SynbioBrasil no Science Blogs!

Após passar por um processo de seleção junto à outros ótimos blogs de ciência brasileiros o SynbioBrasil foi convidado a participar da rede ScienceBlogs Brasil (SBBr), uma das mais importantes e influentes comunidades de blogs sobre ciência do Brasil!

Figuram na SBBr grandes blogueiros da ci√™ncia e apoiadores da nossa iniciativa, como √Ātila Iamarino, do blog Rainha Vermelha, e Carlos Hotta, do Brontossauros em Meu Jardim, isso sem falar nos v√°rios outros √≥timos blogs (como o Massa Cr√≠tica; Chap√©u, Chicote e Carbono-14; e Ci√™ncia e Ideias).

Todos nós do time de colaboradores, tanto dos que escrevem no blog, como os que participam da iniciativa para o iGEM 2012, recebemos com grande honra essa oportunidade e esperamos poder continuar nosso trabalho de divulgação científica sobre Biologia Sintética, iGEM e DIY Biology, seguindo nossa filosofia para uma ciência mais aberta, acessível e democrática, que estimule a interdisciplinariedade e integração de universidades, institutos e iniciativas privadas na inovação da pesquisa brasileira através da biologia sintética.

Particularmente, √© muito bonito poder fazer parte dessa nova gera√ß√£o de blogs cient√≠ficos, ainda mais podendo participar da comunidade de blogs que leio desde a adolesc√™ncia e que com certeza influenciou muitas decis√Ķes da minha vida, servindo principalmente para alimentar e incentivar minha curiosidade: um dos bens mais preciosos que algu√©m pode ter! Obrigado! ūüôā

ScienceBlogs! Lá vamos nós!

L√Ęmpada verde da Philips produz luz com bact√©rias

A Philips lan√ßou uma l√Ęmpada que utiliza bact√©ria bioluminescentes. Mais interessante √© que esses microrganismos¬†se alimentam de metano produzido¬†pela compostagem de restos de alimentos¬†realizado em pequena escala na pr√≥pria casa. Para a Philips esse √© o primeiro passo para a utiliza√ß√£o de microrganismos em sistemas de ilumina√ß√£o.

Veja a matéria na íntegra.

Liga√ß√Ķes Improv√°veis: RNA antisense, Sudoku e Redes Neurais

A ci√™ncia √© cheia de liga√ß√Ķes improv√°veis.

Veja por exemplo o estudo das part√≠culas subat√īmicas e seus spins: quem diria que conhecer isso poderia permitir uma revolu√ß√£o na neuroci√™ncia? Entendendo como o n√ļcleo at√īmico dos √°tomos se comporta em um campo magn√©tico foi poss√≠vel construir o aparelho que permite literalmente olhar dentro de nosso c√©rebro, passando bem longe de um desconfort√°vel bisturi: o aparelho de Resson√Ęncia Magn√©tica Nuclear Funcional (geralmente os hospitais e cl√≠nicas tiram o “Nuclear” do nome porque isso assusta os pacientes; √© s√©rio!).

Chamamos essas liga√ß√Ķes de “improv√°veis” principalmente por causa da sua contra-intuitividade, afinal quem pensaria em analisar o comportamento de c√©rebros ao se estudar algumas das menores coisas do universo!? Fazer essas pontes √© o que se precisa para criar inova√ß√£o, e √© exatamente na busca desse tipo de coisa que nas √ļltimas reuni√Ķes do Clube de Biologia Sint√©tica come√ßamos a fazer algumas liga√ß√Ķes (n√£o necessariamente na ordem do t√≠tulo) que “do lado de fora” t√™m uma apar√™ncia improv√°vel, mas que no fundo talvez s√≥ sejam contra-intuitivas.

Tudo começou, ou melhor, tudo deveria ter começado (para amenizar a aparente desconexão) falando-se da mais novinha regulação de expressão gênica no mundo das descobertas científicas:

O RNA de Interferência

Representação do funcionamento dos RNAs antisense: quando se ligam à uma fita de RNA mensageiro com alto grau de complementariedade entre as fitas (diz-se "complementariedade" entre duas fitas de DNA (ou RNA) quando o código genético de ambas têm sequências de nucleotídeos que ligam-se entre si através dos pares A-T (U em RNAs) e C-G formados entre as fitas), há o bloqueiro da atuação da RNA polimerase, impedindo a tradução do RNA em proteína. Se não houver muita correspondência entre as fitas de RNA a traduação continua normalmente.

