Informations

Existe-t-il des revues pour des modèles théoriques d'interactions protéine-protéine ?

Existe-t-il des revues pour des modèles théoriques d'interactions protéine-protéine ?



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.

Existe-t-il des revues scientifiques respectables pour la publication de modèles d'interactions protéine-protéine obtenus par des simulations d'amarrage ? Je discuterais également de la signification biologique du mode particulier d'amarrage que j'ai trouvé grâce aux simulations et de sa cohérence avec les preuves expérimentales disponibles. Le fait est que mon article n'aurait aucune nouvelle preuve expérimentale. Au contraire, j'analyse les preuves expérimentales existantes dans la littérature et démontre que le modèle d'interaction que je propose explique ces données. Existe-t-il des revues respectables acceptant ce type de recherche ? Pouvez-vous publier des exemples de journaux comme celui-ci ?

Aussi, pouvez-vous poster quelques références à de bons articles comme ceux-ci, si possible très cités, s'il y en a ?


Les interactions protéine-protéine sont un domaine de la biophysique, donc certainement Biophysical Journal (publié par Cell) est un endroit agréable à regarder.

Le PNAS a un large éventail de domaines et accorde une grande attention à la belle biophysique et à la modélisation. Mais ils nécessitent aussi (me semble-t-il) des preuves expérimentales.

Le Journal of computational chemistry concerne certainement de nombreuses simulations et modélisations, alors voyez par vous-même.

Quant aux publications, le fait que vous demandiez des références me fait penser que vous n'avez pas fait vos devoirs sur la revue de littérature, car c'est toujours avant tout un travail dans un projet de recherche.


Modèles pour la biologie synthétique

Le génie biologique synthétique émerge de la biologie comme une discipline distincte basée sur la quantification. Les technologies propulsant la biologie synthétique ne sont pas nouvelles, pas plus que le concept de conception de nouvelles molécules biologiques. Ce qui est nouveau, c'est l'accent mis sur le comportement du système.

L'objectif est la conception et la construction de nouveaux dispositifs et systèmes biologiques pour fournir des applications utiles. De nombreux circuits de gènes synthétiques ont été créés au cours de la dernière décennie, notamment des commutateurs bistables, des oscillateurs et des portes logiques, et les applications possibles abondent, notamment les biocarburants, les détecteurs d'armes biochimiques et chimiques, le diagnostic de maladies et les thérapies géniques.

Plus de cinquante ans après la découverte de la structure moléculaire de l'ADN, la biologie moléculaire est suffisamment mature pour une véritable quantification utile aux applications du génie biologique, à l'image de la révolution de la modélisation en chimie des années 1950. Avec l'enthousiasme suscité par la biologie synthétique, les communautés de l'ingénierie et des sciences biologiques semblent remarquablement disposées à franchir les frontières disciplinaires vers un objectif commun.

Le génie biologique synthétique émerge de la biologie comme une discipline distincte basée sur la quantification [1–5]. L'objectif est la conception et la construction de nouveaux dispositifs et systèmes biologiques pour fournir des applications utiles. De nombreux circuits de gènes synthétiques ont été créés au cours de la dernière décennie, notamment des commutateurs bistables, des oscillateurs et des portes logiques [[1–5], et leurs références], et les applications possibles abondent, allant des biocarburants aux détecteurs d'armes biochimiques et chimiques, au diagnostic de maladies, aux thérapies géniques.

Certes, les technologies propulsant la biologie synthétique ne sont pas nouvelles, pas plus que le concept de conception de nouvelles molécules biologiques [6, 7]. Ce qui est peut-être nouveau, c'est l'accent mis sur le comportement du système, en concevant des séquences d'ADN avec des phénotypes synthétiques présentant des réponses dynamiques prescrites.

Malgré les succès initiaux des conceptions synthétiques [1-5], le paradigme des sciences biologiques en tant que disciplines descriptives peut ne pas aider rapidement à concevoir de manière rationnelle de nouveaux réseaux de gènes, malgré le volume croissant de composants pouvant être utilisés dans la construction de réseaux synthétiques. Les projets sur le génome identifient les composants des réseaux de gènes dans les organismes biologiques, gène après gène, et les expériences de puces à ADN découvrent les connexions du réseau. Pourtant, les images statiques des réseaux que ces expériences fournissent ne peuvent pas expliquer de manière adéquate les phénomènes biomoléculaires ou permettre une ingénierie rationnelle de la régulation dynamique de l'expression des gènes. En d'autres termes, en tant que discipline d'ingénierie, la biologie synthétique ne peut pas s'appuyer sur des méthodes d'essais et d'erreurs sans fin fondées sur une description verbale des réseaux d'interaction biomoléculaire.

Le défi auquel sont confrontées les communautés scientifiques et d'ingénierie est alors de réduire l'énorme volume et la complexité des données biologiques en formulations théoriques concises avec une capacité prédictive, associant finalement des séquences d'ADN synthétiques à des phénotypes dynamiques. Le paradigme n'est pas nouveau non plus : dans les années 1940 et 1950, la chimie était une discipline bien mûrie pour des pionniers comme Neil Amundson, Byron Bird et Rutherford Aris pour développer des modèles mathématiques qui capturaient l'énorme complexité des processus chimiques d'une manière utile pour les applications de génie chimique. 8-10]. Les modèles quantitatifs de processus chimiques ont conduit à la création de la discipline du génie chimique et à l'émergence d'une industrie chimique/pétrolière forte. Bien que des arguments puissent être avancés sur le rôle préjudiciable de cette industrie sur l'environnement, il ne peut y avoir aucun doute sur les effets positifs globaux sur la vie humaine.

Mais quels types de modèles sont appropriés pour la biologie synthétique ? En raison du grand nombre d'espèces participantes et de la complexité de leurs interactions, seule une modélisation détaillée peut permettre d'étudier l'expression dynamique des gènes d'une manière adaptée à l'analyse et à la conception. Les conceptions peuvent être détaillées au niveau moléculaire avec des modèles dynamiques de toutes les interactions biomoléculaires impliquées dans la transcription, la traduction, la régulation, le transport et l'induction. Nous comparons cela à a postériori modélisation de réseaux synthétiques. Par exemple, dans leur article fondateur de 2000 [11], Gardner et ses collaborateurs ont développé un modèle très élégant qui capture et explique le comportement dynamique observé du commutateur bistable et fournit des informations supplémentaires sur le mécanisme biologique. Ce formalisme peut bien s'adapter au rasoir d'Occam, mais ne peut pas guider le choix de séquences d'ADN spécifiques et leurs relations régulatrices pour réaliser une commutation bistable. Plus précisément, il sera difficile d'utiliser des modèles réduits pour choisir, par exemple, entre les opérateurs lactose, arabinose ou tétracycline, ou l'une des dizaines de leurs variantes mutantes, pour construire un nouveau commutateur bistable différent.

En ingénierie, les modèles descriptifs succincts et lucides sont appréciés, mais ceux utilisés seront au niveau des degrés de liberté de conception. Par exemple, l'équation de Bernoulli peut expliquer la portance aérodynamique d'un avion, mais la conception d'un avion moderne est basée sur des simulations qui incluent tous les composants du vol en détail. En ce qui concerne la biologie synthétique, l'ingénierie rationnelle dirigée par des modèles de réseaux de gènes synthétiques est possible à deux niveaux :

Premièrement, le niveau des topologies de réseau, où les biomolécules contrôlent la concentration d'autres biomolécules, par ex. Les protéines de liaison à l'ADN régulent l'expression de gènes spécifiques soit par activation, soit par répression. En combinant des interactions régulatrices simples, telles que des boucles de rétroaction négative et positive et d'anticipation, on peut créer des réseaux plus complexes qui contrôlent avec précision la production de molécules de protéines, telles que des commutateurs bistables, des oscillateurs et des filtres. En laboratoire, ces réseaux peuvent être créés en utilisant les bibliothèques existantes de protéines régulatrices et leurs sites opérateurs correspondants. L'exemple désormais classique est le commutateur bistable susmentionné que Gardner et ses collègues ont construit [11] : ils ont connecté deux protéines régulatrices se réprimant l'une l'autre et cela a abouti à un commutateur bistable qu'ils pouvaient contrôler. Un autre est le répressilateur d'Elowitz et Leibler [12] : trois protéines régulatrices se réprimant mutuellement dans une boucle séquentielle ont entraîné des profils de concentration oscillants.

