Um jogo para acabar com preconceitos

Qual é a melhor maneira de passar uma informação pra uma pessoa!?

Como os comerciais, filmes e canais de televis√£o est√£o a√≠ pra comprovar, o entretenimento passa muito mais pra voc√™ do que mera divers√£o. √Č com essa ideia que ficamos pensando em como fazer as pessoas entenderem os conceitos e finalidades da abordagem da Biologia Sint√©tica. Como n√£o perdemos tempo para arrumar uma desculpa para nos divertir, criamos durante esse ano um jogo de cartas – inspirado em elementos de¬†Munchkin,¬†Bohnanza, Magic¬†e War¬†– para, al√©m de ensinar de uma maneira divertida sobre conceitos de microbiologia e biologia molecular, informar melhor as pessoas e acabar com certos preconceitos envolvendo microrganismos bioengenheirados.

E olha que legal: além de levarmos essa ideia como nossa Human Practices na competição internacional de máquinas geneticamente modificadas desse ano (e sermos bastante elogiados por esse trabalho), emplacamos primeiro lugar com o projeto na Olimpíada USP do Conhecimento!

primeiro lugar USP Conhecimento

√Č, senhora Sociedade, eu te disse que nossa brincadeira √© uma brincadeira s√©ria! T√£o s√©ria que esse projeto n√£o para aqui.

Game Crafter

O jogo estar√° dispon√≠vel para download (se voc√™ quiser imprimir a√≠ na sua casa) ou para compra atrav√©s do maravilhoso site “The Game Crafter“, que √© de uma empresa que imprime e vende jogos independentes, como o nosso. Desse jeito nosso jogo vai poder sempre fazer o que ele se prop√Ķe a fazer: ser jogado!

O jogo

O jogo funciona assim: cada jogador (até 4) escolhe uma carta de personagem personagem, como por exemplo o professor Fujita:

Senhor Fujita

OBS: procure o “easter egg”.

Como dá pra ver, cada pesquisador tem uma personalidade específica e um chassi com que desenvolve seus projetos. No caso o senhor Fujita é um pesquisador que não colabora muito mas bastante competente, trabalhando com a largamente usada Escherichia coli.

O grande objetivo do jogo √© construir primeiro que o seu colega um circuito g√™nico – afinal estamos falando de academia, minha gente! Para construir o circuito o jogador deve “criar”, acumular e trocar BioBricks, at√© que tenha a combina√ß√£o de Biobricks necess√°rios para completar o circuito, como por exemplo esse:

Carta Objetivo

OBS: nem todos os objetivos realmente podem ser feitos em alguns chassis.

Os Biobricks podem ser baixados com “pontos de metabolismo”, que √© a representa√ß√£o dos recursos metab√≥licos e energ√©ticos que o microrganismo tem para passar com sucesso pelo processo de transforma√ß√£o g√™nica de cada parte, a ser inserida sequencialmente na c√©lula (no exemplo anterior h√° 8 BioBricks).

A din√Ęmica das cartas se d√° quando elas ainda est√£o na sua m√£o e n√£o foram “baixadas” no organismo. H√° tamb√©m (no melhor estilo Munchkin – quem j√° jogou sabe do que estou falando!) cartas din√Ęmicas usadas por um jogador em si mesmo ou em outros jogadores, como essa abaixo:

Carta din√Ęmica

E, por √ļltimo, o √ļltimo elemento do jogo √© a t√£o temida aleatoriedade! Aquelas vari√°veis sem controle que sempre fazem seu experimento n√£o sair como voc√™ queria. Um jogador no final da rodada joga um dado: dependendo do n√ļmero tirado uma “carta aleat√≥ria” surge, ajudando ou prejudicando o ganho de pontos de metabolismo (que ocorre por rodada) dos chassis de cada pesquisador.

Cartas Aleatórias

Fizemos um overview do projeto num vídeo do youtube, dê uma olhada:

[youtube_sc url=” http://youtu.be/6Odd5-OKyHA”]
Quando o nosso novo site ficar pronto vamos ter um endere√ßo especial com o jogo, por enquanto fica aqui nossa promessa de acesso aberto a esse conte√ļdo. ūüôā

Acontece nos filmes, acontece na vida, acontece no Clube de Biologia Sintética

Este √© mais um projeto que surgiu das reuni√Ķes do Clube de Biologia Sint√©tica, feito por pessoas das mais diversas √°reas e que se conheceram no clube. Esse √© o objetivo principal do grupo: Reunir e ensinar pessoas de maneira divertida , integrar √°reas, criar projetos cient√≠ficos inovadores e criativos e, por fim, gerar impactos positivos na sociedade.

