Información

D1: Introducción al potencial químico - Biología

D1: Introducción al potencial químico - Biología


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.

Hemos estudiado las fuerzas intermoleculares involucradas cuando los anfífilos de cadena simple y los anfífilos de cadena doble forman micelas y bicapas, respectivamente. Para obtener una mayor comprensión de estos procesos, necesitamos comprender la termodinámica de la formación de micelas y bicapas. Primero debemos entender el concepto de potencial químico, que está relacionado con la energía libre de una reacción.

( Delta G ), el cambio de energía libre para una reacción, determina la espontaneidad y el alcance de una reacción química o física. La energía libre del sistema depende de 3 variables, T, P y n, el número de moles de cada sustancia. Si el sistema está compuesto por dos partes diferentes, (A ) y (B ), el sistema está en equilibrio (ΔG = 0) si Ta = Tb, Pa = Pb y dG / dn para A (μa) es igual a μB. (μ ) es el potencial químico de una sustancia, donde (μ_a ) se da como

[μ = μ ^ o + RT ln [A]. ]

El potencial químico es realmente la energía libre por mol.

Expresado en términos matemáticos más formales, dado que las variables naturales de G y μ son T, P y n, podemos escribir:

[dG = (ƒG / ƒT) _ {P, n} + (ƒG / ƒP) _ {T, n} + (ƒG / ƒn) _ {P, T} ]

donde (ƒG / ƒx)y, z es la derivada (parcial) de (G ) con respecto a (x ) en constante (y ) y (z ). Es decir, el total de (dG ) consiste en las contribuciones al cambio de (G ) de los cambios en T, P y n.

Dado que (G ) y ( mu ) son bastante similares, se aplica la siguiente serie de ecuaciones análogas:

[ΔG = ΔG ^ o + RT ln Q_ {rx} ]

es análogo a

[Δμ = Δμ ^ o + RT ln Q_ {rx} ]

donde Q_ {rx} ) es el

[ text {cociente de reacción} = dfrac {[P] [Q]} {[A] [B]} ]

para la reacción

[A + B rightleftharpoons P + Q ]

(ΔG = ΔH - TΔS ) es análogo a

[Δμ = ΔH - TΔS ]

[ΔG ^ o = ΔH ^ o - T ΔS ^ o ]

es análogo a (Δμ ^ o = ΔH ^ o - TΔS ^ o )

[ΔG ^ o = - RT ln K_ {eq} ]

es análogo a

[Δμ ^ o = - RT ln K_ {eq} ]

Termodinámica de la formación de micelas y bicapas

Primero, consideremos la termodinámica de la formación de micelas, según la siguiente ecuación:

[n , SCA <==> 1 , micela ]

donde SCA representa un anfífilo monocatenario. A primera vista podríamos sospechar que:

  • ΔHo <0 ya que las interacciones de van der Waals entre las cadenas de acilo enterradas en la micela serían mucho más favorables que las interacciones agua-cadena de acilo para el anfífilo monomérico en solución. Esta noción es apoyada por nuestro aforismo, "como se disuelve como". Por supuesto, no podríamos ignorar las interacciones polares (enlaces de H, por ejemplo) entre los grupos de cabeza y el agua, pero podríamos esperar que fueran igualmente favorables tanto en el estado monomérico como en el micelular.
  • ΔSo <0 ya que estamos formando un estado (una sola micela) con mucha menos entropía posicional de un estado (anfífilos de cadenas simples dispersos en solución) con mucha más entropía posicional.

Por tanto, parecería que la formación de micelas está favorecida entálpicamente, pero desfavorecida entrópicamente. Examinemos este tema más de cerca. Primero necesitamos obtener una mayor comprensión de Δμo lo que debería darnos una pista de dónde "querría" estar un SCA en esta mezcla. Recuerde, Δμo depende únicamente de la estabilidad relativa de una molécula en un entorno dado y no de su concentración.

Traube, en 1891, notó que los anfífilos monocatenarios tienden a migrar a la superficie del agua y disminuir su tensión superficial (ST.) Observó que la disminución de ST es directamente proporcional a la cantidad de anfífilo, sumado hasta cierto punto, en el cual anfífilo agregado no tiene ningún efecto adicional. En otras palabras, la respuesta de ST se satura en algún momento.

Estamos más interesados ​​en lo que les sucede a los anfífilos en agua a granel, no en la superficie. Como mencionamos anteriormente, los anfifilos monoméricos de cadena sencilla están en equilibrio con los anfifilos de cadena sencilla en las micelas. Suponga que tiene una forma de medir el anfifilo monomérico de cadena sencilla en solución. ¿Qué sucede con su concentración a medida que agrega más y más SCA a la mezcla? Resulta que observa el mismo efecto que notó Traube con los cambios en la tensión superficial. Esta explicación es la siguiente: a medida que se agrega más anfífilo, más entra en solución a granel como monómeros. En algún momento, se agregan suficientes anfífilos para formar micelas. Después de este punto, los anfífilos añadidos forman más micelas y no se notan más aumentos en el anfífilo monomérico de cadena sencilla. La concentración de anfífilo a la que esto ocurre es la concentración micelar crítica (CMC).

Figura: Gráfico que muestra la distribución de anfífilos monocatenarios en solución acuosa a granel

Este efecto de saturación también se puede observar con otros sistemas.

  • Mida la cantidad de NaCl (aq) en solución a medida que se agrega más NaCl (s) al agua. En algún momento, el agua se satura con NaCl disuelto y no se produce ningún aumento adicional de NaCl (ac).
  • mida la cantidad de un hidrocarburo soluble (HC) ahorrador en agua. Después de la saturación, se produce la separación de fases.

Considere el ejemplo de agregar un gran exceso de NaCl (s) al agua. En el mismo momento en que se agrega la sal, el sistema claramente no está en equilibrio. Por lo tanto, Δμ<0. Escribe la reacción de la siguiente manera:

NaCl (s) ------------> NaCl (ac).

Sea x el NaCl. Por lo tanto,

[Δμ = μ_x , ​​(aq) - μ_x , ​​(s) = μ ^ o_x (aq) + RT ln x , (aq) - left (μ ^ o_x , ​​(s) + RT ln x , (s) derecha) ] ]

En esta ecuación, todos los términos son constantes excepto RT ln x (aq), ya que todos los Δμo los valores son constantes, independientes de la concentración. Recuerde, RTln x (s) es constante ya que la concentración de un sólido es constante. Con tiempo, Δμ se vuelve menos negativo, hasta que el sistema alcanza el equilibrio, y Δμ = 0. El término RT ln x (aq) se vuelve más positivo ya que x (aq) está aumentando. Cuando μ x (aq) = μ x (s), no se disuelve más NaCl. Recuerde, una condición para el equilibrio es μa = μB.