Deuxièmement, le niveau des composants moléculaires, qui décrit la cinétique et les forces des interactions biomoléculaires au sein du système. En effet, le comportement dynamique du système est une fonction complexe des interactions cinétiques des composants. En modifiant les caractéristiques des composants, tels que les protéines de liaison à l'ADN et leurs sites d'ADN correspondants, on peut modifier le comportement dynamique du système sans modifier la topologie du réseau. En laboratoire, les séquences d'ADN qui donnent les caractéristiques souhaitées de chaque composant peuvent être conçues pour obtenir les constantes de liaison protéine-protéine, protéine-ARN ou protéine-ADN et les activités enzymatiques souhaitées. Par exemple, Alon et ses collaborateurs [13] ont montré comment de simples mutations sur la séquence d'ADN de l'opéron lactose peuvent entraîner des comportements phénotypiques très différents.

Au final, le grand nombre de variantes (topologies et forces d'interaction) pour ces deux types de degrés de liberté de conception nécessite une modélisation informatique sophistiquée, car le coût de modification expérimentale de ces composants et de la cinétique de leurs interactions peut rapidement devenir prohibitif. Les simulations informatiques permettent des recherches exhaustives de différentes connectivités de réseau et de paramètres thermodynamiques/cinétiques moléculaires, faisant considérablement progresser le développement de principes de conception qui cherchent à simplifier le comportement compliqué du réseau dans un cadre bref et utilisable.

Tous les événements au niveau moléculaire de l'expression génique peuvent être représentés par des réactions. Pour deux espèces moléculaires A et B (protéines, ADN, ARN, molécules de signalisation, etc.) interagissant en solution pour former un complexe A*B (par exemple une protéine répresseur et le site opérateur d'ADN correspondant), nous pouvons écrire

avec k1 et k-1 les constantes cinétiques d'association et de dissociation, respectivement. Si nous considérions la cellule comme un réacteur bien agité, nous pourrions calculer le comportement du réseau en utilisant un ensemble d'équations différentielles ordinaires, qui déterminent les changements de concentration tels que prescrits par les lois cinétiques. Cependant, l'hypothèse sous-jacente de tels modèles déterministes continus, que le nombre de molécules approche la limite thermodynamique (c'est-à-dire que le volume du système est infini), peut être invalide pour les systèmes biologiques, puisque pour certains composants (ADN par exemple) il ne sont que quelques exemplaires disponibles.

Dans les années 1950, Oppenheim et McQuarrie, entre autres, ont exploré la stochasticité dans les modèles cinétiques, développant le formalisme de l'équation maîtresse chimique pour capturer des événements d'interaction discrets qui se produisent avec une certaine probabilité dans le temps [14, 15]. Un algorithme de simulation numérique stochastique (SSA) pour calculer ces trajectoires probabilistes a été décrit par Gillespie [16]. L'algorithme de Gillespie utilise la dynamique du système pour simuler l'occurrence de chaque événement de réaction individuel. En général, étant donné l'état actuel du système, le SSA recherche le temps jusqu'à ce que la prochaine réaction se produise. Il exécute ensuite cette réaction, met à jour l'état du système et incrémente le temps de simulation à la nouvelle valeur. Bien qu'il soit précis dans la capture de la dynamique des systèmes d'interaction biomoléculaire, SSA devient insoluble en termes de calcul, si les échelles de temps des événements d'interaction impliqués sont disparates, car il simule chaque événement d'interaction biomoléculaire, dépensant des sommes démesurées en réactions rapides pour très peu d'occurrences simulées de réactions lentes . La communauté de la modélisation était à la hauteur du défi et au cours de la dernière décennie, il y a eu de nombreuses tentatives pour améliorer l'efficacité du SSA [17-23]. En conséquence, récemment, des algorithmes sont apparus qui abordent avec succès les phénomènes d'interaction biomoléculaire avec des échelles de temps disparates [24–29] (voir Figure 1). Bien que les travaux soient toujours en cours, il existe maintenant des développements passionnants dont la communauté de la biologie synthétique peut bénéficier.

Un défi majeur en biologie synthétique est de sélectionner rationnellement des séquences d'ADN qui aboutissent à des phénotypes dynamiques ciblés. Par exemple, avec des simulations utilisant Hy3S [29], nous expérimentons plusieurs séquences de promoteurs alternatifs pour identifier le réseau de gènes synthétiques de porte AND optimal, avec la tétracycline (atc) et l'IPTG en entrée et la protéine de fluorescence verte (GFP) en sortie.

Plus de cinquante ans après la découverte de la structure moléculaire de l'ADN, la biologie moléculaire est suffisamment mature pour une quantification utile pour des applications de génie biologique, similaires à la chimie des années 1950. Avec l'enthousiasme que suscite la biologie synthétique, les communautés de l'ingénierie et des sciences biologiques semblent remarquablement disposées à franchir les frontières disciplinaires vers cet objectif commun.


Possibilités d'accès

Obtenez un accès complet au journal pendant 1 an

Tous les prix sont des prix NET.
La TVA sera ajoutée plus tard dans la caisse.
Le calcul des taxes sera finalisé lors du paiement.

Obtenez un accès limité ou complet aux articles sur ReadCube.

Tous les prix sont des prix NET.


Réseaux d'interaction protéique

La théorie des graphes est une puissante machine d'abstraction qui permet de modéliser plusieurs types de systèmes, à la fois naturels et artificiels, allant de la biologie à la sociologie [28]. Un graphe, également appelé réseau, fournit une représentation du système en termes de relations entre les éléments qui le composent un ensemble de nœuds V, représente les éléments du système, tandis qu'un ensemble d'arêtes E, représente leurs relations. Mathématiquement, on appelle un graphe g=(V, E) (Fig. 1a).

une Réseaux biologiques. Les nœuds peuvent représenter plusieurs types d'éléments biologiques, tandis que les arêtes décrivent la nature de leur relation. Si UNE et B sont deux nœuds reliés par une arête, (UN B) ∈ E, B est un voisin de UNE ou UNE et B sont adjacents. b La classification des réseaux de protéines proposée par Vidal et al. [25]

Concernant les réseaux biologiques, les nœuds peuvent être corrélés d'attributs représentant des caractéristiques d'intérêt, telles que des niveaux d'expression ou des termes GO. De la même manière, les arêtes peuvent posséder des attributs décrivant la relation entre nœuds, indiquant par exemple la force de l'interaction ou sa fiabilité, les arêtes peuvent également être orientées ou non orientées, et nous traiterons ici principalement des arêtes non orientées. En utilisant le cadre décrit dans la figure 1, un réseau d'interaction protéique est défini comme un graphe complexe, où les nœuds sont des protéines et les bords représentent leur relation, généralement physique ou fonctionnelle, comme proposé par Vidal et al. [25].

IPP : liens protéiques physiques et fonctionnels

Un réseau d'interaction protéique fait généralement référence aux IPP physiques [29], mais plusieurs significations ont été attribuées à ce terme. En fait, un groupe de protéines travaillant ensemble pour remplir une fonction biologique ne sont pas nécessairement en contact direct, mais leur relation peut être de régulation ou d'influence, par exemple en utilisant des molécules intermédiaires. Pour cette raison, le terme PPI n'a pas seulement été utilisé exclusivement pour indiquer un contact physique entre des protéines, mais aussi des protéines reliées par des liens fonctionnels. Il est important de garder à l'esprit que les protéines participent à la connexion physico-chimique en fonction du contexte biologique où elles se trouvent [30]. Ainsi, les interactions composant un réseau donné ne pourraient se produire dans aucune cellule ni à aucun moment. Cependant, si deux protéines en interaction sont identifiées expérimentalement dans un échantillon donné, nous supposons qu'elles interagissent également dans le système que nous étudions, ainsi leur relation est rapportée dans le réseau PPI reconstruit à analyser.