Voc√™ que compartilha dos nossos ideais, acompanhe nossas reuni√Ķes pessoalmente ou pelo ao vivo pelo streaming no nosso canal do youtube, ou ainda entre em contato pelo nosso email, canal do facebook e twitter!

Modelagem em biologia (sintética), um guia para ateus em modelagem.

Para uma pessoa que lida diariamente com biologia, pode ser bastante difícil imaginar uma maneira de abordar matematicamente um problema em sua área ou como isto poderia ter alguma utilidade. A biologia é uma ciência considerada bastante complexa, pois são muitas as variáveis que podem afetar o sistema. Até mesmo um sistema relativamente simples como a expressão de uma proteína em E. coli, pode se tornar um problema bastante complexo de se modelar se todas as variáveis que afetam a expressão desta proteína forem levadas em consideração. Na realidade, não há nem mesmo quem seja capaz de listar todas estas variáveis. Assim sendo, como é possível fazer um modelo disto, se não consigo nem mesmo listar as variáveis que alteram meu sistema? Neste caso, melhor mesmo fazer como o Calvin e ser um ateu em modelagem, não é mesmo?

Na verdade não, fazer um modelo não é tão complicado assim. Pensar que é necessário colocar tudo no modelo é o erro conceitual mais comum de quem tem formação em áreas complexas como a biologia. Já os físicos por exemplo, tem uma visão dita reducionista, de tentar entender um problema dividindo-o em pequenas partes fundamentais e começar pelo modelo mais simples possível para depois aumentar a complexidade, se necessário (ou possível). Reza a lenda que um dono galinheiro certa vez chamou um fisico para solucionar o porquê as galinhas não estavam botando. Uma semana depois o fisico apareceu com a solução. Entretanto, a solução só era válida para galinhas esfericamente simétricas e no vácuo. True story!

Pode parecer contradit√≥rio, mas um modelo que leva mais vari√°veis em considera√ß√£o n√£o necessariamente √© melhor ou mais “realistico”. Na verdade se um modelo leva mais vari√°veis em considera√ß√£o do que outro e ambos tem a mesma efeci√™ncia, o segundo modelo √© considerado melhor, conforme veremos.

Portanto, o melhor caminho para fazer um bom modelo é considerar as poucas e relevantes variáveis do problema, ou seja, ao fazer um modelo, a principal regra é:

Keep it simple, stupid!!
Este √© o famoso princ√≠pio KISS, uma boa regra para come√ßar um modelo. A maioria dos modelos funcionam melhor e s√£o melhor entendidos se mantidos simples. Complexidade desnecess√°ria deve ser evitada, mas obviamente, simplicidade demasiada n√£o deve resultar em um modelo √ļtil (como no caso das galinhas). Assim, uma boa maneira de se come√ßar um modelo √© pensar quais s√£o as vari√°veis que devem ser realmente importantes para o problema. Tente formular seu modelo com o m√≠nimo de vari√°veis e veja se seus resultados condizem com o esperado, ou com os experimentos. Se isto n√£o ocorrer, √© um sinal de que seu modelo ou √© demasiadamente simples e voc√™ esqueceu alguma vari√°vel muito importante ou voc√™ pode ter feito hip√≥teses que n√£o sejam v√°lidas. Fazer hip√≥teses condizentes n√£o √© uma tarefa na simples e exige um conhecimento profundo do problema em quest√£o.

O principio KISS é um conceito bastante semelhante à famosa navalha de Occam. Este princípio, introduzido por William Occam diz:

“Se em tudo o mais forem id√™nticas as v√°rias explica√ß√Ķes de um fen√īmeno, a mais simples √© a melhor.”

 

Exemplo

Para exemplificar o que foi dito, vamos brincar de modelar com um simples exemplo que discutimos certa vez em nosso grupo.

O problema consiste em estimar a concentração de uma proteína (nosso caso era a Cre recombinase) dentro das bactérias E.coli, ou seja, quantas Cre-recombinases existem, em média, por bactéria? Esta inferência é base para estimar o PoPS (veja post anterior)

Este parece ser um problema simples mas pode se tornar bastante complicado de resolver caso o princípio KISS não seja utilizado. Quem é importante neste problema? Devo considerar a temperatura? Devo considerar a quantidade de alimento no meio?