Ahora considere la adición de una gota de un hidrocarburo (HC) ligeramente soluble en agua, como se muestra en el diagrama a continuación. En t = 0, el sistema no está en equilibrio y parte del HC se transferirá del líquido puro al agua, por lo que en el tiempo t = 0, (Δμ <0 ).

Figura: (Δμ ) para la transferencia de un soluto líquido escasamente soluble en agua

Δμ = μ HC-W - μ HC-L = μo HC-W + RT en [HC-W] - (μo HC-L + RT en [HC-L] =

Δμ = μ HC-W - μ HC-L = (μo HC-W - μo HC-L) + RT en [HC-W - RT en HC-L) =

Δμ = Δμo + RT en (HC-W/ HC-L)

Ahora agregue un poco más de complejidad al último ejemplo. Agregue un hidrocarburo x, a un sistema bifásico de agua y octanol. En t = 0, el sistema no está en equilibrio. Se puede escribir una reacción favorable simple para este sistema x aq -------> x oct. Claramente, Δμ <0. Además, Δμo <0, ya que este término es independiente de la concentración y depende solo de la estabilidad intrínseca de x en agua en comparación con la del octanol. La siguiente ecuación también es válida:

Δμ = μ x (oct) - μ x (aq) = μo x (oct) + RT ln x (oct) - (μo x (aq) + RT ln x (aq)) =

Δμ = (μo x (oct) - μo x (aq) ) + RT ln (x (oct) / x (aq)) =

Δμ = Δμo + RT ln (x (oct) / x (aq))

La mayor parte del tiempo, estaremos interesados ​​en Δμo , que depende únicamente de la estabilidad relativa, en este caso, de x en octanol vs agua. Claramente, en este caso, Δμo <0. En equilibrio Δμ = 0. Al establecer la última ecuación igual a 0, podemos ver que

[Δμ ^ o = - RT ln left ( dfrac {x (oct)} {x (aq)} right) ]

donde la concentración son concentraciones de equilibrio. Podemos reescribir esta ecuación como

[Δμ ^ o = - RT ln K_ {eq} ]

donde Keq es el coeficiente de reparto de equilibrio para X en octanol y agua. Esto se puede determinar fácilmente en el laboratorio. Basta con agitar un matraz separador con un sistema bifásico de octanol y agua después de inyectar un poco de X. Luego separar las capas y determinar la concentración de x en cada fase. Reemplaza estos números en la última ecuación. Recuerde, debe poder predecir el signo y la magnitud relativa de Δμo ya que no depende de la concentración, sino solo de la estabilidad intrínseca de las moléculas en los diferentes ambientes.


Conocimientos estructurales sobre los complejos de señalización del receptor de dopamina D1 y D2 humanos

Los receptores de dopamina D1 y D2 (D1R y D2R), que envían señales a través de Gs y GI, respectivamente, representan los principales receptores de dopamina estimulantes e inhibidores en el sistema nervioso central. D1R y D2R también representan los principales objetivos terapéuticos para la enfermedad de Parkinson, la esquizofrenia y muchos otros trastornos neuropsiquiátricos, y la comprensión de su señalización es esencial para comprender los efectos terapéuticos y secundarios de los fármacos dopaminérgicos. Aquí, informamos cuatro estructuras de microscopía crioelectrónica (crio-EM) de D1R-Gs y D2R-GI complejos de señalización con agonistas dopaminérgicos selectivos y no selectivos, incluidos dos fármacos contra la enfermedad de Parkinson que se utilizan actualmente, apomorfina y bromocriptina. Estas estructuras, junto con los estudios de mutagénesis, revelan el modo de unión conservado de los agonistas de la dopamina, la topología de bolsillo única que subyace a la selectividad del ligando, los cambios conformacionales en la activación del receptor y los posibles determinantes estructurales de la selectividad de acoplamiento de la proteína G. Estos resultados proporcionan tanto una comprensión molecular de la señalización de la dopamina como múltiples plantillas estructurales para el diseño de fármacos dirigidos al sistema dopaminérgico.

Palabras clave: D1R D2R G selectividad de la proteína Enfermedad de Parkinson apomorfina bromocriptina crio-EM receptores de dopamina selectividad del ligando activación del receptor.


Contenido

Los términos a menudo se usan indistintamente. Sin embargo, cuando se pretende hacer una distinción, se basa en si el enfoque está en la aplicación de ideas biológicas o en el estudio de la biología con nanotecnología. La bionanotecnología generalmente se refiere al estudio de cómo los objetivos de la nanotecnología pueden guiarse mediante el estudio de cómo funcionan las "máquinas" biológicas y la adaptación de estos motivos biológicos para mejorar las nanotecnologías existentes o crear otras nuevas. [5] [6] La nanobiotecnología, por otro lado, se refiere a las formas en que se utiliza la nanotecnología para crear dispositivos para estudiar sistemas biológicos. [7]

En otras palabras, la nanobiotecnología es esencialmente biotecnología miniaturizada, mientras que la bionanotecnología es una aplicación específica de la nanotecnología. Por ejemplo, la nanotecnología de ADN o la ingeniería celular se clasificarían como bionanotecnología porque implican trabajar con biomoléculas a nanoescala. Por el contrario, muchas nuevas tecnologías médicas que involucran nanopartículas como sistemas de suministro o como sensores serían ejemplos de nanobiotecnología, ya que implican el uso de la nanotecnología para avanzar en los objetivos de la biología.

Las definiciones enumeradas anteriormente se utilizarán siempre que se haga una distinción entre nanobio y bionano en este artículo. Sin embargo, dado el uso superpuesto de los términos en el lenguaje moderno, es posible que sea necesario evaluar tecnologías individuales para determinar qué término es más adecuado. Como tales, es mejor discutirlos en paralelo.