PPI : outils de détection, de stockage et d'analyse

Les principales approches pour démontrer l'interaction physique entre les protéines sont la méthode de levure à deux hybrides (Y2H) et la purification par affinité en tandem couplée à la spectrométrie de masse (TAP-MS) [6]. Pour réduire l'identification de fausses interactions, ces données expérimentales sont complétées par des méthodes informatiques de prédiction [31-33]. D'autres méthodes sont utilisées pour identifier les relations fonctionnelles, et la plupart d'entre elles reposent sur des données d'expression de protéines [20], l'analyse des modèles de co-expression de gènes [34] et l'analyse de séquences ou de propriétés phylogénétiques, comme les méthodes de Rosetta Stone ou de co-évolution de séquences. [35].

Les PPI physiques et fonctionnels sont stockés dans des référentiels publics. Les plus populaires sont MINT [36], IntAct [37], STRING [38] et HPRD [39]. Ce dernier collecte spécifiquement les interactions liées à Homo sapiens, tandis que d'autres bases de données comme STRING collectent différents types d'interactions (issues d'expériences/biochimie, de voies annotées, de voisinage de gènes, de fusion de gènes, de cooccurrence de gènes, de co-expression de gènes et d'exploration de texte) et différents organismes. Une liste utile de référentiels présentée par De Las Rivas et al. [29] propose une classification en catégories (base de données primaire, méta et de prédiction) selon la méthode utilisée pour détecter les interactions. Par ailleurs, une collection exhaustive de plus de 500 bases de données est disponible sur le site Pathguide (Fig. 2) [40].

Site Web Pathguide [40]. Un référentiel contenant des informations sur 547 ressources d'interactions et de voies moléculaires

Le développement d'outils informatiques pour récupérer, visualiser et analyser les réseaux biologiques est un aspect clé des études de biologie des systèmes, comme la production de données précises -omiques et la collecte d'interactions moléculaires fiables. Les logiciels les plus largement adoptés incluent Cytoscape et ses plugins [41], VisANT [42], atBioNet [43], PINA [44] et Ingenuity [45] qui représente une solution commerciale. Au contraire, Cytoscape est un logiciel désormais développé par un consortium international de développeurs open source. La figure 3 montre une utilisation possible du plugin ReactomeFIViz Cytoscape pour obtenir des réseaux (à la fois fonctionnels et physiques) associés à une fonction biologique donnée. ReactomeFIViz se concentre sur les voies et les schémas liés au cancer et à d'autres pathologies [46]. Ceci est important dans le contexte de la recherche biomédicale, et des revues détaillées sur les modèles de réseau pour enquêter sur des maladies complexes ont été publiées par Cho et al. [47] et par Vidal et al. [25]. Les deux travaux montrent comment les liens fonctionnels et physiques peuvent être utilisés pour étudier les mécanismes de la maladie, et les réseaux PPI émergent comme un modèle efficace pour évaluer différentes biomolécules agissant dans des systèmes biologiques complexes, fournissant ainsi un aperçu des phénomènes impliqués dans un contexte physio-pathologique donné.

ReactomeFIViz : de la voie de la maladie au réseau PPI. Principales étapes pour obtenir une protéine fonctionnelle et un réseau protéique physique, à partir d'une voie spécifique (sénescence induite par l'oncogène). Grâce à ReactomeFIViz, les parcours peuvent être visualisés en relation avec les autres (une), peut être détaillé sous forme de diagramme montrant toutes les relations intermoléculaires (b), et en tant que réseau d'interaction fonctionnelle protéique (c) montrant simplement la relation entre les protéines qui coopèrent pour remplir une fonction moléculaire donnée. Enfin, à partir d'un groupe de protéine d'intérêt, il est possible d'obtenir un réseau d'interactions protéine-protéine par STRING dans l'exemple rapporté, les interactions montrées sont limitées à type physique, notamment liaison, activation et inhibition ()


L'interrogation des interactions protéine-protéine entre les répétitions BRCA2 BRC humaines et RAD51 révèle des déterminants atomistiques de l'affinité

Le suppresseur de cancer du sein BRCA2 contrôle la recombinase RAD51 dans les réactions qui interviennent dans la recombinaison homologue de l'ADN, un processus cellulaire essentiel requis pour la réparation sans erreur des cassures double brin de l'ADN. Le principal mode d'interaction entre BRCA2 et RAD51 passe par les répétitions BRC, qui sont des motifs peptidiques de ∼35 résidus qui interagissent directement avec RAD51 in vitro. Le BRCA2 humain, comme ses orthologues mammifères, contient 8 répétitions BRC dont la séquence et l'espacement sont conservés au cours de l'évolution. Malgré leur conservation de séquence, il existe des preuves que les différentes répétitions BRC humaines ont des capacités distinctes à se lier à RAD51. Une structure cristalline publiée précédemment rapporte la base structurelle de l'interaction entre le BRC4 humain et le domaine central catalytique de RAD51. Cependant, aucune information structurelle n'est disponible concernant la liaison des sept répétitions BRC restantes à RAD51, et on ne sait pas non plus pourquoi les répétitions BRC présentent une variation marquée de l'affinité de liaison à RAD51 malgré seulement une variation de séquence subtile. Pour résoudre ces problèmes, nous avons effectué des tests de polarisation de fluorescence pour mesurer indirectement l'affinité de liaison relative et appliqué des simulations informatiques pour interroger le comportement des huit complexes humains BRC-RAD51, ainsi qu'une suite de mutations associées au cancer BRC. Nos approches informatiques englobent une gamme de techniques conçues pour lier la variation de séquence à l'énergie libre de liaison. Ils comprennent le MM-PBSA et l'intégration thermodynamique, qui sont basés sur des champs de force classiques, et une approche récemment développée pour calculer les énergies libres de liaison à partir des calculs des premiers principes de la mécanique quantique à grande échelle avec le code fonctionnel de densité à échelle linéaire onetep. Nos résultats révèlent non seulement comment la variation de séquence dans les répétitions BRC affecte directement l'affinité avec RAD51 et fournissent de nouvelles informations importantes sur le contrôle de RAD51 par BRCA2 humain, mais illustrent également une palette d'outils informatiques et expérimentaux pour l'analyse des interactions protéine-protéine pour biologie chimique et thérapeutique moléculaire.

Déclaration de conflit d'intérêts

Les auteurs ont déclaré qu'ils n'existaient pas de conflit d'intérêts.

Les figures

Figure 1. Affinités de liaison relatives de BRC…

Figure 1. Affinités de liaison relatives des peptides BRC pour RAD51 via des tests de polarisation de fluorescence.

Figure 2. La mutagenèse computationnelle par balayage d'alanine identifie…

Figure 2. La mutagenèse par balayage informatique de l'alanine identifie deux points chauds de liaison dans BRC4.

Figure 3. Alignement de la séquence de la boucle…

Figure 3. Alignement des séquences des régions de boucle.

Figure 4. Aperçu de la simulation de…

Figure 4. Aperçu de la simulation de l'assemblage oligomérique RAD51-RAD51 humanisé.

Figure 5. Énergie libre de liaison de chacun…

Figure 5. Énergie libre de liaison de chacune des huit répétitions BRC et du RAD51-RAD51…

Figure 6. Résultats de l'analyse QM-PBSA de…

Figure 6. Résultats de l'analyse QM-PBSA des complexes RAD51-BRCnA.

a) Corrélation entre le QM…

Figure 7. Simulations MD du RAD51-RAD51…

Figure 7. Simulations MD des complexes RAD51-RAD51 et RAD51-BRC4A.

a) Analyse numérique de l'alanine, comparant…

Figure 8. Simulations MD du RAD51-BRC5A…

Figure 8. Simulations MD des complexes RAD51-BRC5A et RAD51-BRC2A.

