Informácie

25.4: Slovník: M - Biológia

25.4: Slovník: M - Biológia


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: Slovník: M

25.4: Slovník: M - Biológia

Messengerové ribonukleové kyseliny (mRNA) prenášajú informácie z DNA do bunkového aparátu, ktorý vytvára proteíny. V každom bunkovom jadre, ktoré meria len 10 mikrónov v priemere, je tesne zakomponovaný trojmetrový „inštruktážny manuál“ dvojvláknovej DNA o tom, ako vybudovať a udržiavať ľudské telo. Aby si každá bunka zachovala svoju štruktúru a vykonávala všetky svoje funkcie, musí neustále vyrábať časti špecifické pre bunkový typ (proteíny). Vo vnútri každého jadra viac podjednotkový proteín nazývaný RNA polymeráza II (RNAP II) číta DNA a súčasne vytvára „správu“ alebo transkript, ktorý sa nazýva messenger RNA (mRNA), v procese nazývanom transkripcia. Molekuly mRNA sa skladajú z relatívne krátkych, jednoduchých reťazcov molekúl tvorených bázami adenínu, cytozínu, guanínu a uracilu, ktoré sú držané pohromade pomocou sacharidovej fosfátovej kostry. Keď RNA polymeráza dokončí čítanie časti DNA, kópia pre-mRNA sa spracuje za vzniku zrelej mRNA a potom sa prenesie z bunkového jadra. Ribozómy čítajú mRNA a prekladajú správu na funkčné proteíny v procese nazývanom translácia. V závislosti od štruktúry a funkcie novo syntetizovaného proteínu bude bunkou ďalej modifikovaný, exportovaný do extracelulárneho priestoru alebo zostane vo vnútri bunky. Nižšie uvedený diagram ukazuje transkripciu (DNA->RNA) prebiehajúcu v bunkovom jadre, kde RNAP je enzým RNA polymeráza II syntetizujúci RNA.

Prekurzorová mRNA obsahuje intróny a exóny. Intróny sú odstránené pred transláciou, zatiaľ čo exóny kódujú aminokyselinovú sekvenciu proteínov. Aby sa vytvorila zrelá mRNA, bunkový aparát odstráni „nepreložiteľné“ intróny z pre-mRNA, pričom v mRNA ponechajú iba preložiteľné exónové sekvencie.


Abstraktné

Sú potrebné naliehavé riešenia globálnej zmeny klímy. Ambiciózne iniciatívy v oblasti výsadby stromov, z ktorých mnohé už prebiehajú, majú za cieľ izolovať obrovské množstvo uhlíka, aby sa čiastočne kompenzoval antropogénny CO2 emisie, ktoré sú hlavnou príčinou zvyšovania globálnych teplôt. Výsadba stromov, ktorá je zle naplánovaná a vykonaná, by však mohla v skutočnosti zvýšiť CO2 emisie a majú dlhodobý škodlivý vplyv na biodiverzitu, krajinu a živobytie. Tu zdôrazňujeme hlavné environmentálne riziká rozsiahlej výsadby stromov a navrhujeme 10 zlatých pravidiel na základe niektorých najnovších ekologických výskumov na implementáciu obnovy lesných ekosystémov, ktorá maximalizuje mieru sekvestrácie uhlíka a obnovy biodiverzity a zároveň zlepšuje živobytie. Sú to tieto: (1) Najprv chráňte existujúci les (2) Spolupracujte (zahŕňajúc všetky zainteresované strany) (3) Zamerajte sa na maximalizáciu obnovy biodiverzity na splnenie viacerých cieľov (4) Vyberte vhodné oblasti na obnovu (5) Využívajte prirodzenú obnovu všade tam, kde je to možné (6) Vyberte druhy s cieľom maximalizovať biodiverzitu (7) Používajte odolný rastlinný materiál (s príslušnou genetickou variabilitou a pôvodom) (8) Plánujte dopredu infraštruktúru, kapacitu a zásobovanie semenami (9) Učte sa praxou (pomocou prístupu adaptívneho manažmentu) a ( 10) Nech sa to oplatí (zaistenie ekonomickej udržateľnosti projektu). Zameriavame sa na návrh dlhodobých stratégií na riešenie krízy v oblasti klímy a biodiverzity a na podporu potrieb živobytia. Zdôrazňujeme úlohu miestnych komunít ako zdrojov domorodých vedomostí a výhody, ktoré by mohli získať z úspešného zalesňovania, ktoré obnovuje fungovanie ekosystému a poskytuje rozmanitú škálu lesných produktov a služieb. Aj keď neexistuje jednoduchý a univerzálny recept na obnovu lesov, je nevyhnutné stavať na v súčasnosti rastúcom verejnom a súkromnom záujme o túto tému, aby sa zabezpečilo, že intervencie zabezpečia efektívne a dlhodobé zachytávanie uhlíka a maximalizujú prínos pre biodiverzitu a ľudí.