La mayoría de los conceptos científicos en bionanotecnología se derivan de otros campos. Los principios bioquímicos que se utilizan para comprender las propiedades materiales de los sistemas biológicos son fundamentales en la bionanotecnología porque esos mismos principios se utilizarán para crear nuevas tecnologías. Las propiedades y aplicaciones de los materiales estudiados en bionanociencia incluyen propiedades mecánicas (por ejemplo, deformación, adhesión, falla), eléctricas / electrónicas (por ejemplo, estimulación electromecánica, condensadores, almacenamiento de energía / baterías), ópticas (por ejemplo, absorción, luminiscencia, fotoquímica), térmicas (por ejemplo, termomutabilidad, gestión térmica), biológico (p. ej., cómo interactúan las células con los nanomateriales, defectos / defectos moleculares, biosensores, mecanismos biológicos como la mecanosensación), nanociencia de la enfermedad (p. ej., enfermedad genética, cáncer, fallo de órganos / tejidos), así como informática (p. ej., ADN informática) y agricultura (entrega de plaguicidas, hormonas y fertilizantes dirigidos). [8] [9] [10] [11] El impacto de la bionanociencia, logrado a través de análisis estructurales y mecanicistas de procesos biológicos a nanoescala, es su traducción en sintéticos y tecnológicos aplicaciones a través de la nanotecnología.

La nanobiotecnología toma la mayor parte de sus fundamentos de la nanotecnología. [ aclaración necesaria ] La mayoría de los dispositivos diseñados para uso nanobiotecnológico se basan directamente en otras nanotecnologías existentes. [ cita necesaria ] La nanobiotecnología se usa a menudo para describir las actividades multidisciplinarias superpuestas asociadas con los biosensores, particularmente donde convergen la fotónica, la química, la biología, la biofísica, la nanomedicina y la ingeniería. La medición en biología utilizando técnicas de guía de ondas, como la interferometría de polarización dual, es otro ejemplo.

Las aplicaciones de la bionanotecnología están muy extendidas. En la medida en que se mantenga la distinción, la nanobiotecnología es mucho más común porque simplemente proporciona más herramientas para el estudio de la biología. La bionanotecnología, por otro lado, promete recrear mecanismos y vías biológicos en una forma que sea útil de otras formas.

Nanomedicina Editar

La nanomedicina es un campo de la ciencia médica cuyas aplicaciones están aumentando cada vez más gracias a los nanorobots y las máquinas biológicas, que constituyen una herramienta muy útil para desarrollar esta área del conocimiento. En los últimos años, los investigadores han realizado muchas mejoras en los diferentes dispositivos y sistemas necesarios para desarrollar nanorobots. Esto supone una nueva forma de tratar y afrontar enfermedades como el cáncer gracias a los nanorobots, los efectos secundarios de la quimioterapia se han controlado, reducido e incluso eliminado, por lo que dentro de unos años se ofrecerá a los pacientes con cáncer una alternativa para tratar esta enfermedad en lugar de quimioterapia [ cita necesaria ], que provoca efectos secundarios como la caída del cabello, la fatiga o las náuseas, matando no solo las células cancerosas sino también las sanas. A nivel clínico, el tratamiento del cáncer con nanomedicina consistirá en el suministro de nanorobots al paciente mediante una inyección que buscará células cancerosas dejando intactas las sanas. Los pacientes que serán tratados mediante nanomedicina no notarán la presencia de estas nanomáquinas en su interior lo único que sí se va a notar es la mejora progresiva de su salud. La nanobiotecnología es muy importante para la formulación de medicamentos. También ayuda mucho en la fabricación de vacunas. [ aclaración necesaria ]

Nanobiotecnología Editar

La nanobiotecnología (a veces denominada nanobiología) se describe mejor como ayudar a la medicina moderna a progresar desde el tratamiento de los síntomas hasta la generación de curas y la regeneración de tejidos biológicos. Tres pacientes estadounidenses han recibido vejigas enteras cultivadas con la ayuda de médicos que utilizan técnicas de nanobiología en su práctica. Además, se ha demostrado en estudios con animales que un útero puede crecer fuera del cuerpo y luego colocarse en el cuerpo para producir un bebé. Los tratamientos con células madre se han utilizado para corregir enfermedades que se encuentran en el corazón humano y se encuentran en ensayos clínicos en los Estados Unidos. También hay financiación para la investigación que permita a las personas tener nuevas extremidades sin tener que recurrir a prótesis. Las proteínas artificiales también podrían estar disponibles para fabricar sin la necesidad de productos químicos agresivos y máquinas costosas. Incluso se ha conjeturado que para el año 2055, las computadoras pueden estar hechas de bioquímicos y sales orgánicas. [12]

Otro ejemplo de la investigación nanobiotecnológica actual involucra nanoesferas recubiertas con polímeros fluorescentes. Los investigadores buscan diseñar polímeros cuya fluorescencia se apague cuando se encuentran con moléculas específicas. Diferentes polímeros detectarían diferentes metabolitos. Las esferas recubiertas de polímero podrían convertirse en parte de nuevos ensayos biológicos, y la tecnología podría conducir algún día a partículas que podrían introducirse en el cuerpo humano para rastrear metabolitos asociados con tumores y otros problemas de salud. Otro ejemplo, desde una perspectiva diferente, sería la evaluación y la terapia a nivel nanoscópico, es decir, el tratamiento de Nanobacterias (de 25 a 200 nm de tamaño) como lo hace NanoBiotech Pharma.

Si bien la nanobiología está en su infancia, existen muchos métodos prometedores que se basarán en la nanobiología en el futuro. Los sistemas biológicos son inherentemente nano a escala. La nanociencia debe fusionarse con la biología para producir biomacromoléculas y máquinas moleculares que sean similares a la naturaleza. Controlar e imitar los dispositivos y procesos que se construyen a partir de moléculas es un desafío tremendo para las disciplinas convergentes de la nanobiotecnología. [13] Todos los seres vivos, incluidos los humanos, pueden considerarse nanofundidores. La evolución natural ha optimizado la forma "natural" de nanobiología durante millones de años. En el siglo XXI, los humanos han desarrollado la tecnología para aprovechar artificialmente la nanobiología. Este proceso se describe mejor como "fusión orgánica con sintética". Las colonias de neuronas vivas pueden vivir juntas en un dispositivo de biochip según una investigación del Dr. Gunther Gross de la Universidad del Norte de Texas. Los nanotubos autoensamblables tienen la capacidad de utilizarse como sistema estructural. Estarían compuestos junto con rodopsinas que facilitarían el proceso de computación óptica y ayudarían con el almacenamiento de materiales biológicos. El ADN (como software para todos los seres vivos) se puede utilizar como un sistema proteómico estructural, un componente lógico para la computación molecular. Ned Seeman, un investigador de la Universidad de Nueva York, junto con otros investigadores están investigando conceptos que son similares entre sí. [14]