Você pode pensar, e com razão, que a temperatura e a quantidade de alimento são importantes pois afetam a taxa de produção das proteínas. Entretanto estes são exemplos de variáveis que não precisam
ser levados em considera√ß√£o pois, nos experimentos n√£o trabalharemos com situa√ß√Ķes extremas de escassez de alimento nem de mudan√ßas de temperatura e pequenas varia√ß√Ķes destas vari√°veis (fora de um regime extremo) n√£o devem afetar significantemente a produ√ß√£o da prote√≠na. Muitas s√£o as vari√°veis que n√£o afetam significamente o sistema e ter intui√ß√£o disto √© fundamental e repito, exige um bom entendimento do problema.

OK, mas por onde começar?

Bom, sabemos que para se produzir uma proteína primeiramente precisamos da produção do RNA mensageiro. A quantidade de mRNA certamente é uma variável relevante!!!
Portanto, vamos tentar criar uma equação sobre como o mRNA deve variar no tempo. A variação temporal de uma variável é representada matematicamente pela derivada da variável no tempo  

Sabemos que nosso mRNA deve ser produzido pela leitura do DNA, feita pela DNA polimerase. OK, mas com que velocidade ela lê isto? Uma boa referencia, é o Bionumbers (tipo um google para dados biológicos)

Lá encontramos que nossa taxa de transcrição (Ktrans) é de, em média, 40 pares de base por segundo. Mas então precisamos saber qual o tamanho do RNA que gera nossa proteína. No caso da Cre é de 1032 pares de base (Nbp). Portanto, quantidade de proteína produzida por tempo e por volume (V) é de:

Dividimos pelo volume pois queremos saber a variação de concentração, ou seja, quantidade de proteínas por volume (unidade em Molar). Este será o primeiro termo de nossa equação, que se refere a produção do mRNA. Existem outras maneiras dele ser produzido? Se sim, novos termos devem ser adicionados. Neste caso, aparentemente esta é a unica forma dele ser produzido. Mas ele pode ser degradado, não é mesmo? Então precisamos de mais um termo, o de degradação. Novamente se formos até o bionumbers teremos a taxa de degradação (KdRNA) do mRNA. Este novo termo fará com que a taxa do mRNA diminua no tempo, e por este motivo ele é negativo. Portanto nossa equação fica:

Onde o termo positivo se refere a produção e o negativo se refere a degradação.

Agora vamos escrever uma equação para a tradução do mRNA em proteína. Neste caso encontramos uma taxa de tradução de 15 aminoacidos por segundo. Como nossa proteina tem 1032 pares de base ela deve ter 1032/3=344 aminoacidos. Como, além de produzida, nossa proteína também pode ser degradada então temos uma equação bastante semelhate à anterior:

Podemos supor que inicialmente a concentração desta proteína é zero, isto não fará diferença nos cálculos mas suponhamos que não haja proteina inicialmente. Ao longo do tempo, a concentração
desta prote√≠na ir√° crescer at√© alcan√ßar o equilibrio entre produ√ß√£o e degrada√ß√£o. Neste equilibrio, a concentra√ß√£o das prote√≠nas n√£o mudam mais no tempo e portanto nossas equa√ß√Ķes s√£o iguais a zero. Para entender o equilibrio, pense na equa√ß√£o logistica que descreve a curva de crescimento de uma popula√ß√£o de bact√©rias. Inicialmente temos um crescimento exponencial, mas depois de um tempo a popula√ß√£o satura, ou seja, estabiliza em uma determinada popula√ß√£o. Este ponto de satura√ß√£o √© que chamamos de ponto de equilibrio, onde a quantidade de bact√©rias n√£o muda mais no tempo. Neste ponto, a quantidade de bact√©rias que morrem √© proporcional √†s que “nascem”. Matematicamente o ponto de equilibrio √© um ponto onde a derivada no tempo √© igual a zero, portanto:

ou seja:

e

Agora podemos isolar a concentração do mRNA na primeira equação e substituir na segunda. Com isto, chegamos a:

Qual o sentido deste valor? Bem voc√™ pode utilizar o volume da bact√©ria e calcular qual a concentra√ß√£o de uma √ļnica prote√≠na dentro de uma bact√©ria e voc√™ chegar√° que isto √© aproximadamente 1 nM. Portanto, nosso resultado nos diz que h√° aproximadamente 2.000 prote√≠nas, em m√©dia, dentro da bact√©ria.

OK, isto quer dizer que se eu fizer um experimento eu vou encontrar exatamente 2000 proteínas dentro da bactéria?

