Zaloguj się, aby obserwować tę zawartość
Obserwujący
0
Bardziej odżywcza pszenica
dodany przez
KopalniaWiedzy.pl, w Nauki przyrodnicze
-
Podobna zawartość
-
przez KopalniaWiedzy.pl
Chińscy naukowcy dali nam kolejny powód, by pozostawiać niezgrabione liście w spokoju. Rośliny do przeprowadzania fotosyntezy potrzebują jonów tlenku żelaza na drugim stopniu utlenienia (Fe2+). Jednak większość żelaza w glebie stanowią jony na trzecim stopniu utlenienia (Fe3+). Uczeni ze Wschodniochińskiego Uniwersytetu Nauki i Technologii w Szanghalu odkryli, że żelazo zawarte w opadłych liściach pomaga uzupełnić te niedobory, zamieniając Fe3+ w Fe2+ za pomocą transferu elektronów.
Rośliny w sposób naturalny zamieniają Fe3+ w Fe2+ za pomocą reakcji redukcji, w której biorą udział molekuły znajdujące się w korzeniach. Mimo to, nadal mogą cierpieć na niedobory Fe2+. Ma to poważne konsekwencje dla rolnictwa. Przez brak Fe2+ rośliny gorzej przeprowadzają fotosyntezę, dochodzi do zaburzeń w wytwarzaniu chlorofilu (chlorozy) w młodych liściach oraz słabego wzrostu korzeni, co prowadzi do zmniejszenia plonów, mówi Shanshang Liang, jeden z członków zespołu badawczego.
Stosowane standardowo w rolnictwie nawozy nieorganiczne, jak FeSO4 nie są zbyt wydajne, gdyż dostarczane wraz z nimi jony Fe2+ szybko zmieniają się w Fe3+. Z kolei lepiej spełniające swoją rolę nawozy organiczne, jak chelaty żelaza, są drogie. Można, oczywiście, zmodyfikować rośliny genetycznie tak, by bardziej efektywnie czerpały Fe2+, jednak to wyzwanie zarówno naukowe, ponadto rośliny GMO wciąż budzą kontrowersje. Tymczasem wystarczy pozostawić szczątki roślin, by zapewnić dostarczenie do gleby składników zapewniających rozwój kolejnych pokoleń roślin.
Chiński zespół już podczas poprzednich badań zauważył, że żelazo zmienia swoją wartościowość podczas biochemicznych reakcji polegających na transferze elektronów. Proces taki zachodzi pomiędzy Fe3+ a pewnymi enzymami w korzeniach roślin. Teraz naukowcy wykorzystali rentgenowską spektrometrię fotoelektronów, spektroskopię fourierowską w podczerwieni oraz spektroskopię UV-VIS do obserwacji zamiany Fe3+ w Fe2+ w liściach herbaty, zimokwiatu wczesnego i innych roślin.
Nasza praca pozwala zrozumieć, skąd się bierze Fe2+ w glebie oraz w jaki sposób – za pomocą opadłych liści – dochodzi do zamiany Fe3+ w Fe2+. To bardzo wydajny proces, dodaje Shanshang Liang.
Naukowcy zauważyli też, że wydajność całego procesu oraz równowaga pomiędzy jonami Fe2+ a Fe3+ mogą silnie zależeć od temperatury otoczenia. Dlatego też planują przeprowadzić badania w tym kierunku. Stwierdzili też, że kwasowość gleby ma istotny wpływ na wchłanianie Fe2+ przez rośliny. Jesteśmy też zainteresowani tym, w jaki sposób opadłe liście poprawiają jakość gleby. To może doprowadzić do opracowania nowych strategii produkcji rolnej, stwierdzają naukowcy.
« powrót do artykułu -
przez KopalniaWiedzy.pl
Szybką i bezbłędną klasyfikację białek, wykrywanie w nich miejsc wiążących potencjalne leki, identyfikowanie białek występujących na powierzchni wirusów, a także badania np. RNA, umożliwia nowe narzędzie bioinformatyczne opracowane przez naukowców z Wydziału Biologii UW.
BioS2Net, czyli Biological Sequence and Structure Network, jest zaawansowanym algorytmem wykorzystującym uczenie maszynowe, pozwalającym na klasyfikację nowo poznanych białek nie tylko na podstawie podobieństwa sekwencji aminokwasowych, ale także ich struktury przestrzennej. Publikacja na jego temat ukazała się na łamach pisma International Journal of Molecular Sciences.