Instantanés de a) le RAD51-BRC5A…

Figure 9. Instantané de l'interaction RAD51-BRC6A…

Figure 9. Instantané de l'interaction RAD51-BRC6A et du balayage d'alanine de calcul correspondant.


Semblable aux puces à ADNc, cette technologie en évolution consiste à disposer un ensemble génomique de protéines sur une surface solide sans les dénaturer. Les protéines sont disposées à une densité suffisamment élevée pour la détection de l'activité, la liaison aux lipides, etc.

Une approche génétique pour l'identification d'interactions protéine-protéine potentielles. La protéine X est fusionnée au domaine de liaison à l'ADN spécifique au site d'un facteur de transcription et la protéine Y à son domaine d'activation de la transcription — l'interaction entre les protéines reconstitue l'activité du facteur de transcription et conduit à l'expression de gènes rapporteurs avec des sites de reconnaissance pour l'ADN. domaine de liaison.

Une classe de petits ARN non codants qui sont importants pour le développement et l'homéostasie cellulaire, avec des rôles possibles dans plusieurs pathologies humaines.


SOUMISSION DE DONNÉES

Les données sont saisies dans BIND par des méthodes manuelles ou automatiques. Les conservateurs experts de l'équipe BIND saisissent en permanence des dossiers de haute qualité. Les utilisateurs sont encouragés à saisir des enregistrements dans la base de données via le système Web ou à contacter le personnel de BIND s'ils souhaitent traiter des ensembles de données volumineux. Une simple soumission consiste à saisir les informations de contact (qui ne doivent être faites que la première fois que vous soumettez à BIND), l'identifiant PubMed et deux molécules en interaction (qui peuvent être facilement identifiées par leurs identifiants gi). Chaque enregistrement saisi de cette manière sera validé par les indexeurs BIND et par au moins un autre expert avant d'être rendu disponible dans toute publication de données publique.

La politique de GenBank sur la propriété des enregistrements est suivie car nous espérons que BIND deviendra une base de données de soumission publique principale pour les données d'interaction, de complexes moléculaires et de voies. Une telle politique exige que la personne qui soumet un enregistrement en soit propriétaire et possède le droit exclusif de modifier cet enregistrement. Les enregistrements de la version publique de BIND sont dans le domaine public.

Des outils peuvent également être écrits à l'aide de l'API BIND pour importer des données à partir d'autres sources. De tels outils ont été écrits pour importer des informations à partir de la base de données DIP (13) et de récents projets de cartographie des interactions protéine-protéine hybrides de levure (14, 15). Les bases de données qui contiennent des sous-ensembles d'informations d'interaction pouvant être stockées dans BIND sont de plus en plus nombreuses et sont des candidats de choix pour les outils d'importation de données. Dans les cas où ces bases de données sont gratuites pour un usage académique mais ne sont pas autorisées à être distribuées par un tiers, nous mettrons à disposition des outils d'importation.


Liste des théories utilisées en travail social

En tant que travailleur social, plus de connaissances peuvent conduire à une approche plus éclairée et à des interactions plus efficaces avec les clients. Ici, nous allons creuser dans des décennies de recherche pour partager un ensemble complet de théories et de modèles de pratique du travail social, notamment :

Théorie des systèmes

Les années 1950 ont été une décennie d'innovation mondiale. Des codes-barres aux cartes de crédit, des ordinateurs commerciaux aux enregistrements sur cassette vidéo, des inventions de pointe montaient sur scène. À peu près à la même époque, un nouveau développement du travail social faisait ses débuts : la théorie des systèmes.

Inspirée par les avancées majeures dans les domaines de la psychologie, de la communication et de la psychiatrie, la théorie des systèmes repose sur la conviction que les individus ne fonctionnent pas de manière isolée. Au contraire, la théorie positionne les gens comme des produits de systèmes complexes : influencés par une variété de facteurs externes, y compris d'autres individus, familles, communautés et organisations.

Théorie des systèmes écologiques

Développée par la psychologue américaine Urie Bronfenbrenner, la théorie des systèmes écologiques met l'accent sur l'importance d'observer les personnes dans de multiples environnements, ou systèmes, pour bien comprendre leur comportement. Dans sa théorie, Bronfenbrenner décrit cinq systèmes distincts :

  • Les microsystème est le petit environnement immédiat de quelqu'un. Pour un enfant, cela comprend généralement la famille directe, les enseignants, les pairs et les soignants. Les relations dans le microsystème sont bidirectionnelles - par exemple, un parent traitant un enfant avec gentillesse affectera probablement la façon dont l'enfant traite le parent en retour. Pour cette raison, certains considèrent le microsystème comme le niveau le plus influent de la théorie des systèmes écologiques.
  • Les mésosystème consiste en des interactions entre les différentes parties du microsystème d'une personne. Par exemple, entre le parent d'un enfant et l'enseignant. Un travailleur social utilisant cette théorie dans la pratique quotidienne pourrait se demander : « Les différentes parties du microsystème de mon client travaillent-elles ensemble pour avoir un impact positif ou s'opposent-elles ? »
  • Les exosystème est l'environnement indirect d'un individu. Prenons un enfant dont le père est un soldat en service actif. Bien que l'armée ne fasse pas partie de l'environnement direct de cet enfant, elle l'influence toujours mentalement et émotionnellement et peut avoir un impact sur ses pensées, ses relations et son comportement.
  • Les macrosystème est l'ensemble global de croyances, de valeurs et de normes d'une société. Ce système a souvent un effet en cascade sur le comportement dans tous les autres systèmes, servant de filtre à travers lequel un individu interprète ses expériences. Par exemple, un enfant peut grandir en pensant que son statut socio-économique est un facteur limitant dans la vie. Cette croyance au niveau du macrosystème peut les amener à se comporter différemment à l'école - pour le positif ou le négatif, selon l'individu.
  • Les chronosystème comprend des changements majeurs qui influencent le développement d'un individu au fil du temps. Cela pourrait inclure des changements dans la structure familiale, le statut d'emploi ou l'adresse, ainsi que des changements sociétaux importants comme les guerres, les mouvements de droits civiques ou les flux économiques.

Théorie des systèmes familiaux

La théorie des systèmes familiaux a été développée au milieu des années 1950, alors que le psychiatre américain Murray Bowen travaillait au National Institute of Mental Health. Sur la base de sa connaissance des modèles familiaux et de la théorie des systèmes, Bowen croyait que les personnalités, les émotions et les comportements des individus adultes pouvaient être attribués à leurs interactions familiales. La famille, a-t-il suggéré, est une unité émotionnelle et peut donc jouer un rôle formateur dans le développement.

Dans le travail social, les professionnels peuvent permettre aux familles d'essayer différentes façons de faire les choses, comme enseigner à un parent comment maintenir des limites appropriées avec son enfant. La famille est identifiée comme un système social et la thérapie utilise ce concept pour soutenir la croissance des clients.

Théorie de la contingence

La théorie de la contingence explique que les résultats individuels dépendent d'une variété de facteurs situationnels spécifiques. Dans le domaine du travail social, la théorie de la contingence peut vous inciter à rechercher la compréhension en tenant compte de toutes les influences internes et externes qui contribuent au problème d'un client.

Ressources liées à la théorie des systèmes

Théorie du comportementalisme et de l'apprentissage social

Qu'est-ce qui motive le comportement humain ? C'est une question qui se pose depuis des décennies et qui est particulièrement pertinente dans le domaine du travail social. Le béhaviorisme et la théorie de l'apprentissage social fournissent aux travailleurs sociaux un cadre utile pour comprendre les clients.

En apprenant comment les expériences passées influencent le comportement actuel, vous pouvez développer une approche fondée sur la recherche pour fournir des soins ciblés.

Théorie de l'apprentissage social

La théorie de l'apprentissage social a été développée par l'influent psychologue de l'Université de Stanford, Albert Bandura. En 1961, Bandura a mené son expérience la plus connue : l'étude de la poupée Bobo. Dans cette expérience, les enfants ont regardé un adulte crier et battre une poupée Bobo à la télévision.