√Č mais uma daquelas descobertas “nob√©licas”, estudada pelos pesquisadores americanos Andrew Fire e Craig Mello em 1998, ganhando o pr√™mio em 2006. A grande ideia dos RNAs de interfer√™ncia (iRNA) √© o pareamento¬† de pequenos segmentos de RNA – que n√£o s√£o codificados em prote√≠nas – com RNAs mensageiros, impedindo que sejam traduzidos por “bloquear” o ribossomo . Esse sistema de inibi√ß√£o g√™nica envolve v√°rias enzimas (se quiser saber mais veja esse √≥timo v√≠deo)¬†e √© um pouco mais complexo do que o sistema de regula√ß√£o g√™nica daquilo que chamamos de RNA antisense, mas na ess√™ncia funcionam do mesmo jeito: bloqueio da tradu√ß√£o atrav√©s de um RNA antisense complementar.¬†A grande diferen√ßa entre os RNAs antisense e os de interfer√™ncia, que s√£o comumente confundindos com sin√īnimos, √© que os iRNA atuam atrav√©s de toda uma via de rea√ß√Ķes enzim√°ticas em eucariotos, enquanto os RNA antisense s√£o mais caracter√≠sticos de seres procari√≥ticos e n√£o precisam de uma via enzim√°tica para regularem a express√£o g√™nica.

Diferentemente dos outros tipos de regula√ß√£o mediados por inibidores, que s√£o basicamente prote√≠nas que se ligam ao DNA inibindo a transcri√ß√£o g√™nica, com os RNAs antisense t√™m-se uma gama muito maior de inibidores da express√£o g√™nica. Imagine que voc√™ quer controlar uns 2 ou 3 genes em uma bact√©ria: existem muitos metab√≥litos que podem fazer esse trabalho (por exemplo IPTG, galactose, TetR e etc.), mas e se voc√™ quiser ter um controle de mais genes, digamos, uns 20!? D√°-lhe repressores! Por outro lado, se for poss√≠vel usar RNAs de interfer√™ncia suficientemente eficientes, poderia se fazer um vetor de transforma√ß√£o¬†bem mais enxuto (em rela√ß√£o aos s√≠tios repressores) al√©m de poder construir um mecanismo de repress√£o mais orientado ao “alvo” de repress√£o: basta construir um RNA mensageiro complementar. √Č exatamente essa versatilidade que torna poss√≠vel contruir uma…

 Bactéria Resolvedora de Sudoku

Legal: Sudoku, Bact√©rias e RNA antisense… O que essas coisas t√™m a ver!?

Essa grande ideia veio do time japon√™s UT-Tokyo do iGEM de 2010, e al√©m de usar RNAs antisense, tamb√©m usou do dispositivo g√™nico baseado em recombinases¬†semelhante ao que o time da Unicamp usou em 2009¬†para a mesma finalidade, que √© diferenciar diferentes popula√ß√Ķes de bact√©rias. O sistema que eles criaram funciona basicamente assim:

Popula√ß√Ķes Diferentes

Diferentes tipos de Popula√ß√Ķes

Eles representaram (em um sudoku 4×4) cada posi√ß√£o por uma popula√ß√£o espec√≠fica de E.coli’s. Cada posi√ß√£o tem algo em seu DNA que a torna diferente de todas.

Diferentes Estados

Estados das Popula√ß√Ķes

Cada popula√ß√£o pode se diferenciar em quatro tipos diferentes de E.coli’s correspondentes √† cada n√ļmero que um sudoku 4×4 permite (1, 2, 3 e 4).

Comunica√ß√£o entre as Posi√ß√Ķes (Popula√ß√Ķes)

Comunica√ß√£o viral entre as posi√ß√Ķes (popula√ß√Ķes) do sudoku

As popula√ß√Ķes devem se comunicar para transmitir a informa√ß√£o de suas posi√ß√Ķes para as outras posi√ß√Ķes; afinal √© assim que se resolve um sudoku: podemos dizer que uma posi√ß√£o √© 1, 2, 3 ou 4 depois de recebermos as informa√ß√Ķes de quais n√ļmeros existem no quadrado, linha e coluna correspondente √† posi√ß√£o em quest√£o.