Narzędzie opracował zespół kierowany przez dr. Takao Ishikawę z Zakładu Biologii Molekularnej Wydziału Biologii UW we współpracy z naukowcem z Wydziału Matematyki, Informatyki i Mechaniki UW. Jak mówią sami autorzy, jego głównym zastosowaniem jest usprawniona klasyfikacja białek, ponieważ obecnie stosowany system klasyfikacji strukturalnej opiera się na żmudnej pracy polegającej na porównywaniu struktur nowych białek do tych już skategoryzowanych.
Istnieje co prawda jego zautomatyzowany odpowiednik, jednak jest on bardzo restrykcyjny i bierze pod uwagę wyłącznie podobieństwo sekwencji białek, całkowicie pomijając ich strukturę. Takie narzędzie jak BioS2Net potencjalnie ma szansę znacząco usprawnić cały proces – wyjaśnia dr Ishikawa. Dodatkowo opracowana przez nas architektura może zostać użyta (po niewielkich przeróbkach) do innych zadań, niekoniecznie związanych z klasyfikacją. Przykładowo można by jej użyć do wykrywania w białku miejsc wiążących potencjalne leki lub do identyfikacji białek występujących na powierzchni wirusów.
Można sobie np. wyobrazić sytuację, w której dotychczas zaklasyfikowane do innych grup białka, dzięki zastosowaniu BioS2Net zostaną skategoryzowane jako bardzo podobne do siebie pod względem budowy powierzchni, mimo innego zwinięcia łańcucha białkowego wewnątrz struktury. I wówczas niewykluczone, że cząsteczka oddziałująca z jednym białkiem (np. jako lek) okaże się także skutecznym interaktorem dla drugiego – wymienia dalsze potencjalne zastosowania praktyczne narzędzia dr Ishikawa. Innym ciekawym zastosowaniem mogłoby być np. wykrywanie miejsc wiążących w białkach, które mogą stanowić albo cel dla leków, albo punkt interakcji z białkiem wirusowym.
Działanie BioS2Net opiera się na wykonywanych po sobie operacjach matematycznych, które bazują na danych o konkretnym białku. Do pracy narzędzie potrzebuje tychże danych (im więcej, tym lepiej), odpowiedniego oprogramowania zdolnego do wykonywania skomplikowanych obliczeń związanych z treningiem sieci neuronowej oraz sporej ilości czasu.
W efekcie BioS2Net tworzy unikatową reprezentację każdego białka w postaci wektora o stałym rozmiarze. Można to porównać do czegoś w rodzaju kodu kreskowego opisującego każde z poznanych białek – tłumaczy dr Ishikawa. Narzędzie świetnie nadaje się do klasyfikacji białek na podstawie sekwencji aminokwasowej oraz struktury przestrzennej. Szczególnie istotne jest to, że można dzięki niemu wykryć białka o podobnej strukturze trójwymiarowej, ale o odmiennym „foldzie”, czyli innym sposobie zwinięcia łańcucha białkowego.
Dotychczas stosowane metody przydzielałyby takie białka do osobnych grup. Tymczasem znane są przypadki, gdy tego typu cząsteczki pełnią podobne funkcje. I do wykrywania takich grup białek może się przydać BioS2Net – dodaje.
Jak mówi naukowiec, nowe białka odkrywa się cały czas. Zdecydowana większość z nich, jeśli już ma opisaną strukturę przestrzenną, jest deponowana w bazie danych Protein Data Bank, do której każdy ma dostęp przez Internet. Warto jednak zwrócić uwagę, że proces odkrywania nowych białek rozpoczyna się o wiele wcześniej, już na etapie sekwencjonowania genomu. W bazach danych genomów często można spotkać się z adnotacją ’hypothetical protein’ (pol. hipotetyczne białko). Istnieją algorytmy komputerowe, które na podstawie sekwencji nukleotydowych w zsekwencjonowanym genomie przewidują obszary przypominające geny, które potencjalnie kodują informację o białkach. I takich potencjalnych białek znamy bardzo wiele. Ich funkcje można częściowo przewidzieć na podstawie podobieństwa do cząsteczek już wcześniej opisanych, ale do pełnego poznania takiej roli i mechanizmu działania często jednak należy najpierw ustalić ich strukturę, co wymaga miesięcy lub lat eksperymentów – opowiada badacz z UW.
W przypadku białek podobna sekwencja aminokwasów z reguły przekłada się na podobną strukturę. Do niedawna był to wręcz dogmat w biologii strukturalnej. Dzisiaj jednak wiadomo – mówi dr Ishikawa – że wiele białek jest inherentnie nieustrukturyzowanych (IDP; ang. intrinsically disordered protein) albo przynajmniej zwiera w sobie tego typu rejony. Takie białka mogą przyjmować różne struktury w zależności od tego z jakimi innymi białkami w danym momencie oddziałują.
