropic glutamate receptor gene networks with attention deficit hyperactivity disorder. Nature Genetics, 2012, 44(1): 78–84

Luo X, Huang L, Han L, Luo Z, Hu F, Tieu R, Gan L. Systematic prioritization and integrative analysis of copy number variations in schizophrenia reveal key schizophrenia susceptibility genes. Schizophrenia Bulletin, 2014, 40(6):1285–1899

Ma X, Gao L, Karamanlidis G, Gao P, Lee C F, Garcia-Menendez L, Tian R, Tan K. Revealing pathway dynamics in heart diseases by analyzing multiple differential networks. PLoS Computational Biology, 2015, 11(6): e1004332

Yang B, Li M, Tang W, Liu W, Zhang S, Chen L, Xia J. Dynamic network biomarker indicates pulmonary metastasis at the tipping point of hepatocellular carcinoma. Nature Communications, 2018, 9(1): 678

Li Y, Jin S, Lei L, Pan Z, Zou X. Deciphering deterioration mechanisms of complex diseases based on the construction of dynamic networks and systems analysis. Scientific Reports, 2015, 5: 9283

Li M, Gao H, Wang J, Wu F X. Control principles for complex biological networks. Briefings in Bioinformatics, 2019, 20(6): 2253–2266


Über den Autor

John W. Kimball has retired from a lifetime of teaching biology. A graduate of Harvard College, he began his teaching career at the secondary level, teaching chemistry and biology to students at Phillips Academy, an independent school in Andover, Massachusetts. In 1969, he returned to Harvard to study immunology with the late Professor A. M. Pappenheimer. After receiving his Ph.D. there, he went on to teach introductory biology (in both majors and nonmajors courses) and immunology at Tufts University where he became a tenured professor. In 1982 he returned again to Harvard where he taught immunology and also participated in teaching the introductory course for majors.

The first edition of Kimball's general biology text was published in 1965. Since that time it has gone through five revisions, the most recent being the sixth edition, which appeared in 1994 (that's its cover on the right). He has also published books on cell biology and a widely-used text on immunology. His biology books have also been published in Spanish, German, Japanese, Arabic, Polish, Korean and Indonesian versions.


Schau das Video: Enzyme - Alles Wichtige für das Abi in 2x3 Minuten einfach erklärt - Biologie kurz und knapp (Kann 2022).


Bemerkungen:

  1. Qssim

    Du liegst absolut richtig. Darin ist etwas auch sehr gut, ich unterstütze.

  2. Chapman

    Die sehr lustige Meinung

  3. Dairion

    Ich will nur blasen ...

  4. Agrican

    Gute Antwort

  5. Cesare

    verrückt werden !!! Afftaru Zachot!



Eine Nachricht schreiben