lastik” – wyszepta∏
przyjaciel rodziny
do ucha granemu
przez Dustina Hoff-
mana bohaterowi
filmu Absolwent z

1967 roku, stajàc si´ or´downikiem nie
tylko nowoczesnej kariery, ale tak˝e ca∏-
kowicie innego stylu ˝ycia. Gdyby obraz
ten nakr´cono dzisiaj, w epoce rozszy-
frowania ludzkiego genomu, owo ma-
giczne s∏owo brzmia∏oby z pewnoÊcià
„bioinformatyka”.

Naukowcy pracujàcy dla rzàdu oraz

ró˝nych firm komercyjnych przetworzy-
li ju˝ 3 GB danych opisujàcych odczy-
tane sekwencje par zasad A, C, T i G, któ-
re tworzà zapis ludzkiego genomu. Taka
iloÊç danych mog∏aby zape∏niç ponad
2 tys. standardowych dyskietek kompu-
terowych, a przecie˝ to zaledwie wàski
strumyczek z wielkiej rzeki informacji za-
szyfrowanych w ludzkim genomie. Ba-
dacze tworzà obecnie gigantyczne bazy
danych dotyczàce miejsca i czasu akty-
wacji poszczególnych genów, struktury
kodowanych przez nie bia∏ek, ich wza-
jemnego oddzia∏ywania oraz roli, jakà
owe interakcje pe∏nià w ró˝nego rodzaju
chorobach. Dodajmy jeszcze do tego ma-
sowo nap∏ywajàce informacje o geno-
mach tzw. organizmów modelowych, jak
wywil˝na kar∏ówka, zwana muszkà owo-
cowà (Drosophila melanogaster) czy mysz
[ramka na stronie 61], a otrzymamy to, co
Gene Myers, Jr., wiceprezes ds. badaƒ in-
formatycznych w Celera Genomics
w Rockville w stanie Maryland – okreÊla
mianem „tsunami informacyjnego”.
Z maria˝u biologii i informatyki narodzi-
∏a si´ nowa dyscyplina – bioinformatyka
– z zadaniem uporzàdkowania tego cha-
osu danych. Osiàgni´cia w tej dziedzinie
zmieniajà oblicze biomedycyny.

„W ciàgu nast´pnych dwóch lub

trzech lat liczba informacji osiàgnie nie-
prawdopodobny poziom, a ka˝dy mo-

˝e zostaç nimi przyt∏oczony – twierdzi
Myers. – Rozpocznie si´ wtedy wyÊcig
o to, kto najlepiej je wykorzysta. To b´-
dà nieprzebrane bogactwa.”

Mnóstwo firm komercyjnych rywali-

zuje ze sobà, by mieç udzia∏ w tej ˝yle
z∏ota. Jason Reed z bankowej firmy in-
westycyjnej Oscar Gruss & Son z Nowe-
go Jorku oszacowa∏, ˝e w ciàgu pi´ciu
lat wartoÊç obrotów na bioinformatycz-
nym rynku mo˝e wynieÊç oko∏o 2 mld
dolarów. Zebra∏ on informacje o ponad
50 prywatnych i paƒstwowych przed-
si´biorstwach, które oferujà produkty
i us∏ugi bioinformatyczne. Firmy te sta-
rajà si´ dzia∏aç na ró˝nych p∏aszczy-
znach: gromadzà i przechowujà infor-
macje, interpretujà je oraz przeszukujà
bazy danych. Wi´kszoÊç z nich sprzeda-
je dost´p do posiadanych informacji
spó∏kom farmaceutycznym i biotechno-
logicznym, a op∏aty subskrypcyjne wy-
noszà niekiedy miliony dolarów.