Dodatkowo bardzo istotny jest cały kontekst, w jakim białko ulega pofałdowaniu. Przykładowo, obecność tzw. białek opiekuńczych, czy nawet samo tempo syntetyzowania białka w komórce, może mieć niemały wpływ na ostateczny jego kształt, a zatem też na funkcje. Nie zmienia to jednak faktu, że cechą fundamentalną każdego białka jest jego sekwencja aminokwasowa – podkreśla.
A dlaczego w ogóle poznanie dokładnej budowy cząsteczki białka jest takie ważne? Autor publikacji wyjaśnia, że białka, realizując swoje zadania w komórce, zawsze przyjmują określoną strukturę. Np. jeśli chcemy zaprojektować nowy lek, który będzie oddziaływał z określonym białkiem, to fundamentalne znaczenie ma określenie struktury tego drugiego. W trakcie pandemii SARS-CoV-2 trzeba było np. określić strukturę wirusowego białka S (tzw. kolca) m.in. po to, aby można było zaproponować cząsteczkę swoiście z nim oddziałującą, a przez to zmniejszyć wydajność zakażania komórek człowieka – mówi. Podsumowując: badanie struktury białek ma ogromne znaczenie dla poznania ich funkcji i mechanizmu działania, a także innych cząsteczek z nimi oddziałujących.
Jeśli chodzi o sam BioS2Net, to najpierw należy ściągnąć z bazy danych i przetworzyć informacje o danym białku. Przetwarzanie służy temu, aby wszystkie cechy białka, takie jak współrzędne atomów, rodzaje aminokwasów, profil ewolucyjny itd., zamienić na liczby, które będą zrozumiałe dla komputera. Każdy pojedynczy atom cząsteczki jest opisywany przez kilkadziesiąt liczb, które wyrażają wspomniane cechy.
Następnie liczby te wprowadza się do sieci neuronowej, która analizuje każdy z atomów oraz ich najbliższych sąsiadów, biorąc pod uwagę zarówno ich ułożenie przestrzenne, jak i sekwencyjne. Kolejny etap to łączenie grup atomów w jeden „superatom”, który zawiera w sobie całą wyuczoną lokalną informację. Proces ten powtarza się do momentu aż ów „superatom” będzie zawierał zagregowane informacje o całym białku. To jest nasz kod kreskowy, który wykorzystujemy potem do klasyfikacji białka, używając standardowych sieci neuronowych – zaznacza dr Ishikawa.
Zapytany o dokładność nowego narzędzia biolog wyjaśnia, że jeśli chodzi o wytworzenie unikatowego wektora reprezentującego poszczególne białka, to BioS2Net robi to bezbłędnie, tzn. że każde białko jest reprezentowane w jedyny możliwy sposób i żadna inna cząsteczka nie będzie opisana w taki sam sposób.
Natomiast, gdy zastosowaliśmy BioS2Net do klasyfikacji białek, osiągnęliśmy wynik nawet 95,4 proc. trafności w porównaniu do obowiązującej klasyfikacji wg bazy danych. Oznacza to, że w ponad 95 przypadków na 100 BioS2Net był w stanie prawidłowo przyporządkować białko do danej grupy. Tutaj jednak warto wspomnieć, że ta obowiązująca klasyfikacja opiera się na podobieństwie sekwencji aminokwasowych i pomija informacje strukturalne – tłumaczy autor publikacji.
Naukowcy podkreślają, że poza głównym zastosowaniem, czyli klasyfikacją białek, BioS2Net będzie mógł służyć także do analizowania innych cząsteczek biologicznych, w tym RNA. Uważamy, że narzędzie można by też wykorzystywać do klasyfikacji zupełnie innych danych biologicznych, np. map chromosomów w jądrze komórkowym. Właściwie to nasza architektura może być przydatna wszędzie tam, gdzie jest zdefiniowana struktura i sekwencja – mówią.
Dr Ishikawa dodaje, że BioS2Net powstał w ramach pracy licencjackiej pierwszego autora (jego Alberta Roethla) wykonanej pod kierunkiem. Warto to podkreślić, bo to ważny sygnał, że licencjat niekoniecznie jest pracą dyplomową, którą po prostu trzeba zrobić, ale czymś, co ma potencjał naukowy i może zostać opublikowane w międzynarodowym czasopiśmie – zaznacza naukowiec.