Plus tard ce même jour, les enfants ont été laissés jouer dans une pièce contenant une poupée Bobo – et ceux qui avaient vu le film étaient plus susceptibles de tourmenter la poupée, imitant le comportement auquel ils avaient été exposés plus tôt. En conséquence, la théorie de l'apprentissage social postule que l'apprentissage se fait par l'observation et l'imitation.

Behaviorisme et théorie du comportement

Selon le béhaviorisme, tous les comportements sont acquis par conditionnement. En ajoutant un stimulus conditionné avant un stimulus inconditionné qui conduit à une réponse inconditionnée, le stimulus conditionné conduira à une nouvelle réponse conditionnée. Dans sa célèbre expérience, le psychologue russe Ivan Pavlov a conditionné des chiens à produire de la salive au son d'un métronome. En introduisant systématiquement le métronome avant l'heure du repas, il a découvert que le son seul conduirait à la salivation — en prévision de l'heure du repas.

De même, les humains peuvent être conditionnés à répondre à des stimuli spécifiques. Par exemple, un enfant peut travailler plus dur à l'école si on lui promet une récompense pour avoir obtenu de bonnes notes.

Théorie cognitive en travail social

La théorie cognitive révèle comment la pensée d'une personne influence le comportement. Cette théorie met l'accent sur les schémas de pensée dysfonctionnels qui influencent les comportements problématiques - ce que nous nous disons après un événement. Les œuvres sociales peuvent utiliser cette approche dans les séances de thérapie pour lier les pensées dysfonctionnelles qui surviennent après et avant les comportements.

Ressources liées à la théorie du comportementalisme et de l'apprentissage social

Théorie psychodynamique

Originally introduced by Sigmund Freud, psychodynamic theory has a storied history within social work. This theory is based on Freud’s belief that humans are intra-psychologically driven to seek gratification and that these impulses largely influence our everyday behavior. Psychodynamic theory has four major schools of thought: drive theory, ego psychology, object relations theory and self-psychology.

Drive Theory

This psychodynamic theory is based on Freud’s belief that humans are biologically driven to seek gratification of their endogenous drive — and that these impulses largely influence our everyday behavior. Per Freud, these primary drives include sex, self-preservation, and aggression. Impositions on these drives may be external or internal via superego and ego psychic structures introduced by Freud. Social workers who approach clients with theoretical orientation on drive may posit that a client’s actions are based on an innate suppression of, otherwise, socially unacceptable actions.

Ego Psychology

According to the American Psychological Association (APA), ego psychology is an approach that emphasizes the functions of the ego in controlling impulses, planning, and dealing with the external environment. Freud believed that the ego is weak in relation to one’s id. Ego psychology combines biological and psychological views of development by understanding the influences of socio cultural impacts on function.

Object Relations Theory

Object-relations theory is a branch of psychodynamic thought that suggests relationships are more critical to personality development than individual drives and abilities. Accordingly, social workers may want to study the interactions between a client and the people who played a significant role in their life in early childhood.

Self Psychology

Self psychology was introduced by Austrian psychoanalyst Heinz Kohut in the early 1970s and has since become one of social work’s most significant analytic theories. According to self psychology, humans have a distinct set of development needs and transferences: mirroring, idealizing, and alter ego. If a parent fails to meet those needs in childhood, an individual may wind up unable to regulate self-esteem — and therefore, may be overly dependent on others to provide those functions. In the realm of social work, this calls for a careful understanding of early occurrences and shortcomings.

Psychodynamic Related Resources

Developmental Perspective

Croissance. Changer. Consistency. By adopting a developmental perspective, social workers can start uncovering the patterns of a person’s life. A large portion of developmental theories focus on childhood, since this is such a formative time.

Psychosocial Developmental Theory

Inspired by the earlier work of Sigmund Freud, German psychoanalyst Erik Erikson developed an eight-stage theory of identity and psychosocial development. According to Erikson, everyone must pass through eight stages of development throughout their life cycle: hope, will, purpose, competence, fidelity, love, care, and wisdom. As a social worker, you may find it useful to identify a client’s current stage to pinpoint what challenges they’re currently facing.

Transpersonal Theory

Transpersonal theory suggests the existence of stages beyond the adult ego. These stages contribute to creativity, wisdom, and altruism in healthy individuals—but can lead to psychosis in those lacking healthy ego development. In social work, transpersonal theory may be used to treat anxiety, depression, addiction and other mental health concerns. Typically spiritual approaches as used such as meditation, guided visualization, hypnotherapy and more.

Developmental Perspective Related Resources

Rational Choice Perspective

Rational choice perspective is based on the idea that people calculate risks and benefits before making any decision, since all actions are fundamentally rational in character. Studying this theory can help social workers better understand client behavior. For instance, an action that seems objectively irrational to some, may make more sense upon closer examination of the individual’s context.

Social Exchange Theory

Social exchange theory dates back to 1958, when American sociologist George Homans published the paper “Social Behavior as Exchange.” According to Homans, any two-person relationship can be viewed in terms of cost-benefit analysis—what am I giving, and what am I getting in return? The APA defines social exchange theory as a concern of social interactions in exchanges where all participants seek to maximize their benefits. Within social work, professionals may utilize their theory to better understand interactions with their client and others around them — diving into the intrinsic rewards they may receive.

Social Constructionism

True. Faux. Bon. Bad. Right. Wrong. In social constructionism, these are all relative concepts, entirely dependent on the person who is interpreting them. This concept abandons the idea that one’s mind represents a mirror of reality—rather, it suggests that each of us creates our own world from our individual perceptions and interactions with others in the community.

Symbolic Interactionism

Symbolic interactionism positions communication as the central way in which people make sense of their social worlds. American psychologist Herbert Blumer introduced three premises of symbolic interactionism:

  1. Humans interact with objects, institutions, and other individuals based on ascribed meanings.
  2. These ascribed meanings are inspired by our interactions with others and society.
  3. The meanings are interpreted by individuals in specific circumstances.

Imagine, for example, that your client professes a love for baking. Adopting a lens of symbolic interactionism, you may dig deeper into the ascribed meaning behind this act. Perhaps your client makes meringues because they used to help their mother do so in childhood — and for them, escaping to the kitchen is an act of comfort and safety.

Rational Choice Perspective Related Resources

Conflict Theory

Conflict theory explains how different power structures impact people’s lives. In this theory, life is characterized by conflict—whether that’s oppression, discrimination, power struggles, or structural inequality. In addressing these asymmetrical power relationships, social workers can strive to reduce tensions between different groups.


Des articles

It was highlighted that the original article [1] contained errors in the figures and their legends and by extension the in-text figure citations. This Corrections article shows the correct figures and correct .

Authors: Guan-Sheng Liu, Richard Ballweg, Alan Ashbaugh, Yin Zhang, Joseph Facciolo, Melanie T. Cushion and Tongli Zhang

Citation: BMC Systems Biologie 2019 13 :40

Published on: 12 August 2019

The original article was published in BMC Systems Biologie 2018 12:77

Network-based characterization of drug-protein interaction signatures with a space-efficient approach

Characterization of drug-protein interaction networks with biological features has recently become challenging in recent pharmaceutical science toward a better understanding of polypharmacology.

Authors: Yasuo Tabei, Masaaki Kotera, Ryusuke Sawada and Yoshihiro Yamanishi

Citation: BMC Systems Biologie 2019 13(Suppl 2) :39

Published on: 5 April 2019

This article is part of a Supplement: Volume 13 Supplement 2

GNE: a deep learning framework for gene network inference by aggregating biological information

The topological landscape of gene interaction networks provides a rich source of information for inferring functional patterns of genes or proteins. However, it is still a challenging task to aggregate heterog.