Obviamente n√£o, devemos ter em mente a limita√ß√£o de nosso modelo. Aproxima√ß√Ķes foram feitas e h√° muitas vari√°veis que podem fazer com que este valor mude. Entretanto, podemos dizer com certa seguran√ßa que teriamos algo de 1.000 √† 10.000 prote√≠nas na bact√©ria. Pode parecer muito inexato e que nosso modelo n√£o foi t√£o √ļtil por n√£o ser preciso. Mas devemos lembrar que inicialmente n√£o t√≠nhamos nenhuma ideia de quantas prote√≠nas haviam. Se algu√©m chutasse que h√° somente 10 ou 100 prote√≠nas em m√©dia poderiamos pensar que era uma estimativa boa. Com o modelo sabemos que esta estimativa n√£o¬†√© boa, que devem haver bem mais prote√≠nas que isto!

Al√©m da quantidade de prote√≠na, com este simples modelo poderiamos estimar o tempo que demora para que a quantidade de prote√≠na sature, ou seja, atinja o ponto de equilibrio. Estas s√£o estimativas que podem ser muito √ļteis na hora de definir um protocolo experimental e pode economizar uma razo√°vel quantidade de tempo e reagentes durante os experimentos.¬† Portanto, n√£o √© necess√°rio de ser ateu em modelagem, mas, tampouco, √© recomendado acreditar religiosamente no modelo!!

Synbio na terra da Mafalda

Autor: Ivan Lavander, estudante de Ciências Biológicas РUSP

Entre os dias 16 e 22 de abril rolou um curso introdutório de biologia sintética, o primeiro desse tipo na America Latina, hosteado pela Universidade de Buenos Aires e financiado pela Organização Europeia de Biologia Molecular (EMBO). Eu fui um dos participantes selecionados, e vou divulgar numa série de posts um pouco do que rolou por lá =)
Esse √© um primeiro post sumarizando o curso, e os pr√≥ximos posts com a sigla¬†[SBAr]¬†se referem ao conte√ļdo do curso!

Estrutura do Curso¬†– O curso se focou em introduzir os participantes nos principais m√©todos, estrat√©gias e desafios do synbio. Mesmo nessa fase inicial, algumas id√©ias e principios j√° se definem como parte essencial da biologia sint√©tica, incluindo quatro principais t√≥picos: estrat√©gias bottom-up, top-down, algumas filosofias malucas sobre biobricks e aplica√ß√Ķes. Durante o curso, esses t√≥picos e seus respectivos objetivos foram distribu√≠dos abordados da seguinte forma:

(1)   Da complexidade natural à artificial;

Antes de desenvolver novos circuitos, √© preciso se entender a organiza√ß√†o e ‚Äúrobustez‚ÄĚ dos circuitos naturais. Integrar os dados de bancos de dados, assim como o montante de dados gerados por tecnologias de ‚Äúhigh throughput‚ÄĚ, que geram quantidades absurdas de dados, possibilitam observar com grande profundidade a din√Ęnica do genoma, transcriptoma, proteoma, metaboloma e suas intera√ß√Ķes. Como selecionar e aplicar essa montanha de informa√ß√£o origin√°ria da natureza e quais m√©todos devem ser utilizados para otimizar essas redes de informa√ß√£o em circuitos sint√©ticos?

(2)   Estratégias bottom-up;

Bottom-up, ou ‚Äúde baixo pra cima‚ÄĚ, √© a estrat√©gia usado pra construir coisas com legos: usar partes intercambiaveis e bem conhecidas que podem ser utilizadas para se desenvolver sistemas de diferentes complexidades (em contraposi√ß√£o a estrat√©gias top-down, onde mal se conhece o funcionamento do sistema, quanto mais sua complexidade, mas √© preciso regula-lo para combater doen√ßas, por exemplo). Esse jeito bottom-up de fazer synbio √© uma das areas mais revolucion√°rias em synbio, trazendo uma nova vis√£o open source de como produzir ci√™ncia. Assim, tem-se elevado, atrav√©s da constante caracteriza√ß√£o de novas partes biol√≥gicas, a complexidade e potencial de desenvolvimento de novos circuitos biol√≥gicos sint√©ticos pela utiliza√ß√£o desses legos biol√≥gicos.

(3)¬†¬† ‚ÄúLife is computation!‚ÄĚ;

Modelos físicos teóricos predizem e eu não entendo porra nenhuma com bastante precisão sistemas complexos, e tem ajudado a revelar mecanismos antes inimagináveis de controle de expressão gênica. Esses modelos ajudam a guiar o design de circuitos sintéticos e a otimiza-los.