« powrót do artykułu -
przez KopalniaWiedzy.pl
Światowa Organizacja Zdrowia opublikowała długo oczekiwane szacunki dotyczące nadmiarowych zgonów w czasie pandemii COVID-19. Zdaniem WHO w ciągu dwóch lat pandemii dodatkowo zmarło około 15 milionów osób. To niemal 3-krotnie więcej niż oficjalna łączna liczba zgonów z powodu COVID-19 raportowana przez poszczególne kraje. Szacunkowe dane WHO uwzględniają te zgony, których nie zawarto w raportach krajowych.
Problem z uzyskaniem dokładnej liczby osób zmarłych z powodu pandemii wynika z faktu, że ponad 100 krajów albo w ogóle nie dostarcza wiarygodnych statystyk, albo też dostarcza je bardzo nieregularnie. Wiele krajowych systemów statystycznych zawiera też błędy, przekładające się na błędy w danych. Ponadto różne kraje w różny sposób zbierają informacje. Na przykłd na początku pandemii w Holandii w statystykach zgonów z powodu COVID-19 uwzględniano tylko osoby, które zmarły w szpitalach, a u których test na SARS-CoV-2 dał wynik pozytywny. Zaś w sąsiedniej Belgii uwzględniano każdy zgon po objawach choroby, nawet jeśli nie postawiono diagnozy.
Demografowie, statystycy, specjaliści ds. zdrowia publicznego i epidemiolodzy starają się więc zmniejszyć tę niepewność, opierając się nie tylko na raportach poszczególnych krajów, ale prowadząc też własne badania. Dane uściślane są w różny sposób, od analiz zdjęć satelitarnych cmentarzy, poprzez ankiety wśród ludności po wykorzystywanie komputerowych modeli maszynowego uczenia.
Wpływ pandemii na nasze zdrowie jest znacznie szerszy niż tylko zachorowania na COVID-19 i zgony. Poza zgonami, które można bezpośrednio przypisać infekcji SARS-CoV-2 mamy też dużą liczbę zgonów spowodowanych warunkami, jakie panowały podczas pandemii. Mowa tutaj zarówno o przeładowaniu systemów opieki zdrowotnej, które w mniejszym stopniu zajmowały się innymi chorobami, jak i zachowaniu samych pacjentów, którzy zaczęli unikać placówek służby zdrowia. Nadmiarowe zgony to, według WHO, zgony ponad to, czego można by się spodziewać w danej populacji w standardowych warunkach, nie objętych kryzysem.
Specjaliści WHO musieli uwzględnić nie tylko czynniki, które prowadziły do zwiększenia liczby zgonów – jak np. przeładowanie systemów opieki zdrowotnej – ale i takie, prowadzące do jej zmniejszenia. W czasie pandemii poprawiła się jakość powietrza, zmniejszył ruch drogowy, a z powodu narzucenia obowiązku noszenia maseczek zmniejszyła się zachorowalność na wiele chorób zakaźnych.
Nasze szacunki nie tylko wskazują na wpływ pandemii, ale pokazują również, że wszystkie kraje powinny więcej zainwestować w służbę zdrowia odporną na zakłócenia w czasie kryzysów, powiedział dyrektor generalny WHO Tedros Adhanom Ghebreyesus.
WHO szacuje, że w latach 2020-2021 z powodu pandemii zmarło 14,9 miliona osób. Aż 84% zgonów miało miejsce w Azji Południowo-Wschodniej, Europie i Amerykach, a za ponad 2/3 odpowiada zaledwie 10 krajów.
Z opublikowanych danych wynika, że w Polsce liczba nieuwzględnionych w statystykach zgonów z powodu COVID-19 za lata 2020–2021 wynosi od 74 883 do 82 069. Średnio jest to 78 665 osób. Zatem w tym czasie pandemia mogła zabić w naszym kraju nie 116 000, a około 195 000 osób.
Zdaniem WHO do największej liczby nadmiarowych zgonów doszło w Indiach. Z szacunków wynika, że zmarło tam od 3,3 do 6,5 miliona osób. Tymczasem oficjalne dane indyjskiego rządu mówią o 481 000 zmarłych. W reakcji na te informacje przedstawiciele rządu Indii stwierdzili, że metodologia WHO budzi ich zastrzeżenia. Jednak Shahid Jameel, wirusolog i były szef indyjskiego zespołu odpowiedzialnego za sekwencjonowanie genomu SARS-CoV-2 mówi, że bardziej wierzy WHO niż własnemu rządowi. Liczba około 500 000 zmarłych podawanych w oficjalnych statystykach rządowych jest z pewnością bardzo zaniżona. Ci, którzy byli w Indiach i widzieli przebieg pandemii wiedzą, że to zbyt niska liczba. A teraz mamy badania, które to potwierdzają.