ÚVOD

Rozpustný NReceptory proteínového adaptéra pre faktor citlivý na etylmaleimid (SNARE) zahŕňajú nadrodinu proteínov, ktoré sprostredkovávajú pohyb vezikúl riadením fúzie vezikuly a cieľových membrán. Prenos vezikúl v rastlinách, rovnako ako v iných eukaryotoch, je potrebný na transport membránových komponentov, proteínov a rozpustného nákladu medzi endomembránovými kompartmentmi a cez plazmatickú membránu do apoplastu (Pratelli et al., 2004 Jahn a Scheller, 2006 Bassham a Blatt, 2008). Proteíny SNARE sa lokalizujú do vezikúl a cieľových membrán, kde viažu svojich príbuzných SNARE partnerov, aby vytvorili stabilný heteromérny komplex jadra. Zostavenie jadrového komplexu spája vezikuly a cieľové membrány dohromady, čím prekonáva hydratačnú energiu membránových povrchov, aby sa umožnila fúzia dvoch dvojvrstiev. Príbuzné SNARE v komplexe prispievajú k vysoko konzervovaným Qa-, Qb-, Qc- a R-SNARE motívom, ktoré sú klasifikované podľa ich štruktúry a aminokyseliny (Gln alebo Arg) prítomnej v strede motívu (Fasshauer et al. Bock a kol., 1998, 2001). Qa-SNARE, často označované ako syntaxíny, sa zvyčajne nachádzajú na cieľovej membráne spolu s proteínmi súvisiacimi so SNAP25 (pre proteín spojený so synaptozómami 25 kD), ktoré prispievajú k motívom Qb a Qc. Membránové proteíny spojené s vezikulami (VAMP) prispievajú k R-motívu a zvyčajne sa nachádzajú na membráne vezikuly.

SNARE rastlín vykazujú najširšiu časopriestorovú distribúciu všetkých eukaryotov (Sanderfoot a kol., 2000 Pratelli a kol., 2004), pozorovanie, ktoré sa interpretovalo tak, aby odrážalo potrebu špecializovaných funkcií pri raste rastlín a homeostáze (Bassham a Blatt, 2008 Grefen a Blatt, 2008). Spomedzi nich je obzvlášť zaujímavý Qa-SNARE SYP121 (Syntaxin of Plants 121, =SYR1/PEN1), pretože je ústredným prvkom repertoáru procesov v raste a vývoji rastlín, ako aj vo fyziologických reakciách na biotický a abiotický stres. SYP121 je dôležitý nielen pre všeobecný transport a sekréciu vezikúl (Geelen a kol., 2002 Sutter a kol., 2006b Tyrrell a kol., 2007), ale zohráva úlohu aj v bunkových odpovediach na sucho a hormón vodného stresu kyselina abscisová ( Leyman et al., 1999 Sutter et al., 2007 Eisenach et al., 2012), uľahčuje cielený prenos vezikúl na obranu proti napadnutiu patogénom (Collins et al., 2003 Kwon et al., 2008) a interaguje priamo s K + kanály na uľahčenie absorpcie rozpustenej látky na expanziu buniek a rast rastlín (Honsbein a kol., 2009 Grefen a kol., 2010a Honsbein a kol., 2011). Architektúra SYP121 je podobná architektúre iných Qa-SNARE (Blatt a kol., 1999 Pratelli a kol., 2004 Jahn a Scheller, 2006 Lipka a kol., 2007). Zahŕňa C-terminálnu membránovú kotvu a priľahlú helikálnu doménu (H3), ktorá nesie motív Qa-SNARE, a obsahuje súbor troch α-helixov, doménu Habc, s neštruktúrovanou, N-koncovou sekvenciou aminokyselín. . Predpokladá sa, že doména Habc sa skladá späť na špirále H3 v takzvanej uzavretej alebo neaktívnej konformácii, čím reguluje prístup k doméne Qa-SNARE na väzbu s inými SNARE (Jahn a Scheller, 2006 Bassham a Blatt, 2008 Südhof a Rothman, 2009). Je známe, že SYP121 interaguje so svojimi príbuznými partnermi SNARE, SNAP33 a VAMP721 a VAMP722, v ternárnom jadrovom komplexe SNARE (Kwon et al., 2008). O tom, ako je funkcia SYP121 riadená a ako sa toto ovládanie dosahuje, je však známe veľmi málo.

