Discusiones

En el artículo de la revista Mol Syst Biol. de nombre “Omic data from evolved E. coli are
consistent with computed optimal growth from genome-scale models” se determina que
cuando las procariotas se cultivan en una fase logarítmica baja a media durante cientos de
generaciones a través de pasajes en serie periódicos, adquieren una mayor tasa de
crecimiento. Por ejemplo, la re-secuenciación del genoma completo de cepas adaptadas
mostró que solo una pequeña cantidad de mutaciones surgen después de cientos de
generaciones. Aunque cada cepa evolucionada adquirió un conjunto diferente de
mutaciones, cada conjunto de mutaciones produjo un fenotipo de crecimiento similar. Sin
embargo, el mecanismo que vincula las mutaciones con la tasa de crecimiento mejorada en
la mayoría de las cepas evolucionadas aún no se ha identificado claramente, excepto en los
casos en los que las cepas tenían una mutación en la ARN polimerasa o glpK, que alteró la
actividad de transcripción y la absorción de glicerol. Aunque se han identificado y
caracterizado los cambios genéticos, la coordinación resultante de los procesos celulares
que conducen a los fenotipos alterados solo se ha estudiado brevemente desde una
perspectiva de red[ CITATION Nat10 \l 3082 ].

Para el artículo “An expanded genome-scale model of Escherichia coli K-12 (iJR904
GSM/GPR)” se ha reconstruido un modelo metabólico expandido a escala del genoma de
E. coli (iJR904 GSM / GPR) que incluye 904 genes y 931 reacciones bioquímicas únicas.
Las reacciones en el modelo expandido están equilibradas tanto de forma elemental como
de carga. El análisis de brechas de red condujo a asignaciones putativas para 55 marcos de
lectura abiertos (ORF). Las asociaciones de gen a proteína a reacción (GPR) ahora se
incluyen directamente en el modelo. Las comparaciones entre las predicciones realizadas
por los modelos iJR904 e iJE660a muestran que, en general, son similares, pero difieren en
determinadas circunstancias. El análisis del equilibrio de protones a escala del genoma
muestra cómo el flujo de protones dentro y fuera del medio es importante para maximizar
el crecimiento celular[ CITATION Jen03 \l 3082 ].

En el artículo “Genome-Scale i silico models of E. coli have multiple equivalent phenotypic

stats: Assessment of correlated reaction subsets that comprise network states” la
optimización lineal se ha utilizado para estudiar modelos metabólicos a escala del
genoma, lo que da como resultado la enumeración de soluciones óptimas individuales que
describen el mejor uso de la red para respaldar el crecimiento. Aquí se utilizó la
programación lineal de enteros mixtos para calcular y estudiar un subconjunto de las
soluciones óptimas alternativas para un modelo metabólico a escala genómica de
Escherichia coli en una amplia variedad de condiciones ambientales. Además, el cálculo de
distribuciones de flujo subóptimas, utilizando análisis de variabilidad de flujo, identificó
reacciones que se utilizan en condiciones ambientales significativamente más subóptimas
que óptimas[CITATION Pal04 \l 3082 ].
En los procariotas, los genes que pertenecen al mismo operón se transcriben en una única
molécula de ARNm. En este artículo, los autores muestran que la mayoría de los
terminadores de Bacillus subtilis funcionan independientemente de la proteína terminadora
Rho. Como estos terminadores independientes de Rho consisten en una repetición invertida
seguida de un tramo de residuos de timina, su presencia puede predecirse directamente a
partir de la secuencia de ADN. Se muestra que las propiedades de los terminadores de la
transcripción se conservan dentro del filo Firmicutes[ CITATION Hoo05 \l 3082 ].

En el estudio del informe por nombre “Prediction of transciptiopnal terminators in Bacillus

subtilis and related species” Se obtuvimo un compendio de perfiles proteómicos
cuantitativos de las cepas evolucionadas y usaron un conjunto similar de microarrays
previamente publicados. El análisis de los conjuntos de datos, utilizando métodos
estadísticos convencionales y cálculos GEM, arrojó tres resultados clave. En segundo lugar,
los genes metabólicos esenciales y no esenciales asociados con los estados de crecimiento
óptimos previstos se inducen durante el proceso adaptativo [ CITATION Hoo05 \l 3082 ] . Esto
se acompaña de una supresión de proteínas y transcripciones fuera de las soluciones de
crecimiento óptimas. Los mecanismos reguladores transcripcionales conocidos contribuyen
a la regulación a la baja de genes y proteínas y, fisiológicamente, hay una supresión de la
respuesta estricta[ CITATION Lew09 \l 3082 ].

Bibliografía
Hoon, M. J., Makita, Y., Nakai, K., & Miyano, S. (12 de Agosto de 2005). Prediction of
transciptiopnal terminators in Bacillus subtilis and related species. PLOS
computational bilogy. Recuperado el 13 de Julio de 2021, de
https://doi.org/10.1371/journal.pcbi.0010025
Jennifer L Reed, T. D. (28 de Agosto de 2003). An expanded genome-scale model of
Escherichia coli K-12 (iJR904 GSM/GPR). Genome Biology(4). Recuperado el 13
de Julio de 2021, de https://genomebiology.biomedcentral.com/articles/10.1186/gb-
2003-4-9-r54
Lewis NE, C. B. (2009). Gene expression profiling and the use of genome-scale in silico
models of Escherichia coli for analysis: providing context for content. J Bacteriol,
3437-3444.
Nathan E Lewis, K. K. (2010). Omic data from evolved E. coli are consistent with
computed optimal growth from genome-scale models. Mol Syst Biol.
doi:https://doi.org/10.1038/msb.2010.47
Palsson, J. L. (2004). Genome-Scale i silico models of E. coli have multiple equivalent
phenotypic stats: Assessment of correlated reaction subsets that comprise network
states. Genome Res. doi:10.1101/gr.2546004