« powrót do artykułu -
przez KopalniaWiedzy.pl
W łódzkim Bionanoparku powstanie laboratorium firmy NapiFeryn Bio Tech. Będzie w nim produkowane białko z rzepaku, które może zrewolucjonizować i rynek spożywczy, i naszą dietę. W działającej już prototypowej linii produkcyjnej powstaje tygodniowo kilka kilogramów izolatu białkowego (>90% białka) i koncentratu białkowo-błonnikowego (ok. 30% białka). Oba te produkty mogą być stosowane jako dodatki do słodyczy, makaronów, sosów, napojów, pieczywa czy wegańskich zamienników mięsa.
Rzepak, w odróżnieniu od soi, uprawiany jest lokalnie – nie trzeba go importować ani zwiększać jego upraw, ponieważ w procesie pozyskiwania białka wykorzystuje się pozostałości po tłoczeniu oleju rzepakowego. Jest to alternatywne rozwiązanie dla białka zwierzęcego, przyjazne naturze – zostawia znacznie mniejszy ślad węglowy, stwierdziła Magdalena Kozłowska, prezes NapiFeryn BioTech. Białko z rzepaku ma doskonałe wartości odżywcze. Jest łatwo trawione i przyswajalne przez ludzki organizm.
Dotychczasową przeszkodą w stosowaniu go w przemyśle spożywczym był jego charakterystyczny, gorzki posmak. Technologia opatentowana przez nas całkowicie ten problem usuwa. Nasze białko jest nie tylko zdrowe, ale też smaczne, mówi Piotr Wnukowski, wiceprezes firmy.
Co prawda produkt jest testowany też przez firmę w eksperymentalnej kuchni, jednak NapiFeryn BioTech nie chce produkować żywności, ale licencjonować swój produkt koncernom spożywczym. Produkty zawierające białko rzepakowe mogą trafić do sklepów już w ciągu 2-3 lat.
Izolat z białka z rzepaku został uznany za produkt bezpieczny i jest dopuszczony przez UE do stosowania w przemyśle spożywczym.Obecnie firma przygotowuje się do zarejestrowania koncentratu błonnikowo-białkowego.
« powrót do artykułu -
przez KopalniaWiedzy.pl
Uczeni z Uniwersytetów w Aberdeen i Leicester zidentyfikowali w mózgu obszar, który napędza zapotrzebowanie na pożywienie bogate w białko. Odkrycie może mieć znaczenie dla rozwoju personalizowanych terapii otyłości. Nie od dzisiaj bowiem wiadomo, że dieta niskobiałkowa jest powiązana z otyłością.
Naukowcy zauważyli, że gdy szczury trzymano na diecie niskobiałkowej, doszło do większej aktywizacji pola brzusznego nakrywki (VTA), czyli jądra limbicznego śródmózgowia, obszaru odpowiedzialnego za aktywne poszukiwanie jedzenia.
Z badań wynika, że gdy wcześniej ograniczy się dostarczanie protein, VTA staje się bardziej wrażliwe na proteiny niż na inne składniki odżywcze. To zaś sugeruje, że mózgi zwierząt działają tak, by upewnić się, że dostawy białka zostaną utrzymane na odpowiednim poziomie. Taka adaptacja jest zrozumiała, gdyż niedobór białka może mieć katastrofalne skutki zdrowotne. Ponadto wcześniejsze badania wiązały niski poziom białek z otyłością. Nie wiadomo było jednak, jak na zjawisko to wpływa mózg.
Współautor badań doktor Fabien Naneix mówi: Odkryliśmy, że zmniejszenie podaży białka zwiększyło preferencje ku żywności, w której jest więcej białka niż węglowodanów. Ta preferencja ku białkom jest powiązana z większą odpowiedzią VTA i gdy zwierzęta przestawia się z normalnej zbilansowanej diety na dietę niskobiałkową, dochodzi do indukowania preferencji ku białkom, jednak zmiany w VTA wymagają intensywnego procesu uczenia się.
Nasze badania są pierwszymi, łączącymi preferencje ku białkom ze specyficzną aktywnością mózgu. Wiemy,że VTA odgrywa kluczową rolę w procesach pobierania innych składników odżywczych. Teraz wykazaliśmy, że dotyczy to również białek.
« powrót do artykułu
-
-
Ostatnio przeglądający 0 użytkowników
Brak zarejestrowanych użytkowników przeglądających tę stronę.