Bionanotecnología Editar

La nanotecnología de ADN es un ejemplo importante de bionanotecnología. [15] La utilización de las propiedades inherentes de los ácidos nucleicos como el ADN para crear materiales útiles es un área prometedora de la investigación moderna. Otra área importante de investigación consiste en aprovechar las propiedades de las membranas para generar membranas sintéticas. Las proteínas que se autoensamblan para generar materiales funcionales podrían usarse como un enfoque novedoso para la producción a gran escala de nanomateriales programables. Un ejemplo es el desarrollo de amiloides que se encuentran en biopelículas bacterianas como nanomateriales modificados que pueden programarse genéticamente para tener diferentes propiedades. [16] Los estudios de plegamiento de proteínas proporcionan una tercera vía importante de investigación, pero que ha sido inhibida en gran medida por nuestra incapacidad para predecir el plegamiento de proteínas con un grado de precisión suficientemente alto. Sin embargo, dada la miríada de usos que los sistemas biológicos tienen para las proteínas, la investigación para comprender el plegamiento de proteínas es de gran importancia y podría resultar fructífera para la bionanotecnología en el futuro.

La nanotecnología de lípidos es otra área importante de investigación en bionanotecnología, donde las propiedades físico-químicas de los lípidos, como su antiincrustante y su autoensamblaje, se explotan para construir nanodispositivos con aplicaciones en medicina e ingeniería. [17] Los enfoques de nanotecnología de lípidos también se pueden utilizar para desarrollar métodos de emulsión de próxima generación para maximizar tanto la absorción de nutrientes solubles en grasa como la capacidad de incorporarlos en bebidas populares.

Agricultura Editar

En la industria agrícola, las nanopartículas diseñadas han servido como nanoportadores, que contienen herbicidas, productos químicos o genes, que se dirigen a partes particulares de la planta para liberar su contenido. [18] [19] Anteriormente, se ha informado que las nanocápsulas que contienen herbicidas penetran eficazmente a través de las cutículas y los tejidos, lo que permite la liberación lenta y constante de las sustancias activas. Asimismo, otra literatura describe que la liberación lenta de fertilizantes nanoencapsulados también se ha convertido en una tendencia para ahorrar el consumo de fertilizantes y minimizar la contaminación ambiental a través de la agricultura de precisión. Estos son solo algunos ejemplos de numerosos trabajos de investigación que podrían abrir interesantes oportunidades para la aplicación de la nanobiotecnología en la agricultura. Además, la aplicación de este tipo de nanopartículas artificiales a las plantas debe considerarse el nivel de amistad antes de que se emplee en las prácticas agrícolas. Sobre la base de un estudio exhaustivo de la literatura, se entendió que solo hay información auténtica limitada disponible para explicar la consecuencia biológica de las nanopartículas diseñadas en plantas tratadas. Ciertos informes subrayan la fitotoxicidad de diversos orígenes de nanopartículas modificadas para la planta causada por el tema de concentraciones y tamaños. Al mismo tiempo, sin embargo, se informó un número igual de estudios con un resultado positivo de nanopartículas, que facilitan la naturaleza promotora del crecimiento para tratar la planta. [20] En particular, en comparación con otras nanopartículas, las aplicaciones basadas en nanopartículas de plata y oro obtuvieron resultados beneficiosos en varias especies de plantas con menor o nula toxicidad. [21] [22] Las hojas de espárragos tratadas con nanopartículas de plata (AgNP) mostraron un mayor contenido de ascorbato y clorofila. De manera similar, el frijol común y el maíz tratados con AgNPs han aumentado la longitud de los brotes y las raíces, el área de la superficie de las hojas, los contenidos de clorofila, carbohidratos y proteínas, como se informó anteriormente. [23] La nanopartícula de oro se ha utilizado para inducir el crecimiento y la producción de semillas en Brassica juncea. [24]


2. Métodos

2.1. Bases de datos de SCB: disponibilidad, compilación y conservación

La investigación relacionada con la biología de sistemas, la sonda química y el descubrimiento de fármacos produce grandes cantidades de datos en campos aparentemente no relacionados, como la biología molecular y celular, la biología química, la química combinatoria y medicinal, la genética y la toxicología. Esta información debe organizarse, consultarse y estructurarse para orientar el proceso científico y transformar los datos en información y conocimiento. Se han identificado y discutido tres componentes principales de este proceso en otra parte (Oprea y Tropsha, 2006):

Información química y de bioactividad: combina estructuras químicas con propiedades químicas y físicas experimentales o calculadas. Este tipo de información se relaciona con el almacenamiento de estructuras químicas y datos moleculares asociados en formato legible por máquina. La clave para almacenar estructuras químicas es la conectividad atómica, expresada en tablas de conexión que almacenan coordenadas atómicas bidimensionales y / o tridimensionales. La información de bioactividad debe capturar datos de actividad & # x02013 principalmente tipo y valor de actividad & # x02013 con índices únicos que identifiquen el compuesto químico, el objetivo biológico, célula u organismo, con el protocolo experimental y referencias bibliográficas. Los campos de bioactividad adicionales incluyen observaciones experimentales y errores, imágenes (por ejemplo, gráficos de Schild (de Jong et al., 2005)), así como palabras clave como & # x02018partial & # x02019, & # x02018inverse & # x02019, & # x02018competitive & # x02019, & # x02018agonista & # x02019, & # x02018antagonista & # x02019, y & # x02018inhibitor & # x02019.

Información sobre el objetivo y el protocolo: datos del protocolo experimental y del objetivo biológico. Este tipo de información se relaciona con el almacenamiento de información de genes y diana, así como con los datos de bioensayos asociados en formato legible por máquina. Muchas bases de datos bioinformáticas están disponibles gratuitamente en Internet. Los identificadores únicos adecuados (el equivalente a los nombres químicos), como los de NCIB / Entrez o Swiss-Prot, permiten al usuario final navegar a través de estas bases de datos utilizando hipervínculos de localizadores de recursos uniformes (URL). Se almacenarán los nombres y funciones ampliados de los objetivos, así como la información relacionada con su clasificación y especies. Por ejemplo, utilizando criterios funcionales, un objetivo puede ser una enzima (se almacenan los números de CE del libro de códigos de enzimas), un receptor acoplado a proteína G (GPCR), un receptor de hormonas nucleares (NHR), un canal iónico, un transportador o quizás & # x02018otra & # x02019 (no especificada) proteína, así como ácido nucleico (ADN o ARN). El uso de un vocabulario controlado debe permitir la captura de datos y la conservación de la información del protocolo a través de palabras clave predefinidas, que almacenan información relacionada con ligandos, sustratos, etc. específicos / no específicos (radio).