Authors: Kishan KC, Rui Li, Feng Cui, Qi Yu and Anne R. Haake

Citation: BMC Systems Biologie 2019 13(Suppl 2) :38

Published on: 5 April 2019

This article is part of a Supplement: Volume 13 Supplement 2

Fusing gene expressions and transitive protein-protein interactions for inference of gene regulatory networks

Systematic fusion of multiple data sources for Gene Regulatory Networks (GRN) inference remains a key challenge in systems biology. We incorporate information from protein-protein interaction networks (PPIN) i.

Authors: Wenting Liu and Jagath C. Rajapakse

Citation: BMC Systems Biologie 2019 13(Suppl 2) :37

Published on: 5 April 2019

This article is part of a Supplement: Volume 13 Supplement 2

Boolean network modeling of ??-cell apoptosis and insulin resistance in type 2 diabetes mellitus

Major alteration in lifestyle of human population has promoted Type 2 diabetes mellitus (T2DM) to the level of an epidemic. This metabolic disorder is characterized by insulin resistance and pancreatic ??-cell dys.

Authors: Pritha Dutta, Lichun Ma, Yusuf Ali, Peter M.A. Sloot and Jie Zheng

Citation: BMC Systems Biologie 2019 13(Suppl 2) :36

Published on: 5 April 2019

This article is part of a Supplement: Volume 13 Supplement 2

Ultrafast clustering of single-cell flow cytometry data using FlowGrid

Flow cytometry is a popular technology for quantitative single-cell profiling of cell surface markers. It enables expression measurement of tens of cell surface protein markers in millions of single cells. Ce .

Authors: Xiaoxin Ye and Joshua W. K. Ho

Citation: BMC Systems Biologie 2019 13(Suppl 2) :35

Published on: 5 April 2019

This article is part of a Supplement: Volume 13 Supplement 2

Predicting disease-related phenotypes using an integrated phenotype similarity measurement based on HPO

Improving efficiency of disease diagnosis based on phenotype ontology is a critical yet challenging research area. Recently, Human Phenotype Ontology (HPO)-based semantic similarity has been affectively and wi.

Authors: Hansheng Xue, Jiajie Peng and Xuequn Shang

Citation: BMC Systems Biologie 2019 13(Suppl 2) :34

Published on: 5 April 2019

This article is part of a Supplement: Volume 13 Supplement 2

Anti-TNF- ??treatment-related pathways and biomarkers revealed by transcriptome analysis in Chinese psoriasis patients

Anti-tumor necrosis factor alpha (TNF- ??) therapy has made a significant impact on treating psoriasis. Despite these agents being designed to block TNF- ?? activity, their mechanism of action in the remission of p.

Authors: Lunfei Liu, Wenting Liu, Yuxin Zheng, Jisu Chen, Jiong Zhou, Huatuo Dai, Suiqing Cai, Jianjun Liu, Min Zheng and Yunqing Ren

Citation: BMC Systems Biologie 2019 13(Suppl 2) :29

Published on: 5 April 2019

This article is part of a Supplement: Volume 13 Supplement 2

A fast and efficient count-based matrix factorization method for detecting cell types from single-cell RNAseq data

Single-cell RNA sequencing (scRNAseq) data always involves various unwanted variables, which would be able to mask the true signal to identify cell-types. More efficient way of dealing with this issue is to ex.

Authors: Shiquan Sun, Yabo Chen, Yang Liu and Xuequn Shang

Citation: BMC Systems Biologie 2019 13(Suppl 2) :28

Published on: 5 April 2019

This article is part of a Supplement: Volume 13 Supplement 2

Identification of Hürthle cell cancers: solving a clinical challenge with genomic sequencing and a trio of machine learning algorithms

Identification of Hürthle cell cancers by non-operative fine-needle aspiration biopsy (FNAB) of thyroid nodules is challenging. Resultingly, non-cancerous Hürthle lesions were conventionally distinguished from.

Authors: Yangyang Hao, Quan-Yang Duh, Richard T. Kloos, Joshua Babiarz, R. Mack Harrell, S. Thomas Traweek, Su Yeon Kim, Grazyna Fedorowicz, P. Sean Walsh, Peter M. Sadow, Jing Huang and Giulia C. Kennedy

Citation: BMC Systems Biologie 2019 13(Suppl 2) :27

Published on: 5 April 2019

This article is part of a Supplement: Volume 13 Supplement 2

FCMDAP: using miRNA family and cluster information to improve the prediction accuracy of disease related miRNAs

Biological experiments have confirmed the association between miRNAs and various diseases. However, such experiments are costly and time consuming. Computational methods help select potential disease-related m.

Authors: Xiaoying Li, Yaping Lin, Changlong Gu and Jialiang Yang

Citation: BMC Systems Biologie 2019 13(Suppl 2) :26

Published on: 5 April 2019

This article is part of a Supplement: Volume 13 Supplement 2

PMAMCA: prediction of microRNA-disease association utilizing a matrix completion approach

Numerous experimental results have indicated that microRNAs (miRNAs) play a vital role in biological processes, as well as outbreaks of diseases at the molecular level. Despite their important role in biologic.

Authors: Jihwan Ha, Chihyun Park and Sanghyun Park

Citation: BMC Systems Biologie 2019 13 :33

Content type: Research article

Published on: 20 March 2019

Adaptive information processing of network modules to dynamic and spatial stimuli

Adaptation and homeostasis are basic features of information processing in cells and seen in a broad range of contexts. Much of the current understanding of adaptation in network modules/motifs is based on the.

Authors: J. Krishnan and Ioannis Floros

Citation: BMC Systems Biologie 2019 13 :32

Content type: Research article

Published on: 14 March 2019

Correction to: Pathway crosstalk perturbation network modeling for identification of connectivity changes induced by diabetic neuropathy and pioglitazone

Authors: Guillermo de Anda-Jáuregui, Kai Guo, Brett A. McGregor, Eva L. Feldman and Junguk Hur

Citation: BMC Systems Biologie 2019 13 :31

Published on: 13 March 2019

The original article was published in BMC Systems Biologie 2019 13:1

How to schedule VEGF and PD-1 inhibitors in combination cancer therapy?

One of the questions in the design of cancer clinical trials with combination of two drugs is in which order to administer the drugs. This is an important question, especially in the case where one agent may i.

Authors: Xiulan Lai and Avner Friedman

Citation: BMC Systems Biologie 2019 13 :30

Content type: Research article

Published on: 13 March 2019

LSM-W 2 : laser scanning microscopy worker for wheat leaf surface morphology

Microscopic images are widely used in plant biology as an essential source of information on morphometric characteristics of the cells and the topological characteristics of cellular tissue pattern due to mode.

Authors: Ulyana S. Zubairova, Pavel Yu. Verman, Polina A. Oshchepkova, Alina S. Elsukova and Alexey V. Doroshkov

Citation: BMC Systems Biologie 2019 13(Suppl 1) :22

Published on: 5 March 2019

This article is part of a Supplement: Volume 13 Supplement 1

Systems biology research at BGRS-2018

Authors: Yuriy L. Orlov, Ralf Hofestädt and Ancha V. Baranova

Citation: BMC Systems Biologie 2019 13(Suppl 1) :21

Content type: Introduction

Published on: 5 March 2019

This article is part of a Supplement: Volume 13 Supplement 1

Towards embedding Caco-2 model of gut interface in a microfluidic device to enable multi-organ models for systems biology

A cancer cell line originating from human epithelial colorectal adenocarcinoma (Caco-2 cells) serves as a high capacity model for a preclinical screening of drugs. Recent need for incorporating barrier tissue .

Authors: Dmitry Sakharov, Diana Maltseva, Evgeny Knyazev, Sergey Nikulin, Andrey Poloznikov, Sergey Shilin, Ancha Baranova, Irina Tsypina and Alexander Tonevitsky

Citation: BMC Systems Biologie 2019 13(Suppl 1) :19

Published on: 5 March 2019

This article is part of a Supplement: Volume 13 Supplement 1

Urine proteome changes associated with autonomic regulation of heart rate in cosmonauts

The strategy of adaptation of the human body in microgravity is largely associated with the plasticity of cardiovascular system regulatory mechanisms. During long-term space flights the changes in the stroke v.