Essa comunica√ß√£o √© feita atrav√©s de vetores virais, que s√£o v√≠rus que as bact√©rias produzem para infectar as outras popula√ß√Ķes correspondentes √†s outras posi√ß√Ķes, transmitindo as informa√ß√Ķes que possuem (como sua “posi√ß√£o” e “estado”: 1, 2, 3 ou 4).

Diferenciação dos Estados

Diferenciação dos estados

Para o sudoku funcionar, quando uma posi√ß√£o identificar qual √© o estado de suas vizinhas, ela deve se diferenciar justamente no estado que n√£o recebeu sinal. Por exemplo (imagem ao lado), se a posi√ß√£o (1,1) (linha 1, coluna 1)¬†receber as informa√ß√Ķes de que certas posi√ß√Ķes em seu quadrado, linha e coluna j√° est√£o diferenciadas nos estados 3, 2 e 1, ela deve se diferenciar em 4. Para conseguir fazer isso, os japoneses usaram o dispositivo chamado “4C3 leak switch”, que se baseia na probabilidade de uma polimerase em “ignorar” os s√≠tios terminadores de transcri√ß√£o. Para entender melhor, veja a imagem abaixo:

Cada gene codifica um tipo de¬†recombinase¬†(as setinhas apontando para a esquerda: Hin, flpe, Ligand 3 e Ligand 4). Quando a E.coli for infectada por um v√≠rus de uma posi√ß√£o com que se comunica, ele inserir√° um plasm√≠deo que expressa uma dessas 4 recombinases, agindo nas posi√ß√Ķes que flanqueam o mesmo gene na bact√©ria. Por exemplo, na imagem da diferencia√ß√£o dos estados,¬†a posi√ß√£o (2,2) envia um v√≠rus √† (1,1) passando a informa√ß√£o de que possui o estado “2”, expressando a recombinase flpe e retirando o respectivo gene do plasm√≠deo bacteriano atrav√©s das posi√ß√Ķes FTR que flanqueiam o gene (ver imagem acima). Ao fazer isso, tamb√©m retirar√° o s√≠tio terminador que fica entra os FTR, aumentando a probabilidade da polimerase atravessar todas as sequ√™ncias de recombinases de sequ√™ncias invertidas e expressar a cre recombinase (setinha cinza apontando para a direita). Depois, se a posi√ß√£o (1,1) receber mais dois v√≠rus diferentes, ele perder√° 3 genes de recombinase e tr√™s s√≠tios terminadores, restando apenas um s√≠tio terminador entre o promotor pT7 e o gene cre. Nesse est√°gio, a probablilidade de a polimerase ultrapassar o s√≠tio terminador (da√≠ que vem o “leak”) √© consider√°vel, e quando o faz, transcreve a cre recombinase, que retira seu pr√≥prio gene e os dois s√≠tios terminadores duplos depois dele, conectando o gene de recombinase que n√£o foi retirado do plasm√≠deo junto dos genes que tamb√©m est√£o em sentido reverso, transcritos pelo promotor pSP6. Al√©m disso promove a produ√ß√£o de v√≠rus atrav√©s da retirada dos dois s√≠tios de parada que separam o segundo promotor pT7¬† do gene que transcreve a polimerase que atua no promotor pSP6 e o gene que produz o caps√≠deo do v√≠rus. O empacotamento das sequ√™ncias gen√©ticas no v√≠rus acontecem ap√≥s a loading sequence (ret√Ęngulo rosa). Isso faz com que a posi√ß√£o 1 passe tamb√©m a “emitir” v√≠rus informando seu estado e posi√ß√£o.

Para entender de verdade, vale assistir o vídeo (começa mesmo aos 24 seg) que o próprio time japonês fez para mostrar o funcionamento do sistema (percebam o sotaque!):

Restri√ß√£o de Posi√ß√Ķes

Para isso dar certo √© preciso que somente as popula√ß√Ķes da respectiva linha, coluna e quadrado comuniquem-se entre si, ou seja, deve have uma restri√ß√£o √† comunica√ß√£o entre as popula√ß√Ķes de posi√ß√Ķes n√£o-relacionadas segundo o sudoku. Como isso √© feito!? Sim! RNAs antisense!