Información de referencia: información bibliográfica de todas las unidades de la base de datos. Las referencias contienen información bibliográfica, como autores o inventores, título, fuente (por ejemplo, nombre de la revista o patente), así como otra información pertinente (volumen, números de página, número de patente, etc.). El uso de identificadores únicos, por ejemplo, PubMed o las entradas de identificadores de objetos digitales (DOI) se pueden vincular al resumen apropiado o la publicación de texto completo a través de MEDLINE u otras bases de datos. Las palabras clave proporcionadas por el editor o MeSH (encabezados de materia de Medline) pueden proporcionar más contenido a los campos de destino y protocolo. Los informes internos, así como las referencias de Internet, también deben indexarse, ya que proporcionan contenido valioso.

Los sistemas informáticos para la captura, el almacenamiento y la recuperación de información son de vital importancia para comprender y explotar la interfaz de biología química de los sistemas. Dicha información es pertinente para el descubrimiento de objetivos, para comprender modelos de enfermedades, así como para el estudio de quimiotipos bioactivos, andamios promiscuos y estructuras privilegiadas. Aunque los principios para diseñar las bases de datos SCB ideales (o deseadas) se han definido como se discutió anteriormente y los datos primarios están disponibles en gran medida, las bases de datos SCB completas aún no se han establecido, lo que crea un desafío formidable para el campo de SCB. El proceso de integración en sí mismo requiere esquemas de clasificación jerárquica, ya que el conocimiento relacionado con las bibliotecas químicas, las familias de objetivos biológicos y las rutas biológicas debe extraerse simultáneamente. Se encuentran disponibles una variedad de bases de datos relacionadas con productos químicos, por ejemplo, SciFinder (, 2009d) o química médica, por ejemplo, MDDR (tecnologías MDDR.SYMYX, 2009) o bases de datos relacionadas con medicamentos como PDR (tecnologías MDDR.SYMYX, 2009). Sin embargo, estas bases de datos de pago no capturan los puntos finales biológicos críticos en forma numérica, es decir, no hay un campo de búsqueda para identificar, de manera cuantitativa, cuál es la actividad relacionada con el objetivo o la propiedad de una sustancia química en particular. Esta información es importante si se considera que (a) no todas las sustancias químicas indexadas en las bases de datos de sustancias químicas están activas & # x02013 algunas son simplemente reclamaciones de patente sin base fáctica y que (b) no todas las sustancias químicas declaradas como activas son igualmente potentes para el objetivo de elección.

Para conservar los datos de SCB con el nivel de calidad adecuado para, por ejemplo, el propósito de comprender los modelos PK / PD a nivel molecular, es más apropiado desarrollar y conservar grandes bases de datos de bioactividad. De hecho, toda la investigación biológica produce grandes cantidades de datos que deben organizarse, consultarse y reducirse a información y conocimientos científicos. Por lo tanto, la gestión de datos biológicos implica la adquisición, modelado, almacenamiento, integración, análisis e interpretación de diversos tipos de datos. Para el propósito de esta discusión, la actividad biológica se refiere a datos medidos experimentalmente para un conjunto de compuestos químicos en un objetivo biológico dado (así como células, órganos y organismos), utilizando protocolos experimentales predefinidos. Después de la curación y estandarización, estos valores medidos junto con la información relacionada se pueden indexar en una base de datos de bioactividad. En el contexto más amplio, las bases de datos deben manejar los datos de forma estructurada y organizada. En consecuencia, la tarea clave al diseñar una base de datos de bioactividad eficaz es estructurar adecuadamente la información. La figura 2 proporciona un ejemplo del flujo de trabajo de organización y conservación de datos que se puede utilizar para diseñar bases de datos SCB integradas.

Este modelo, que se muestra en la Fig. 2, tiene un diseño estructural de dos niveles [Olah y Oprea 2006]. los nivel interno corresponde a la propia base de datos, mientras que el nivel externo proporciona soporte de referencias cruzadas (identificadores almacenados) para acceder a registros externos de otras bases de datos. Este modelo de base de datos proporciona un conjunto de identificadores únicos y estables para vincular a niveles externos de otras bases de datos. Esas bases de datos lo percibirán como externo, por lo que la interconexión a través de niveles externos es bidireccional.

La creación de bases de datos SCB especializadas representa un desafío a abordar en un futuro próximo. Sin embargo, es valioso discutir en este punto varios ejemplos de bases de datos existentes que contribuirían a las bases de datos SCB completas deseadas.

2.1.1. Bases de datos complejas de bioactividad

Para ilustrar la complejidad y los desafíos asociados con la tarea de crear bases de datos biológicas químicas, podríamos referirnos a nuestra experiencia pasada que incluye dos bases de datos, a saber, WOMBAT y WOMBAT-PK (Olah et al., 2007). WOMBAT 2009.1 contiene 295.435 entradas (242.485 SMILES únicas), que representan 1.966 objetivos únicos, capturados de 14.367 artículos publicados en revistas de química médica entre 1975 y 2008. Aproximadamente el 61% de estos artículos son de la revista ACS, J. Med. Chem. otro 30,3% de los artículos son de la revista Elsevier, Bioorg. Medicina. Chem. Letón. Cada molécula bioactiva tiene información de protocolo de bioensayo y objetivo indexada, con enlaces a la publicación original, así como descriptores químicos computados. Hasta la fecha, según scholar.google.com, WOMBAT se ha utilizado como base de datos de referencia en más de 30 publicaciones relacionadas con la quimiogenómica y la química médica. WOMBAT-PK 2009 contiene 1230 entradas (1230 SONRISAS únicas), con un total de más de 13.000 mediciones clínicas de PK. WOMBAT-PK 2009 Los medicamentos están indexados a partir de múltiples fuentes de literatura (Brunton et al., 2005, 2009c) Productos farmacéuticos aprobados por la FDA (, 2009a) literatura revisada por pares, etc.) 1085 medicamentos y 36 metabolitos activos tienen anotaciones de diana de medicamentos en 618 dianas y 231 adicionales los fármacos se anotan para antidrogas (Vaz y Klabunde, 2008). Varias mediciones de propiedades fisicoquímicas (p. Ej., Solubilidad en agua a pH neutro, LogD7.4 También se incluyen el coeficiente de distribución octanol-agua, LogP pKa, solubilidad en agua).