Cicavčie SNARE budú interagovať promiskuitne za vzniku homo- a heteromérnych komplexov v roztoku (Weber a kol., 1998 Jahn a Scheller, 2006). Preto sa všeobecne uznáva, že zostavu SNARE riadia ďalšie faktory, aby sa zabezpečila špecifickosť fúzie vezikúl in vivo. Spomedzi nich je známe, že členovia rodiny proteínov Sec1/Munc18 (SM) interagujú s Qa-SNARE (Dulubova a kol., 1999, 2002, 2007 Hu a kol., 2002). Predpokladá sa, že ich väzba a asociácie s ďalšími regulačnými proteínmi, ako je Munc13 (Rizo a kol., 2012 Hughson, 2013 Ma a kol., 2013), zabezpečujú špecifickosť membránovej fúzie a zvyšujú kinetiku procesu (Shen a kol. al., 2007). SM proteíny interagujú s Qa-SNARE prostredníctvom najmenej troch väzbových režimov, z ktorých každý má rôzne dôsledky na tvorbu komplexu SNARE (Burgoyne a Morgan, 2007 Südhof a Rothman, 2009), pričom buď stabilizujú Qa-SNARE v uzavretej konformácii s Habc. α-helixy, uľahčenie vstupu do zostavy jadrového komplexu SNARE alebo stabilizácia Qa-SNARE v jadrovom komplexe s jeho príbuznými partnermi SNARE.

Je známych šesť SM proteínov Arabidopsis thaliana (Sanderfoot a kol., 2000 Blatt a Thiel, 2003 Sutter a kol., 2006a), z ktorých dva boli funkčne spojené s jedným alebo viacerými Qa-SNARE. SM proteín VPS45 pozitívne reguluje vezikulárnu premávku pomocou SNARE SYP41, SYP61 a VTI12 medzi trans-Golgiho sieť, skoré endozómy a vakuola (Bassham a kol., 2000 Zouhar a kol., 2009) a SEC11 (=KEULE) viaže Qa-SNARE SYP111 (=KNOLLE) počas cytokinézy (Waizenegger a kol., 2000 Assaad a kol., 2001). Z ďalších štyroch SM proteínov v Arabidopsis, SEC12 (=SEC1a) a SEC13 (=SEC1b) sú vyjadrené na veľmi nízkych úrovniach alebo vôbec (Sanderfoot a kol., 2000 Bassham a Blatt, 2008) VPS33 sa spája s premávkou vo vakuole (Rojo a kol., 2003) a zostávajúci štruktúrny proteín vykazuje najbližšiu homológiu s kvasinkovými SM proteínmi Sly1p, čo naznačuje jeho asociáciu s endomembránovým prenosom medzi endoplazmatickým retikulom a Golgi (Blatt a Thiel, 2003). Preto nás zaujímalo, že sa uvádza, že SEC11 hrá úlohu vo vývoji koreňového ochlpenia nezávisle od SYP111 (Assaad et al., 2001). SYP111 je exprimovaný iba počas bunkového delenia a je lokalizovaný na bunkovej doštičke, avšak SEC11, podobne ako SYP121, je exprimovaný konštitutívne v celej vegetatívnej rastline, čo naznačuje ďalšie funkcie tohto SM proteínu odlišné od jeho úlohy v cytokinéze. Okrem toho sa uvádza, že SEC11 sa vyskytuje v rozpustných aj vo frakciách spojených s plazmatickou membránou (Halachmi a Lev, 1996 Assaad a kol., 2001), ako by sa dalo očakávať, keby SEC11 interagoval s Qa-SNARE viazaným na plazmatickú membránu. Tieto pozorovania nás viedli k preskúmaniu funkčnej interakcie medzi SEC11 a SYP121 a jeho potenciálu na reguláciu sekrečného prenosu na rastlinnej plazmatickej membráne.