Authors: Lyudmila H. Pastushkova, Vasily B. Rusanov, Anna G. Goncharova, Alexander G. Brzhozovskiy, Alexey S. Kononikhin, Anna G. Chernikova, Daria N. Kashirina, Andrey M. Nosovsky, Roman M. Baevsky, Evgeny N. Nikolaev and Irina M. Larina


Neet KE: Enzyme catalytic power minireview series. J Biol Chem. 1998, 273: 25527-25528. 10.1074/jbc.273.40.25527.

Radzicka A, Wolfenden R: A Proficient Enzyme. Science. 1995, 267: 90-93.

Kraut J: How Do Enzymes Work. Science. 1988, 242: 533-540.

Knowles JR: Enzyme Catalysis - Not Different, Just Better. La nature. 1991, 350: 121-124. 10.1038/350121a0.

Fischer E: Ber Dtsch Chem Ges. 1894, 27: 3189-

Haldane JBS: Enzymes. 1930, London, Longmans, Green

Cannon WR, Benkovic SJ: Solvation, reorganization energy, and biological catalysis. J Biol Chem. 1998, 273: 26257-26260. 10.1074/jbc.273.41.26257.

Agarwal PK, Billeter SR, Rajagopalan PTR, Benkovic SJ, Hammes-Schiffer S: Network of coupled promoting motions in enzyme catalysis. Proc Natl Acad Sci U S A. 2002, 99: 2794-2799. 10.1073/pnas.052005999.

Benkovic SJ, Hammes-Schiffer S: A perspective on enzyme catalysis. Science. 2003, 301: 1196-1202. 10.1126/science.1085515.

Agarwal PK, Geist A, Gorin A: Protein dynamics and enzymatic catalysis: investigating the peptidyl-prolyl cis-trans isomerization activity of cyclophilin A. Biochemistry. 2004, 43: 10605-10618. 10.1021/bi0495228.

Agarwal PK: Cis/trans isomerization in HIV-1 capsid protein catalyzed by cyclophilin A: insights from computational and theoretical studies. Proteins: Struct Func Bioinform. 2004, 56: 449-463. 10.1002/prot.20135.

Agarwal PK: Role of protein dynamics in reaction rate enhancement by enzymes. J Am Chem Soc. 2005, 127: 15248-15256. 10.1021/ja055251s.

Schramm VL, Shi WX: Atomic motion in enzymatic reaction coordinates. Curr Opin Struct Biol. 2001, 11: 657-665. 10.1016/S0959-440X(01)00269-X.

Heller WT: Influence of multiple well defined conformations on small-angle scattering of proteins in solution. Acta Crystallogr D. 2005, 61: 33-44. 10.1107/S0907444904025855.

Eisenmesser EZ, Bosco DA, Akke M, Kern D: Enzyme dynamics during catalysis. Science. 2002, 295: 1520-1523. 10.1126/science.1066176.

Bosco DA, Eisenmesser EZ, Pochapsky S, Sundquist WI, Kern D: Catalysis of cis/trans isomerization in native HIV-1 capsid by human cyclophilin A. Proc Natl Acad Sci U S A. 2002, 99: 5247-5252. 10.1073/pnas.082100499.

Wand AJ: Dynamic activation of protein function: A view emerging from NMR spectroscopy. Nat Struct Biol. 2001, 8: 926-931. 10.1038/nsb1101-926.

Zavodszky P, Kardos J, Svingor A, Petsko GA: Adjustment of conformational flexibility is a key event in the thermal adaptation of proteins. Proc Natl Acad Sci U S A. 1998, 95: 7406-7411. 10.1073/pnas.95.13.7406.

Zaccai G: Biochemistry - How soft is a protein? A protein dynamics force constant measured by neutron scattering. Science. 2000, 288: 1604-1607. 10.1126/science.288.5471.1604.

Osborne MJ, Schnell J, Benkovic SJ, Dyson HJ, Wright PE: Backbone dynamics in dihydrofolate reductase complexes: Role of loop flexibility in the catalytic mechanism. Biochemistry. 2001, 40: 9846-9859. 10.1021/bi010621k.

Cameron CE, Benkovic SJ: Evidence for a functional role of the dynamics of glycine-121 of Escherichia coli dihydrofolate reductase obtained from kinetic analysis of a site-directed mutant. Biochemistry. 1997, 36: 15792-15800. 10.1021/bi9716231.

Fenimore PW, Frauenfelder H, McMahon BH, Young RD: Bulk Solvent and hydration-shell fluctuations, similar to a- and b-fluctuations in glasses, control protein motions and functions. P Natl Acad Sci USA. 2004, 101: 14408-14413. 10.1073/pnas.0405573101.

Frauenfelder H, Fenimore PW, McMahon BH: Hydration, slaving and protein function. Biophys Chem. 2002, 98: 35-48. 10.1016/S0301-4622(02)00083-2.

Handschumacher RE, Harding MW, Rice J, Drugge RJ: Cyclophilin - a Specific Cytosolic Binding-Protein for Cyclosporin-A. Science. 1984, 226: 544-547.

Takahashi N, Hayano T, Suzuki M: Peptidyl-Prolyl Cis-Trans Isomerase Is the Cyclosporin-a-Binding Protein Cyclophilin. La nature. 1989, 337: 473-475. 10.1038/337473a0.

Gothel SF, Marahiel MA: Peptidyl-prolyl cis-trans isomerases, a superfamily of ubiquitous folding catalysts. Cell Mol Life Sci. 1999, 55: 423-436. 10.1007/s000180050299.

Rovira P, Mascarell L, Truffa-Bachi P: The impact of immunosuppressive drugs on the analysis of T-cell activation. Curr Med Chem. 2000, 7: 673-692.

Fischer G: Chemical aspects of peptide bond isomerisation. Chem Soc Rev. 2000, 29: 119-127. 10.1039/a803742f.

Zhao YD, Ke HM: Crystal structure implies that cyclophilin predominantly catalyzes the trans to cis isomerization. Biochemistry. 1996, 35: 7356-7361. 10.1021/bi9602775.

Zhao YD, Ke HM: Mechanistic implication of crystal structures of the cyclophilin-dipeptide complexes. Biochemistry. 1996, 35: 7362-7368. 10.1021/bi960278x.

Vajdos FE, Yoo SH, Houseweart M, Sundquist WI, Hill CP: Crystal structure of cyclophilin A complexed with a binding site peptide from the HIV-1 capsid protein. Protein Sci. 1997, 6: 2297-2307.

Page AP, Kumar S, Carlow CKS: Parasite Cyclophilins and Antiparasite Activity of Cyclosporine-A. Parasitology Today. 1995, 11: 385-388. 10.1016/0169-4758(95)80007-7.

Chappell LH, Wastling JM: Cyclosporine-a - Antiparasite Drug, Modulator of the Host-Parasite Relationship and Immunosuppressant. Parasitology. 1992, 105: S25-S40.

Gamble TR, Vajdos FF, Yoo SH, Worthylake DK, Houseweart M, Sundquist WI, Hill CP: Crystal structure of human cyclophilin A bound to the amino- terminal domain of HIV-1 capsid. Cellule. 1996, 87: 1285-1294. 10.1016/S0092-8674(00)81823-1.

Yoo SH, Myszka DG, Yeh CY, McMurray M, Hill CP, Sundquist WI: Molecular recognition in the HIV-1 capsid/cyclophilin a complex. J Mol Biol. 1997, 269: 780-795. 10.1006/jmbi.1997.1051.

Saphire ACS, Bobardt MD, Gallay PA: trans-complementation rescue of cyclophilin A-deficient viruses reveals that the requirement for cyclophilin A in human immunodeficiency virus type 1 replication is independent of its isomerase activity. J Virol. 2002, 76: 2255-2262. 10.1128/jvi.76.5.2255-2262.2002.