WOMBAT y WOMBAT-PK (Olah et al., 2007) presentan ejemplos de bases de datos que consideramos complejo. En términos generales, distinguimos dos tipos de bases de datos complejas: las que incluyen colecciones de muchos casos en los que se probó una gran cantidad de moléculas frente a un solo objetivo y las que contienen datos sobre una serie de compuestos probados simultáneamente en múltiples ensayos. El primer tipo está típicamente representado por la actividad (p. Ej., Wombat) o conjuntos de datos & # x0201cproperty & # x0201d (p. Ej., Wombat-PK o bases de datos de solubilidad o toxicidad) cuando la propiedad se mide naturalmente en muchas moléculas. Podría decirse que la mayor colección individual de estos conjuntos de datos de toxicidad es DSSTox (http://www.epa.gov/nheerl/dsstox/About.html), que incluye datos como (i) incidencia del sitio objetivo del tumor y potencias TD50 para 1354 sustancias químicas probadas en ratas y ratones, 80 sustancias químicas probadas en hámsteres, 5 sustancias químicas probadas en perros y 27 sustancias químicas probadas en primates no humanos datos revisados ​​y compilados de la literatura y estudios de NTP (ii) EPAFHM: La base de datos de toxicidad acuática del pez cabeza gorda de la EPA incluye toxicidades agudas de 617 sustancias químicas probadas en un ensayo común, con evaluación del modo de acción y medidas de confirmación. Además, hay disponible una gran colección de conjuntos de datos de propiedades de un solo objetivo en http://www.cheminformatics.org/datasets/.

Las bases de datos del segundo tipo se están acumulando rápidamente. La Iniciativa de la Hoja de Ruta de Bibliotecas Moleculares de los NIH & # x02019s (Austin et al., 2004) estableció un plan de estrategia para albergar información sobre las actividades biológicas de moléculas pequeñas (en PubChem (PubChem, 2009)) y transformarlas en sondas químicas para perturbar biológicos específicos. caminos. Currently, PubChem contains more than 25.5 million unique structures for Compound database (of which over 18.3 million are Ro5-compliant) derived from over 60.7 million records in the PubChem Substance database, with links to bioassay description, literature, references, and assay data for each entry. BioAssay Database provides searchable descriptions of nearly 1918 bioassays, including descriptions of the conditions and readouts specific to a screening protocol. It integrated the vast array of resources, including the 60 Human Tumor Cell lines data from Molecular Targets databases of DTP/NCI and 1478 MLPCN (Molecular Libraries Probe Production Centers Network) related assays. It is especially useful when chemical information is needed for specific targets, cell lines or diseases. It should be pointed out that the Substance database sourced data information from a multitude of major databases, e.g. Binding Database, ChemBank, NCI/DTP, KEGG, SMID and ZINC. The Binding Database is a public database of measured binding affinities for biomolecules, containing experimental data of 21143 binders to 244 biological targets (Chen et al., 2001). ChemBank is a suite of informatics tools and databases created by the Broad Institute, aimed at promoting the development of chemical genetics (Strausberg and Schreiber, 2003). The Developmental Therapeutics Program (DTP) of the NCI has collected 127,000 compounds in both 2D and 3D formats that are freely available. They were generally screened for evidence of the ability to inhibit the growth of 60 human tumor cell lines over the past forty years. KEGG (Kyoto Encyclopedia of Genes and Genomes) 2 is an informatics resource for biological systems (Kanehisa et al., 2006). It includes four constituent databases, categorized as building blocks in the genomic space (KEGG GENES, 1,720,795 genes), the chemical space (KEGG LIGAND, 14,238 compounds), wiring diagrams of interaction networks and reaction networks (KEGG PATHWAY, 42,314 pathways) and KEGG BRITE, 5,642 hierarchical classifications. The Small Molecule Interaction Database (SMID)(Snyder et al., 2006) is a database of protein domain-small molecule interactions by using structural data from the Protein Data Bank (PDB). SMID is essentially a “listing” of all small molecules (5117 records) that have been shown to bind to any given conserved protein domain (3508 records), including total 274917 interactions.

As part of the NIMH Psychoactive Drug Screening Program, PDSP Ki Database (http://pdsp.med.unc.edu/indexR.html) contains 47,458 Ki values, embracing 749 types of receptors and 6935 test ligands. The majority of the receptors are GPCRs (549 types), along with various enzymes, ion channel and transporters, thus the largest database of its kind in the public domain. As the common observations in GPCRs-ligands interactions, small molecules can bind to multiple set of GPCRs with high affinities. The online data mining tools make it easy to gather the binding profile of ligands and construct the two-dimensional matrix of GPCRs and ligands. An interactive search in iPHACE (Integrative Navigation in Pharmacological Spacehttp://cgl.imim.es/iphace/ ), an interactive query system that combines PDSP with the IUPHAR database (http://www.iuphar-db.org/index.jsp), retrieves 25 activities for Ketanserin, a strong binder of 5HT2A receptor: Ki values are available for 11 other 5HT receptors, 5 alpha-adrenoceptors, 4 dopamine receptors, the histamine H1 receptor, the dopamine active transporter and the serotonin-gated ion channel (Garcia-Serna et al., 2010).

In order to be capable to build mathematical models for this complex interaction matrix of multiple targets and ligands, a sophisticated algorithm like multiple objective optimization, is indispensable. In summary, this large data warehouse makes possible the mapping of the multidimensional space of GPCRs receptorome and will potentially assist the rational design of these ‘magic shotgun’ ligands. Another GPCR-Ligand Database (GLIDA) is a unique database tailored for GPCR-related chemical genomic research (Okuno et al., 2006). To date, 3738 entries of GPCRs are searchable together with 649 ligand entries and 1989 GPCR-ligand pair entries.


Materiales y métodos

Cell culture, constructs, and transduction

Mouse fibroblast NIH3T3 cells were maintained in Dulbecco modified Eagle medium plus 10% calf serum (Hyclone, Logan, UT). Human myeloma cell lines were grown in Iscove modified essential medium plus 10% fetal bovine serum (Hyclone). All media were supplemented with 1 mmol/L glutamate and antibiotics. Cells were cultured at 37°C with 5% CO2 in a humid incubator.

Full-length c-maf cDNA was subcloned into an internal ribosome entry site (IRES)-green fluorescent protein (GFP)-MIEV retroviral vector. NIH3T3 cells were infected with this construct, and stable cells expressing GFP and c-maf were selected by flow cytometry and immunoblotting, respectively. The full-length c-maf was also subcloned into a pcDNA3.1 vector under the control of a cytomegalovirus (CMV) promoter.