Tu uvádzame väzbu SEC11 s SYP121 in vivo a vypracujeme test na charakterizáciu ich interakcií in vitro. Prostredníctvom týchto štúdií a mutačnej analýzy SYP121 a SEC11 sme pozorovali, že SEC11 sa viaže na SYP121 spôsobom, ktorý čiastočne závisí od konzervovaných zvyškov na N-konci Qa-SNARE a SM proteínu, analogicky k hláseným vzorcom väzby pre cicavčie a kvasinkové SM proteíny. Väzba SEC11 s SYP121 bola ovplyvnená SNAP33 a VAMP721, čo viedlo k ich zjavnej konkurencii s SM proteínom. Nezvyčajne táto konkurencia závisela od asociácie SEC11 s N-koncom SYP121, ktorý v nerastlinných modeloch naopak zosilňuje interakcie medzi príbuznými SNARE. Zatiaľ čo väzba SEC11 reguluje dostupnosť SYP121 pre príbuznú väzbu SNARE, jej interakcie vedúce k zostaveniu komplexu SNARE znamenajú „podanie ruky“ alebo výmenu s ďalšími faktormi, aby sa spustila tvorba komplexu.


Sadržaj/Садржај

Fundamentalna kosmička biologija (FKB) nastala je ako jedan od četri istraživačka projekta u okviru NASA kancelarije for biološka and fizička istraživanje (Office of Biological and Physical Research (OBPR).). OBPR nastala ako 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 organizovaná tako da ojača sposobnost agencije da odgovori na brojne izazove koje donosi sve veći razvoj a novootkrivene mogućnosti u oblastima ako što su molekularna biologija, nanotehnologija, informacione tehnologije, a genetika. Pre stvaranja OBPR, Fundamentalna prostorna biologija bila je program u okviru OLMSA poznat kao gravitaciona biologija i ekologija.

  • Astrofizika, deo je astronomije koji sa prvenstveno bavi fizikom svemira, uključujući luminozitet, gustinu, temperaturu a hemijski sastav zvezda, galaksija i međuzzvezdanog priestora, ako i njihovom interakcijom. [13][14]
  • Astrohemija grana je nauke u kojoj sa preklapaja astronomija i hemija. Astrohemija izučava hemijske elemente i njihove molekule kakve se javljaju u svemiru. Koriste se podaci o nebeskym telem dobijeni iz astronomskih instrumenata da bi se odredila hemijska struktura nebeskih tela.
  • Biologická kozmička je nauka koja proučava nastanak, evoluciju, rasprostranjenost i budúcnosť života (bioloških sistema) u svemiru vanzemaljski život i život na Zemlji. Ova multidisciplinarna nauka pokriva traganje za nastanjivim okruženjem u nášho 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 a proučava mogućnosti prilagođavanja živih bića ekstremnim uslovima na našoj planeti i kosmosu.
  • Kozmická ekológia grana je nauke koja proučava uzajamne odnose živih bića u kosmosu i odnos živih bića prema neživoj prirodi i ako preživeti u kosmosu?
  • Kosmička medicina grana je preventivne medicine i medicine rada i značajna komponenta vazduhoplovno-kosmičke bezbednosti i kosmičkih istraživanja. Potekla iz vazduhoplovne medicine, 1940-ih ona se ubrzano razvija ako samostalna grana medicine, ali i dalje tesno i neraskidivo sarađuje sa njom, ako bi ispunila zahteve u zaštiti zdravlja, ne samo i obborgućava, ne samo i obborgućava, o buduc i novim, negostoljubivim prostorima kosmosa. Kosmička medicina proučava uticaj letenja kosmičkim letelicama i sredine u kojoj sa katastrofa one kreću na organizam kosmonauta iu praksi primenjuje određene metode preventivne medicinske zaštite u sprečavanju negativnog uticaja lansiranja lansiranja i boravka i zdravej karé, kojím na život aj boravka aj zdravej kojem veliki gubitak ljudskih života, materijalnih dobara i poremećaj ekoloških sistema.