Tudo isso s√≥ consegue funcionar gra√ßas √† atua√ß√£o dos RNAs antisense que coordenam o fluxo de informa√ß√£o entre as diferentes popula√ß√Ķes associadas √†s diferentes posi√ß√Ķes do sudoku. Na imagem do 4C3 leak switch s√£o as location sequence que cont√©m todas as sequ√™ncias codificantes dos RNAs de interfer√™ncia de cada posi√ß√£o. Com isso √© poss√≠vel construir uma tabela de correspond√™ncia de antisense que dir√° quais antisense uma posi√ß√£o deve fazer para inibir a atua√ß√£o dos v√≠rus de outras posi√ß√Ķes n√£o-relacionadas:

Mas espera a√≠! O sudoku √© uma tabela 2D, como √© poss√≠vel separar as diferentes popula√ß√Ķes, uma em cada posi√ß√£o caracter√≠stica, e assim fazer a transfer√™ncia de informa√ß√£o!? √Č preciso construir algo f√≠sico – uma tabela de sudoku de verdade – para esse sistema sint√©tico!? Resposta: n√£o √© preciso “separar” as popula√ß√Ķes, a intera√ß√£o entre os RNAs antisense dos v√≠rus de cada popula√ß√£o que remete √† uma posi√ß√£o d√° conta do recado. Voc√™ pode misturar todas a popula√ß√Ķes em um tubo de ensaio (com o input, √© claro) e depois analisar os estados de cada bact√©ria pertencente √† um tipo de popula√ß√£o (por sequenciamento) e assim saber o resultado do sudoku.

Esse conceito de restri√ß√£o de informa√ß√£o por RNAs antisense, e esse fluxo de informa√ß√£o por v√≠rus √© essencial para se entender o que est√°vamos discutindo no clube de biologia sint√©tica, sobre como fazer em um sistema bact√©riano uma…

Rede Neural

Por fim: rede neural! Como fazer um dispositivo biológico sintético que imite uma rede neural!?

Bem, abstratamente falando, uma rede neural pode ser simbolizada atrav√©s da imagem ao lado: os neur√īnios (as bolinhas) e suas liga√ß√Ķes. O que temos em comum entre esses sistema e o sudoku s√£o que temos posi√ß√Ķes espaciais trocando informa√ß√Ķes e seguindo um padr√£o. No sudoku o que restringe o fluxo de informa√ß√£o s√£o as regras que pr√©-estabelecemos para o jogo, no sistema neuronal o que restringe a comunica√ß√£o √© apenas o espa√ßo (existe um n√ļmero finito de liga√ß√Ķes ax√īnicas que os neur√īnios podem fazer devido √† limita√ß√£o de espa√ßo), al√©m de outro fator: o “peso” dessas intera√ß√Ķes, que associa uma intensidade de fluxo de informa√ß√£o entre neur√īnios (o aumento desses “pesos” durante o tempo devido a um est√≠mulo √© o que chamamos de aprendizado).

Rede de Hopfield

Para querer fazer o design de um sistema sintético que se comporte como uma rede
neural devemos usar um modelo que represente uma rede neural! Existem v√°rios deles, mas um mais simples e talvez o mais interessante para usarmos √© a Rede de Hopfield,¬†muito usada em computadores para reconhecimento de padr√Ķes. Hopfield √© chama de uma rede de mem√≥ria associativa¬†pois consegue armazemar mem√≥ria atrav√©s da associa√ß√£o de informa√ß√Ķes existentes na comunica√ß√£o entre v√°rios neur√īnios. Uma das implica√ß√Ķes disso √© a capacidade de recuperar esse padr√£o mesmo quando dado um padr√£o incompleto.