The promoter of cyclin D2 (−894 to −4), containing c-maf responsive element sequence (MARE), was cloned from HeLa cell genomic DNA and subcloned into the pGL2 luciferase reporter vector (Promega, Madison, WI). This construct was cotransfected with pcDNA3.1 containing a neomycin resistance gene into NIH3T3 wild-type cells and NIH3T3 cells stably overexpressing c-maf-IRES-GFP. Cells stably expressing c-maf, GFP, and luciferase were selected for further application.

Myeloma cells were transfected with cDNA corresponding to cyclin D2, ubiquitin or GFP using Amaxa Nucleofection System (Amaxa, Gaithersburg, MD) per the manufacturer's instructions.

High-throughput screen for inhibitors of cyclin D2 transactivation

NIH3T3 cells stably expressing c-maf and the cyclin D2 promoter driving luciferase (13 000 cells per well) were plated in 96-well plates by the Biomek FX liquid handler (Beckman Coulter, Fullerton, CA). The same workstation was used for plate formatting and reagent distribution. After the cells had adhered (6 hours after plating), they were treated with aliquots of molecules from the LOPAC (Sigma, St Louis, MO) and Prestwick (Prestwick Chemical, Illkirch, France) libraries. The final concentration of LOPAC compounds was 5 μmol/L (0.05% dimethyl sulfoxide [DMSO]), whereas for the Prestwick library, 10 ng of each sample was added, resulting in an average final concentration of approximately 5 μmol/L in 0.1% DMSO. Control wells, treated with vehicle alone, containing consistent levels of DMSO, were distributed in the first and last columns of the plate to monitor signal variability. Cells were incubated with the molecules at 37°C for 20 hours. After incubation, cyclin D2 transactivation was assessed by the luciferase assay and viability was assessed by the 3-(4,5-dimethylthiazol-2-yl)-5-(3-carboxymethoxyphenyl)-2-(4-sulfophenyl)-2H-tetrazolium (MTS) assay.

Luciferase assay

Luciferase activity was measured according to the manufacturer's instructions (Promega, Madison, WI). In brief, the cell culture medium was removed using an Embla plate washer (Molecular Devices, Sunnyvale, CA) and 1× Glo Lysis buffer (Promega, Madison, WI) was added by the robotic liquid handler. After a 10-minute incubation, an equal volume of Bright-Glo Luciferase substrate (Promega) was added, and the luminescence signal was detected with a 96-well Luminoskan luminescence plate reader (Thermo Fisher Scientific, Waltham, MA) with a 5-second integration.

MTS assay

Cell viability was assessed with the CellTiter96 aqueous nonradioactive assay kit according to the manufacturer's instructions (Promega) and as described previously. 14

Inmunotransferencia

Cytosolic extracts were prepared from NIH3T3 cells and myeloma cells as described previously. 14 Cells were washed with phosphate-buffered saline, pH 7.4, and suspended in lysis buffer (10 mmol/L Tris, pH 7.4, 150 mmol/L NaCl, 0.1% Triton X-100, 0.5% sodium deoxycholate, and 5 mmol/L EDTA) containing protease inhibitors (Complete tablets Roche, Indianapolis, IN). Protein concentrations were determined by the Bradford assay. 15 Immunoblot assays were performed as described previously. 16 In brief, equal amounts of protein were subjected to sodium dodecyl sulfate (SDS)-polyacrylamide gels followed by transfer to polyvinylidene difluoride membranes. Membranes were probed with polyclonal rabbit anti–human c-maf (0.5 μg/mL) or rabbit anti–human cyclin D2 (0.5 μg/mL), both from Santa Cruz Biotechnology (Santa Cruz, CA), or with monoclonal mouse anti–human X-linked inhibitor of apoptosis protein (XIAP, 0.25 μg/mL BD Transduction Laboratories, Lexington, KY), monoclonal mouse anti–Bcl-2 (a gift from JC Reed, Burnham Institute, CA), and monoclonal mouse anti-β–actin (1:10 000 [v/v]) (Sigma). Secondary antibodies (GE Healthcare, Chalfont St Giles, United Kingdom) were horseradish peroxidase-conjugated goat anti mouse IgG (1:10 000 [v/v]) and antirabbit (1:5000 [v/v]). Detection was performed by the enhanced chemical luminescence method (Pierce, Rockford, IL).

Inmunoprecipitación

NIH3T3 cells were transfected with c-maf along with ubiquitin C or GFP cDNA. Twenty-four hours after transfection, cells were lysed in radioimmunoprecipitation assay buffer in the presence of protease inhibitors. After clarification by centrifugation, cell lysates were incubated with anti- hemagglutinin (HA) beads (Roche) overnight at 4°C. The precipitated proteins were analyzed by SDS-polyacrylamide gels, and c-maf was detected as above.

Assessment of β-integrin expression

Myeloma cell lines were treated with dexamethasone or buffer control. After incubation, cells were harvested, and β-integrin 7 surface expression was measured by staining cells with anti-β–integrin 7-fluorescein isothiocyanate (FITC) and flow cytometric analysis.

Quantitative real-time polymerase chain reaction

The cDNAs encoding the c-maf, ubiquitin C, proteasome subunit C3, and glyceraldehyde-3-phosphate dehydrogenase (GAPDH) were amplified using the following primer pairs: c-maf, forward, 5′-AAAAAGGAACCGGTGGAGAC-3′ reverse, 5′-GGTAGCCGGTCATCCAGTAG-3′ ubiquitin C, forward, 5′-CTTTCCAGAGAGCGGAACAG-3′ reverse, 5′-ATCACAGCGATCCACAAACA-3′, proteasome subunit C3, forward, 5′-TGGAATCTGCAATGAAGCTG-3′ reverse, 5′-TGCAAAAAGTCTGCAAAACAA-3′-3′ and GAPDH, forward, 5′-GAAGGTGAAGGTCGGAGTC-3′ reverse, 5′-GAAGATGGTGATGGGATTTC-3′. Equal amounts of cDNA for each sample were added to a prepared master mix (SYBR Green PCR Master mix Applied Biosystems, Foster City, CA). Quantitative real-time polymerase chain reaction (RTPCR) reactions were performed on an ABI Prism 7700 sequence detection system (Applied Biosystems, Foster City, CA) as described previously. 14 The relative abundance of a transcript was represented by the threshold cycle of amplification (CT), which is inversely correlated to the amount of target RNA/first-strand cDNA being amplified. To normalize for equal amounts of the latter, we assayed the transcript levels of the putative housekeeping gene GAPDH. The comparative CT method was calculated per the manufacturer's instructions. The expression level of c-maf relative to the baseline level was calculated as 2 −ΔΔCT(c-maf) , where ΔCT is (average c-maf CT − average GAPDH CT) and is ΔΔCT (average ΔCT-untreated sample − average ΔCT-treated sample.