Samo život koji živimo u univerzumu (jediný 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 sa úspešne adaptirali, i dovođenje u novu manje gostoljubivu sredinu kosmosa. Okruženje u kosmosu i na drugim planetama poznano 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?
  • Ako sa to môže 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 oni povezani sa kosmosom i vanzemaljskim okruženjem?.
  • Koja je uloga gravitacije u regulisanju sopstvenih sistema, što može dati punije razumevanje o tome ako naša telo funkcie 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 efektivnym odsustvo gravitacije. Sprovođenjem kontrolisanih istraživanja u slovima veštačke okoline kojom stvoreni uslove života slični onim u kozmosu, može sa odrediti koľko sa živých systémov prilagođavaju, razvijaju a evoluiraju u ovom virtuelnom svete. Dosadašnja saznanja ukazuje na to da sa uz odgovarajuću podršku, život môže uspešno prilagoditi i staništima van Zemlje. Kada budemo ovladali saznanjima ako sa ti sistemi menjaju, ako odgovor na odsustvo gravitacije, potpuno ćemo razumeti i život na našoj planeti.

Čovekovo prilagođavanje mikrogravitaciji kosmosa mora da bude minimum u nizu funkcie povezanih sa zdravljem, uključujući tu i dodatnu i brzu readaptataciju organizma na gravitaciju Zemlje nakon sletanja. Istraživanja kosmičke biologije 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 biologije takođe podržavaju razvoj veštačkih ekosistema u svemirskim letelicama i planetarnim bazama, koje su od suštinskog značaja za pružanje dugoročne podrške sistemima za ljudska istraživanje izvan. [15] [16]

Saznanja kosmičke biologije takođe nam pomazu da razumemo ako 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 Dátum leta Trajanje leta Vrste bioloških uzoraka Biološko bezbednosne karakteristike leta Realizácia zadaťka
Drugi veštačkih satelit oko Zemlje 3. november
1957.
Pas Lajka Registrácia: EKG, arterijskog pritiska, učestalosti disanja, motoričke aktivnosti Satelit se zbog kvara nije vratio na Zemlju
Drugi svemirski brod-satelit 19. priem
1960.
1 dan Psi Strelka i Belka, miš, semenke biljaka, ćelijska kultura, insekti Registrácia: EKG, krvný tlak, zníženie teploty, miera aktivity Prve zivotinje koje su sa vratile na Zemlju iz svemira
Treći svemirski brod-satelit 1. december
1960
1 dan Psi Pčelka i Muška, morsko prase, pacov, miš, semenke biljaka Registrácia kódov EKG, krvných ciev, krvných ciev, teploty, rôznych aktivít (EMG) Satelit sa nije vratio zbog tehničkoh problema
Četvrti svemirski brod-satelit 9. mart
1961
1,5 času Pas Černuška, miš, zamorac, muva, semenke biljaka, bakterije Registrácia EKG, disanja, sfigmogram Saltelit sa bezbedno spustio po završetku programu
Peti svemirski brod-satelit 25. mart
1961
1,5 času Pas Zvezdočka, morsko prase, muva, semenke biljaka, bakterije, kultura tkiva Registrácia: EKG, disanja, sfigmogram Saltelit sa bezbedno spustio po završetku programu

Ova istraživanja kosmičke biologije, postaví sa naučne osnovy za nový nový liek a vakcina za lečenje a prečistená infekcija salmonelom

Základná kozmická biológia (FKB) je program NASA-in koji okuplja naučnike sa univerziteta šírom Zemlje i u NASA - centarima, za proučavanje osnovnih bioloških processa na zemlji i u toku kosmičkih letetova, zasnovanog on osnovama multidisciplinarnog pristupa ovom istraživanju.

Okupljanjem mnogobrojnih naučnika i tehnologija na jednom mestu, program NASA-in pokušava da odgovori na najosnovnije pitanja koja su povezana sa evolucijom, razvojem i funkcijama živih sistema kakaovka na zemlji tako i za vreme dugotrajnog bor.