Exemplo do Funcionamento

Imaginemos que, semelhantemente ao sudoku, tamb√©m tenhamos uma matriz com posi√ß√Ķes, s√≥ que agora 3×3 e tendo apenas dois estados: “preenchida” ou “ativada”(denotada por 1), e “n√£o-preenchida” ou “inativada” (denotada por 0). Podemos construir ent√£o “letras” preenchendo essas posi√ß√Ķes. Queremos que nosso sistema reconhe√ßa o padr√£o incompleto dessas letras e complete-o com sua mem√≥ria:

Legal, mas como funciona o algoritmo¬†disso!? Basicamente √© com a defini√ß√£o das conex√Ķes que esses dois padr√Ķes t√™m. Partindo da hip√≥tese que somente as posi√ß√Ķes pr√≥ximas podem se comunicar (assim como neur√īnios, em um modelo simplificado), no padr√£o que pr√©-estabelecemos para o sistema, a comunica√ß√£o entre duas posi√ß√Ķes preenchidas √© considerada excitat√≥ria, ou seja, uma posi√ß√£o influencia a outra a permanecer ativada; j√° quando uma posi√ß√£o n√£o-preenchida se comunica com uma preenchida, a comunica√ß√£o √© considerada inibit√≥ria; e por fim, quando duas posi√ß√Ķes n√£o-preenchidas est√£o uma ao lado da outra, h√° indiferen√ßa e n√£o h√° ativa√ß√£o ou inibi√ß√£o entre si (ver imagem abaixo). Com isso podemos criar uma rede de comunica√ß√£o¬† caracter√≠stica de cada figura com os pesos dos padr√Ķes.

Para a rede reconhecer ambos os padr√Ķes, deve-se somar os pesos dos padr√Ķes L e T:

Cada peso de comunica√ß√£o da soma dos pesos √© computada para reestabelecer um dos padr√Ķes da mem√≥ria dado um padr√£o incompleto. Vejamos o exemplo da imagem abaixo: um L incompleto. Para decidir se a posi√ß√£o n√£o-preenchida se preencher√° √© preciso computar o padr√£o incial em rela√ß√£o aos pesos na “mem√≥ria da rede” com a express√£o abaixo, em que wik √© o peso da intera√ß√£o entre a posi√ß√£o em quest√£o (denotada por i) e uma determinada posi√ß√£o k.

Ent√£o somando-se os produtos entre os estados xk (das k posi√ß√Ķes comunicando-se com a posi√ß√£o incompleta) e os pesos wik das intera√ß√Ķes entre as k posi√ß√Ķes e a posi√ß√£o incompleta, define-se o estado que a posi√ß√£o incompleta deve ter: se √© de fato um estado inativado ou ativado (preenchido):

x(3,1) = 1 . 1 + 0 . 1

x(3,1) = 1

Portanto, segundo a intera√ß√£o associativa da rede, a posi√ß√£o (3,1) torna-se em um estado ativado (1) completando a letra L. Para diferentes inputs o c√°lculo √© o mesmo e (com algumas exce√ß√Ķes) o sistema sempre se ajusta √† um dos dois padr√Ķes de sua mem√≥ria: ou um L ou um T.

Como Fazer isso com Bactérias

Assim comom no sudoku, podemos criar diferentes popula√ß√Ķes de bact√©rias para cada posi√ß√£o al√©m de – pelo mesmo mecanismo – uma rede de transmiss√£o de RNAs antisense por v√≠rus baseando-se na tabela de pesos das intera√ß√Ķes entre as popula√ß√Ķes existentes (a “mem√≥ria” do sistema), de modo que cada posi√ß√£o tenha os antisense corretos para reprimir ou estimular a produ√ß√£o de uma determinada prote√≠na rep√≥rter para cada posi√ß√£o! O que se diferenciaria do sudoku √© que precisar√≠amos construir um aparelho literal do sistema que queremos construir, ou seja: √© preciso separar as diferentes popula√ß√Ķes para discernir os outputs para saber ao certo qual popula√ß√£o referente emitiu luz verde por GFP,¬†por exemplo. O input tamb√©m poderia ser luz, feito atrav√©s de um light switch.

E assim o ciclo das rela√ß√Ķes um tanto improv√°veis se fecha. Mas como a ci√™ncia √© extremamente mut√°vel v√°rios outros assuntos podem se juntar nessa ciranda e dar origem a outras “improbabilidades”. Voc√™, leitor, tamb√©m pode fazer parte desse trabalho ou pelo menos acompanhar de perto e conhecer um pouco melhor sobre essas coisas que andam rolando nas discuss√Ķes do clube de biologia sint√©tica atrav√©s das reuni√Ķes gravadas, em especial (sobre como fazer uma rede neural artificial em bact√©rias)¬† essa aqui no nosso canal no LiveStream.

Quem sabe possamos colocar em pr√°tica tudo isso!? Vejamos em 2012!