Transfection terminology

The terminology used for various gene delivery systems has evolved to keep pace with technological advances in the field and further refined to distinguish various methods and cell types.

Transfección commonly refers to the introduction of nucleic acids into eukaryotic cells, or more specifically, into animal cells. Classically, the term transfection was used to denote the uptake of viral nucleic acid from a prokaryote‑infecting virus or bacteriophage, resulting in an infection and the production of mature virus particles. However, the term has acquired its present meaning to include any artificial introduction of foreign nucleic acid into a cell.

Transformación is often used to describe non-viral DNA transfer in bacteria, non‑animal eukaryotic cells, and plant cells. However, transformation also refers to a particular event or a series of events that results in a permanent change in an animal cell’s phenotype, and implies genetic instability and a progression to a cancerous state. Although transformation in this sense can arise from infection with a transforming virus or from gene transfection, it can also arise spontaneously or following external stressors such as ionizing radiation or chemical mutagens. As such, the term should be avoided for animal cells when describing introduction of exogenous genetic material.

Transducción is used to describe virus-mediated DNA transfer. However, the term transfection is also used to refer to infecting a cell specifically with viral nucleic acid that is isolated either from a eukaryote virus or from a bacteriophage.


Course Description

This course provides an introduction to the chemistry of biological, inorganic, and organic molecules. The emphasis is on basic principles of atomic and molecular electronic structure, thermodynamics, acid-base and redox equilibria, chemical kinetics, and catalysis.

In an effort to illuminate connections between chemistry and biology, a list of the biology-, medicine-, and MIT research-related examples used in 5.111 is provided in Biology-Related Examples.

Agradecimientos

Development and implementation of the biology-related materials in this course were funded through an HHMI Professors grant to Prof. Catherine L. Drennan. Videos and captioning were made possible and supported by the MIT Class of 2009.


Extending the small-molecule similarity principle to all levels of biology with the Chemical Checker

Small molecules are usually compared by their chemical structure, but there is no unified analytic framework for representing and comparing their biological activity. We present the Chemical Checker (CC), which provides processed, harmonized and integrated bioactivity data on

800,000 small molecules. The CC divides data into five levels of increasing complexity, from the chemical properties of compounds to their clinical outcomes. In between, it includes targets, off-targets, networks and cell-level information, such as omics data, growth inhibition and morphology. Bioactivity data are expressed in a vector format, extending the concept of chemical similarity to similarity between bioactivity signatures. We show how CC signatures can aid drug discovery tasks, including target identification and library characterization. We also demonstrate the discovery of compounds that reverse and mimic biological signatures of disease models and genetic perturbations in cases that could not be addressed using chemical information alone. Overall, the CC signatures facilitate the conversion of bioactivity data to a format that is readily amenable to machine learning methods.


Synapses Are Specialized Sites Where Neurons Communicate with Other Cells

Synapses generally transmit signals in only one direction: an axon terminal from the presynaptic cell sends signals that are picked up by the postsynaptic cell (see Figure 21-2b). There are two general types of synapse: the relatively rare electric synapse, discussed later, and, the chemical synapse, illustrated in Figure 21-4. In this type of synapse, the axon terminal of the presynaptic cell contains vesicles filled with a particular neurotransmitter. The postsynaptic cell can be a dendrite or cell body of another neuron, a muscle or gland cell, or, rarely, even another axon. When an action potential in the presynaptic cell reaches an axon terminal, it induces a localized rise in the level of Ca 2+ in the cytosol. This, in turn, causes some of the vesicles to fuse with the plasma membrane, releasing their contents into the synaptic cleft, the narrow space between the cells. The neurotransmitters diffuse across the synaptic cleft it takes about 0.5 millisecond (ms) for them to bind to receptors on postsynaptic cells.

Figure 21-4

A chemical synapse. (a) A narrow region —  the synaptic cleft — separates the plasma membranes of the presynaptic and postsynaptic cells. Transmission of electric impulses requires release of a neurotransmitter (more. )

Binding of the neurotransmitter triggers changes in the ion permeability of the postsynaptic plasma membrane, which, in turn, changes the membrane’s electric potential at this point. If the postsynaptic cell is a neuron, this electric disturbance may be sufficient to induce an action potential. If the postsynaptic cell is a muscle, the change in membrane potential following binding of the neurotransmitter may induce contraction if a gland cell, the neurotransmitter may induce hormone secretion. In some cases, enzymes attached to the fibrous network connecting the cells destroy the neurotransmitter after it has functioned in other cases, the signal is terminated when the neurotransmitter diffuses away or is transported back into the presynaptic cell.

The postsynaptic neuron at certain synapses also sends signals to the presynaptic one. Such retrograde signals can be gases, such as nitric oxide and carbon monoxide, or peptide hormones. This type of signaling, which modifies the ability of the presynaptic cell to signal the postsynaptic one, is thought to be important in many types of learning.


Chapter 13: Zoology

Introducción

Zoology is “the scientific study of animals,” according to the Oxford Dictionary of Biology, 4 th ed, 2000. Entomology is treated separately in Chapter 12 since it has traditionally been treated as a separate discipline. The other branches of zoology such as ornithology or nematology are not separated in this chapter rather, the arrangement is by type of material following the pattern established earlier.

Anatomical atlases and dissection manuals for non-human animals are found in this chapter for human anatomy see Chapter 11, although some of the atlases and manuals in that chapter also briefly mention non-human animal anatomy.


Ver el vídeo: 08 Potencial químico Parte 1 (Junio 2022).


Comentarios:

  1. Cesar

    Opinión bastante divertida

  2. Zukinos

    Por supuesto. Todo lo anterior es cierto.

  3. Faing

    El tema incomparable, es interesante para mí :)

  4. Mentor

    Disculpe, he pensado y he eliminado una pregunta.

  5. Tezahn

    Completamente comparto tu opinión. Me parece que es una muy buena idea. Completamente contigo, estaré de acuerdo.

  6. Arashirisar

    Mmm,



Escribe un mensaje