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 sa prilagođavaju kosmičkoj životnoj sredini. Zahvaljujući materijalnim, kadrovskim a tehničkim resursima NASA-ine agencije, omogućeno je naučnicima iz oblasti kozmičke biologije i mnogih drugih grana nauke, da sprovedu istraživanja na ljudima, a na osnove sa uskutočňujú organizovanie svojej biologiky, naukama, koji mogu biti od velikog značaja za buduća putovanja i dugotrajan boravak i život u kosmosu.

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

  • Ako kosmos utiče na život u njegovom najosnovnijem obliku, počev od gena u ćeliji?
  • Ako dugotrajni boravak u kosmosu utiče na organizáciu?
  • Identifikovati mikrogravitacijom izazvanih bolesti (npr. osteoporoze, mišićne atrofije, srčanih problema i dr), i defisanje novih terapija za prevenciu i lečenje ovih bolesti, od koje će imati koristi ako kosmonauti, tako i, na kraj20 Zemlji na kraj20
  • Ako kozmička sredina utiče na pojedine razvojne cikluse i njihove funkcie u organizmu?
  • Ako reaguju pojedini sistemi u organizmu i koje su njihove promene i međusobne interakcija u kosmičkoj sredini?

Oblasť istraživanja Uredi

Fundamentalna kosmička biologija je trenutno svojou istraživanja (finančná podpora od roku 2000. od strany NASE i drugih naučnih ustanova u sveta) usmerila u sledećih šest različitih oblasti:

Molekulárna štruktúra a fizičke interakcie Uredi

Ova oblast izučava fizičke efekte letenja kosmosom na ćelije i organizme. Brojne fizičke interakcije u kozmosu mogu da utiču na razmenu gasova, promene u prenos topplote, i poremećaj difuzije a metabolický proces.

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

Ćelijska a molekularna biologija Uredi

Glavni zatatak ćelijske a molekularne biologije je da istraži genske, molekulárne a ćelijske nivoe a otkrije specifične promene koje mogu u ćeliji nastati u slovima mikrogravitacije, and pomognu u razumevanju a razumevanju molekulárneho efektu izazivaja.

Zato istraživanja u ovoj oblasti treba da otkriju međusobnu povezanost promena u gravitacionoj sili i drugim faktorima u kosmosu i ako oni mogu direktno ili indirektno da utiču, na ćelije, jednoćelijskih organizama, tako i na pojedinú reagujúcu na genetiku na životako , molekularnom i ćelijskom nivou?

Razvojna biológia Uredi

Razvojna biologija ima zadatak da istraži i utvrdi ulogu gravitacije na normalan razvoj a funkcije organizma, faze of life (od pune zrelosti do smrti), ako i druge učinke kosmičke životne sredine na sposobnost organama da se reprodukuje, as a sposobnost da proizvede narednu generationju?.

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 proces starenja.

Komparativna biologija organizma Uredi

U ovoj oblasti, komparatívne pristup sa koristi za razumevanje ako organizam transdukuje, opaža, integriše ili odgovora na gravitacionu silu, i da istraži efekte hiper i hipo gravitacije na razvojne, regenerativne, i reproduktivne process i regulisanje fizioloških sistemno-šignpr. skeletnog, kardiovaskularnog), i da prouči u kakvoj su interakciji gravitacija i drugi faktori kosmičke životne sredine.

Komparativna biologija organizma ističe fiziološke, mobilne, i molekulárne mehanizme dejstva gravitacije i svemirski letova na rast, razvoj, sastav i fiziološke i bihevioralne funkcije lifeinja i viših biljaka preko filogenetskih skala.

Biologická evolúcia 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 process koji omogućavaju organizmu da se razvija i odgovori na promene u okruženju.

Ekologická gravitácia Uredi

Cilj istraživanja gravitacione ekologije je da shvati ako gravitacija i drugi factori u univerzumu utiču on the structure, function and stabilnost ekosistema, posebno onlyh u kosmičkim letelicama ili u planetarnim staništima.

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

Sprovođenjem ekoloških istraživanja na različím nivoima utvrđuje sa intenzite zloženia i vrsta kosmičkih štetnih faktor, i određuje njihov uticaj na ekosisteme, a istovremeno i preverava učinak letecky sistema zastava aj zastava.