Howard BR, Vajdos FF, Li S, Sundquist WI, Hill CP: Structural insights into the catalytic mechanism of cyclophilin A. Nat Struct Biol. 2003, 10: 475-481. 10.1038/nsb927.

Braaten D, Franke EK, Luban J: Cyclophilin A is required for an early step in the life cycle of human immunodeficiency virus type 1 before the initiation of reverse transcription. J Virol. 1996, 70: 3551-3560.

Wiegers K, Krausslich HG: Differential dependence of the infectivity of HIV-1 group O isolates on the cellular protein cyclophilin A. Virology. 2002, 294: 289-295. 10.1006/viro.2001.1347.

Li G, Cui Q: What is so special about Arg 55 in the catalysis of cyclophilin A? insights from hybrid QM/MM simulations. J Am Chem Soc. 2003, 125: 15028-15038. 10.1021/ja0367851.

Garcia-Viloca M, Gao J, Karplus M, Truhlar DG: How enzymes work: Analysis by modern rate theory and computer simulations. Science. 2004, 303: 186-195. 10.1126/science.1088172.

Torrie GM, Valleau JP: Non-Physical Sampling Distributions in Monte-Carlo Free-Energy Estimation - Umbrella Sampling. J Comput Phys. 1977, 23: 187-199. 10.1016/0021-9991(77)90121-8.

Kumar S, Bouzida D, Swendsen RH, Kollman PA, Rosenberg JM: The Weighted Histogram Analysis Method for Free-Energy Calculations on Biomolecules .1. The Method. J Comput Chem. 1992, 13: 1011-1021. 10.1002/jcc.540130812.

Levy RM, Karplus M, Kushick J, Perahia D: Evaluation of the Configurational Entropy for Proteins - Application to Molecular-Dynamics Simulations of an Alpha-Helix. Macromolecules. 1984, 17: 1370-1374. 10.1021/ma00137a013.

Eisenmesser EZ, Millet O, Labeikovsky W, Korzhnev DM, Wolf-Watz M, Bosco DA, Skalicky JJ, Kay LE, Kern D: Intrinsic dynamics of an enzyme underlies catalysis. La nature. 2005, 438: 117-121. 10.1038/nature04105.

Bouvignies G, Bernado P, Meier S, Cho K, Grzesiek S, Bruschweiler R, Blackledge M: Identification of slow correlated motions in proteins using residual dipolar and hydrogen-bond scalar couplings. P Natl Acad Sci USA. 2005, 102: 13885-13890. 10.1073/pnas.0505129102.

Tournier AL, Xu JC, Smith JC: Translational hydration water dynamics drives the protein glass transition. Biophys J. 2003, 85: 1871-1875.

Tournier AL, Xu JC, Smith JC: Solvent caging of internal motions in myoglobin at low temperatures. Physchemcomm. 2003, 6-8. 10.1039/b209839c.

Gerlt JA, Babbitt PC: Mechanistically diverse enzyme superfamilies: the importance of chemistry in the evolution of catalysis. Curr Opin Chem Biol. 1998, 2: 607-612. 10.1016/S1367-5931(98)80091-4.

Babbitt PC, Gerlt JA: Understanding enzyme superfamilies - Chemistry as the fundamental determinant in the evolution of new catalytic activities. J Biol Chem. 1997, 272: 30591-30594. 10.1074/jbc.272.49.30591.

Sawaya MR, Kraut J: Loop and subdomain movements in the mechanism of Escherichia coli dihydrofolate reductase: Crystallographic evidence. Biochemistry. 1997, 36: 586-603. 10.1021/bi962337c.

Agarwal PK, Billeter SR, Hammes-Schiffer S: Nuclear quantum effects and enzyme dynamics in dihydrofolate reductase catalysis. J Phys Chem B. 2002, 106: 3283-3293. 10.1021/jp020190v.

Watney JB, Agarwal PK, Hammes-Schiffer S: Effect of mutation on enzyme motion in dihydrofolate reductase. J Am Chem Soc. 2003, 125: 3745-3750. 10.1021/ja028487u.

Schnell JR, Dyson HJ, Wright PE: Effect of cofactor binding and loop conformation on side chain methyl dynamics in dihydrofolate reductase. Biochemistry. 2004, 43: 374-383. 10.1021/bi035464z.

Garcia-Viloca M, Truhlar DG, Gao JL: Reaction-path energetics and kinetics of the hydride transfer reaction catalyzed by dihydrofolate reductase. Biochemistry. 2003, 42: 13558-13575. 10.1021/bi034824f.

Thorpe IF, Brooks CL: The coupling of structural fluctuations to hydride transfer in dihydrofolate reductase. Proteins: Struct Func Bioform. 2004, 57: 444-457. 10.1002/prot.20219.

Rajagopalan PTR, Lutz S, Benkovic SJ: Coupling interactions of distal residues enhance dihydrofolate reductase catalysis: Mutational effects on hydride transfer rates. Biochemistry. 2002, 41: 12618-12628. 10.1021/bi026369d.

Bahnson BJ, Colby TD, Chin JK, Goldstein BM, Klinman JP: A link between protein structure and enzyme catalyzed hydrogen tunneling. Proc Natl Acad Sci U S A. 1997, 94: 12797-12802. 10.1073/pnas.94.24.12797.

Colby TD, Bahnson BJ, Chin JK, Klinman JP, Goldstein BM: Active site modifications in a double mutant of liver alcohol dehydrogenase: Structural studies of two enzyme-ligand complexes. Biochemistry. 1998, 37: 9295-9304. 10.1021/bi973184b.

Agarwal PK, Webb SP, Hammes-Schiffer S: Computational studies of the mechanism for proton and hydride transfer in liver alcohol dehydrogenase. J Am Chem Soc. 2000, 122: 4803-4812. 10.1021/ja994456w.

Webb SP, Agarwal PK, Hammes-Schiffer S: Combining electronic structure methods with the calculation of hydrogen vibrational wavefunctions: Application to hydride transfer in liver alcohol dehydrogenase. J Phys Chem B. 2000, 104: 8884-8894. 10.1021/jp001635n.

Billeter SR, Webb SP, Agarwal PK, Iordanov T, Hammes-Schiffer S: Hydride transfer in liver alcohol dehydrogenase: Quantum dynamics, kinetic isotope effects, and role of enzyme motion. J Am Chem Soc. 2001, 123: 11262-11272. 10.1021/ja011384b.

Billeter SR, Webb SP, Iordanov T, Agarwal PK, Hammes-Schiffer S: Hybrid approach for including electronic and nuclear quantum effects in molecular dynamics simulations of hydrogen transfer reactions in enzymes. J Chem Phys. 2001, 114: 6925-6936. 10.1063/1.1356441.

Hammes GG: Multiple conformational changes in enzyme catalysis. Biochemistry. 2002, 41: 8221-8228. 10.1021/bi0260839.

Kohen A: Kinetic isotope effects as probes for hydrogen tunneling, coupled motion and dynamics contributions to enzyme catalysis. Prog React Kinet Mec. 2003, 28: 119-156.

Tousignant A, Pelletier JN: Protein motions promote catalysis. Chem Biol. 2004, 11: 1037-1042. 10.1016/j.chembiol.2004.06.007.

Lockless SW, Ranganathan R: Evolutionarily conserved pathways of energetic connectivity in protein families. Science. 1999, 286: 295-299. 10.1126/science.286.5438.295.

Moritsugu K, Miyashita O, Kidera A: Vibrational energy transfer in a protein molecule. Phys Rev Lett. 2000, 85: 3970-3973. 10.1103/PhysRevLett.85.3970.

Moritsugu K, Miyashita O, Kidera A: Temperature dependence of vibrational energy transfer in a protein molecule. J Phys Chem B. 2003, 107: 3309-3317. 10.1021/jp027823q.

Heyes DJ, Hunter CN, van Stokkum IHM, van Grondelle R, Groot ML: Ultrafast enzymatic reaction dynamics in protochlorophyllide oxidoreductase. Nat Struct Biol. 2003, 10: 491-492. 10.1038/nsb929.