(4)   Interfaces entre circuitos sintéticos e naturais;

Diferente da estrat√©gia bottom-up, alguns circuitos de interesse s√£o extremamente complexos, dependem de fatores externos ou suas ‚Äúpartes‚ÄĚ s√£o pouco conhecidas ‚Äď pelo menos com quanto as diferentes intera√ß√Ķes poss√≠veis. Uma estrat√©gia top-down, ‚Äúde cima pra baixo‚ÄĚ, permite regular sistemas biol√≥gicas sem que cada parte envolvida tenha sido ‚Äúreconstru√≠da‚ÄĚ ou, no m√≠nimo, seja totalmente conhecida como no caso de biobricks. Seria como desativar, ativar ou modular alguma parte pra ver se continua funcionando ou o que deixa de funcionar. E essa √© uma das grandes promessas e revolu√ß√Ķes do synbio: usar circuitos sint√©ticos em interface com circuitos complexos naturais para control√°-los ou modul√°-los.

Os participantes 

A organiza√ß√£o do curso foi feita pelos professores da Universidade de Buenos Aires Dr. Alejandro Nadra, o Dr. Ignacio Sanchez (o nacho!) e o Dr. Raik Gr√ľnberg, da Alemanha, todos advisors do primeiro time argentino do iGEM <http://igem.qb.fcen.uba.ar/site/#page_2/> e que vao ganhar um espa√ßo pr√≥prio num futuro post.

Os palestrantes, Dr. Marc G√ľell, pos doc no Church lab em Harvard, e a Dra. Reshma Shetty, co-fundadora da Ginkgo Bioworks¬†http://ginkgobioworks.com/, uma start up de synbio norte americana, falaram sobre a integra√ß√£o de bancos de dado e otimiza√ß√£o de redes naturais para se criar circuitos artificiais. O Dr. Drew Endy (primeiro coment√°rio: imagina um cara com cara de gringo, segundo: dizem por a√≠ que ele √© ‚Äúo pr√≥ximo steve jobs‚ÄĚ) co-fundador da BioBricks Foundation e um dos idealizadores do iGEM, falou sobre estrat√©gias bottom-up e biobricks¬†ohreally?. O Dr. Roman Jerala (o principal advisor do time da Slovenia que ganhou duas vezes o grand award do iGEM) e a Dra Chirstina Smolke (uma das principais pesquisadoras de switches de RNA e professora de bioengenharia em Stanford) falaram sobre modula√ß√£o de circuitos naturais usando estrat√©gias de top-down (DNA origami, riboswitches, prote√≠nas fusionadas) e o Dr. Thierry Mora e a Dra. Aleksandra Walczak¬†mostrou o que a Fran√ßa tem de melhor, ambos da Ecole Normale Sup√©rieure e do CNRS, falaram sobre modelagem te√≥rica de redes complexas e aspectos te√≥ricos do design de circuitos g√™nicos.

Mais informa√ß√Ķes:

http://events.embo.org/12-synthetic-biology/

Canal do SynbioBrasil no LiveStream!

J√° est√° feito o nosso canal para transmiss√£o ao vivo pela internet das reuni√Ķes do Clube de Biologia sint√©tica pelo LiveStream, um site muito legal de streamming ao vivo pela internet que qualquer um pode criar.

Agora com esse novo recurso é possível interagir ao vivo com a apresentação, além de ser possível conferir os vídeos da apresentação depois no próprio canal.

SynbioBrasil no LiveStream!

Confira nosso canal clicando na imagem acima ou na barra aqui à direita com os links do SynbioBrasil.

Veja os hor√°rios das reuni√Ķes na p√°gina do clube de biologia sint√©tica no cabe√ßalho do site para saber quando o canal estar√° online!

Esperamos sua participação por lá! Até!

Scinamate Synthetic Biology

Vídeo legal sobre SynBio

[youtube=http://www.youtube.com/watch?v=xOx3B2Z_qqE]

[twitter-follow screen_name=’MnlimasBio’]

Document√°rio SynBio

Um grupo de cientistas da Field Test Film Corps¬†est√° desenvolvendo um document√°rio sobre synbio. O filme pretende abordar desde a ci√™ncia b√°sica da biologia molecular at√© as pesquisas atuais, assim como quest√Ķes √©ticas e defini√ß√£o da vida. Muito interessante, confira o andamento do projeto.