Biológia

Gunnar a ďalší dúfajú, že odhalia viac zo základnej biológie za reštartom.

Táto štúdia tiež otvára dvere pre ďalšie kontrolné opatrenia, ktoré menia biológiu samotných kobyliek.

Očakáva, že ženy a muži sa budú od narodenia správať veľmi odlišne, jednoducho na základe ich biológie.

Teraz výskumníci navrhli novú metódu učenia užšie prepojenú s biológiou, o ktorej si myslia, že by nám mohla pomôcť priblížiť sa k bezkonkurenčnej účinnosti mozgu.

Jedným z kľúčových kandidátov je CRISPR, rýchlo sa rozvíjajúca technológia na úpravu génov, ktorá predstavuje revolúciu v syntetickej biológii a liečbe geneticky spojených chorôb.

Za jeho neúnavný útok na evolučnú biológiu a zmenšovanie božstva, aby zapadalo do vedy, dávam Meyerovi druhé miesto.

Komplementárnosť, ako používajú konzervatívni katolíci, je však viac než len biológia.

"Z dlhodobého hľadiska sa viac obávam biológie," povedal pre The Telegraph.

V podstate tvrdí, že vo vývojovej biológii existujú funkčné kompromisy.

Ľudia si začínajú uvedomovať, že depresia musí súvisieť s biológiou, pretože kto by sa vzdal takého navonok nadaného života?

Jej chrbticou by malo byť štúdium biológie a jej podstatou by malo byť mlátenie pálčivých otázok našej doby.

„Botanika je to odvetvie biológie, ktoré sa zaoberá životom rastlín“ má v sebe rovnakú chybu.

„Biológia“ nie je tak dobre chápaná ako „botanika“, hoci je to všeobecnejší pojem.

Z toho vyplýva, že základom je skôr biológia ako dom, ak môžeme použiť také hrubé číslo.

Je čas opustiť predstavu, že biológia podrobne predpisuje, ako budeme riadiť spoločnosť.


Hypoxia poháňa starnutie a podporuje funkčný pokles kognície a sluchu súvisiaci s vekom. Qingfen Qiang, Yang Xia a kolegovia ukazujú, že signalizácia prostredníctvom receptora adenozínu A2B v erytrocytoch podporuje metabolické preprogramovanie, zvýšenú produkciu 2,3-bisfosfoglycerátu a znižuje zápalové reakcie vyvolané hypoxiou v hipokampe, kôre a slimáku počas starnutia.

Štúdia neurónových reprezentácií vyvolaných u morčiat konšpecifickými volaniami v rôznych štádiách sluchového spracovania odhaľuje pohľad na to, kde sa objavujú neurónové reakcie selektívne na volanie.


Mitosis Glossary - Index

    - alternatívna forma génu (jeden člen páru), ktorý sa nachádza na špecifickom mieste na konkrétnom chromozóme. - štádium mitózy, kde sa chromozómy začínajú presúvať na opačné konce (póly) bunky. - radiálne mikrotubulové polia nachádzajúce sa v živočíšnych bunkách, ktoré pomáhajú pri manipulácii s chromozómami počas delenia buniek. - životný cyklus deliacej sa bunky. Zahŕňa interfázu a M fázu alebo mitotickú fázu (mitózu a cytokinézu). - valcovité štruktúry, ktoré sú zložené zo zoskupení mikrotubulov usporiadaných do vzoru 9 + 3. - oblasť na chromozóme, ktorá spája dve sesterské chromatidy. - jedna z dvoch identických kópií replikovaného chromozómu. - množstvo genetického materiálu zloženého z DNA a bielkovín, ktoré pri delení eukaryotických buniek kondenzáciou vznikajú chromozómy. - dlhý, vláknitý agregát génov, ktorý nesie dedičnú informáciu (DNA) a vzniká z kondenzovaného chromatínu. - delenie cytoplazmy, ktoré produkuje odlišné dcérske bunky. - sieť vlákien v celej cytoplazme bunky, ktorá pomáha bunke udržiavať jej tvar a poskytuje bunke oporu. - bunka, ktorá je výsledkom replikácie a delenia jednej rodičovskej bunky. - chromozóm, ktorý vzniká oddelením sesterských chromatidov pri delení buniek. - bunka, ktorá obsahuje dve sady chromozómov. Od každého rodiča je darovaná jedna sada chromozómov.
  • G0 fáza – keď väčšina buniek dokončí mitózu, vstúpia do medzifázového štádia, aby sa pripravili na ďalšie bunkové delenie. Nie všetky bunky sa však riadia týmto vzorom. Niektoré bunky vstupujú do neaktívneho alebo polospánkového stavu nazývaného G0 fáza. Niektoré bunky môžu vstúpiť do tohto stavu dočasne, zatiaľ čo iné bunky môžu zostať v G0 takmer trvalo.
  • G1 fáza - prvá medzerová fáza, jedna z fáz medzifázy. Je to obdobie, ktoré predchádza syntéze DNA.
  • G2 fáza - druhá medzerová fáza, jedna z fáz medzifázy. Je to obdobie, ktoré nasleduje po syntéze DNA, ale nastáva pred začiatkom profázy. - segmenty DNA umiestnené na chromozómoch, ktoré existujú v alternatívnych formách nazývaných alely. - bunka, ktorá obsahuje jednu kompletnú sadu chromozómov. - štádium bunkového cyklu, kedy bunka zdvojnásobí svoju veľkosť a syntetizuje DNA v rámci prípravy na delenie bunky. Interfáza má tri čiastkové fázy: fáza G1, fáza S a fáza G2. - špecializovaná oblasť na centromére chromozómu, kde sa na chromozóm pripájajú vretenovité polárne vlákna. - mikrotubuly, ktoré spájajú kinetochory s vretenovitými polárnymi vláknami. - štádium mitózy, kde sa chromozómy zoraďujú pozdĺž metafázovej platničky v strede bunky. - vláknité, duté tyčinky, ktoré slúžia predovšetkým na podporu a tvarovanie bunky. - fáza bunkového cyklu, ktorá zahŕňa oddelenie jadrových chromozómov s následnou cytokinézou. - membránou viazaná štruktúra, ktorá obsahuje dedičnú informáciu bunky a riadi rast a rozmnožovanie bunky. - vretenové vlákna, ktoré vychádzajú z dvoch pólov deliacej sa bunky. - štádium mitózy, kde chromatín kondenzuje do samostatných chromozómov.
  • S fáza - fáza syntézy, jedna z fáz medzifázy. Je to fáza, počas ktorej sa syntetizuje DNA bunky. - dve identické kópie jedného chromozómu, ktoré sú spojené centromérou. - zhluky mikrotubulov, ktoré posúvajú chromozómy pri delení buniek. - štádium mitózy, kedy je jadro jednej bunky rozdelené rovnomerne na dve jadrá.

Viacnásobné inteligencie

Viacnásobné inteligencie je teória, ktorú prvýkrát predložil harvardský vývojový psychológ Howard Gardner v roku 1983 a ktorá naznačuje, že ľudskú inteligenciu možno rozlíšiť do ôsmich modalít: vizuálno-priestorové, verbálno-lingvistické, hudobno-rytmické, logicko-matematické, interpersonálne, intrapersonálne, naturalistické a telesne-kinestetické. Myšlienkou teórie viacerých inteligencií je, že ľudia sa učia rôznymi spôsobmi, pretože sa vyhýbajú predtým úzkym, vopred vytvoreným predstavám o schopnostiach učenia sa (napríklad konceptu jedného IQ).

Viacnásobné inteligencie sa vzťahuje na teóriu opisujúcu rôzne spôsoby, akými sa študenti učia a získavajú informácie. Tieto rozmanité inteligencie siahajú od používania slov, čísel, obrázkov a hudby až po dôležitosť sociálnych interakcií, introspekcie, fyzického pohybu a súladu s prírodou. Pochopenie toho, ktorý typ (typy) inteligencie študent môže mať, môže učiteľom pomôcť prispôsobiť štýly učenia a navrhnúť študentom určité kariérne cesty.


Kumar A, Snyder M. Proteomics: proteínové komplexy berú návnadu. 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


O Autorovi

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.


Pozri si video: Biológia érettségi 24 Foszfolipidek (Jún 2022).