Firmy farmaceutyczne tak ch´tnie

ustawiajà si´ w kolejce i p∏acà za tego
typu us∏ugi – albo tworzà w∏asne, rów-
nie kosztowne bazy danych – g∏ównie
dlatego, ˝e bioinformatyka daje mo˝li-
woÊç du˝o szybszego znalezienia bio-
chemicznych obiektów oddzia∏ywania
nowego leku na znacznie wczeÊniej-
szym etapie jego tworzenia, w odró˝-
nieniu od stosowanych dotàd metod.
To zaÊ mo˝e doprowadziç do zmniej-
szenia liczby wymaganych testów kli-
nicznych i znacznie ograniczyç ca∏ko-
wite koszty jego produkcji. Powinno
tak˝e przynieÊç firmom farmaceutycz-
nym dodatkowe zyski, bowiem gdy
tworzenie nowego medykamentu trwa
krócej, jest on wprowadzany na rynek
wczeÊniej i przez d∏u˝szy czas pozosta-
je obj´ty ochronà patentowà.

„Przyjmijmy, ˝e jestem koncernem

farmaceutycznym i potrafi´ wprowa-
dziç [mój] lek na rynek rok wczeÊniej –
wyjaÊnia Stelios Papadopoulos, dyrek-

tor naczelny Wydzia∏u Opieki Zdrowot-
nej w nowojorskiej bankowej firmie in-
westycyjnej SG Cowen. – Mo˝e to ozna-
czaç, ˝e zyskam dodatkowo na jego
sprzeda˝y jakieÊ pó∏ miliarda dolarów.”

Zanim jednak nastàpi nieoczekiwany

przyp∏yw gotówki, firmy bioinformatycz-
ne muszà uporaç si´ z nawa∏em nowych
danych o genomie i ciàgle udoskonalaç
technik´, metodyk´ badawczà i polityk´
ekonomicznà. Firmy bioinformatyczne
powinny si´ jednoczeÊnie skoncentrowaç
na praktycznych mo˝liwoÊciach, czyli na
tym, jak posk∏adaç w ca∏oÊç wszystkie in-
formacje, znaleêç powiàzania mi´dzy ni-
mi i na tej podstawie stworzyç ogólny ob-
raz w tej ga∏´zi nauki.

Metodyka jest ju˝ tak zaawansowa-

na, ˝e da si´ wytwarzaç ogromne iloÊci
danych – uwa˝a Michael R. Fannon, wi-
ceprezes i kierownik dzia∏u informacyj-
nego w Human Genome Sciences, ma-
jàcym równie˝ siedzib´ w Rockville. –
Nie wiemy jednak, jakà wag´ majà
wszystkie te informacje.”

Ustalenie ich znaczenia to w∏aÊnie za-

danie bioinformatyki. Dziedzina ta na-
rodzi∏a si´ na poczàtku lat osiemdziesià-
tych, wraz z utworzeniem w USA bazy
danych nazwanej GenBankiem. Amery-
kaƒski Departament Energii opracowa∏
ten program, aby zbieraç i przechowy-
waç informacje o sekwencjach krótkich
odcinków DNA, które naukowcy zacz´-
li w∏aÊnie zdobywaç, badajàc ró˝ne orga-
nizmy. Na poczàtku istnienia GenBanku
rzesze techników siedzia∏y nad klawiatu-
rami sk∏adajàcymi si´ z czterech klawiszy
A, C, T oraz G i ˝mudnie wstukiwa∏y do
komputera ciàgi liter oznaczajàcych opu-
blikowane w czasopismach naukowych
sekwencje DNA. Z czasem opracowano
protoko∏y przekazywania danych. Bada-
cze mogli teraz zadzwoniç do GenBanku
i bezpoÊrednio wprowadziç do kompu-
tera dane o sekwencji kolejnych odcin-
ków genomu. Administracj´ GenBanku

58 Â

WIAT

N

AUKI

Paêdziernik 2000

BIOINFORMATYCZNA

Przekszta∏canie wst´pnych danych
o genomie w wiedz´ potrzebnà
do tworzenia nowych leków zrodzi∏o
przemys∏ wartoÊci 300 mln dolarów

SCIENCE, VOL. 287, NR 5461; 24 III 2000

(powy˝ej i

na sàsiedniej stronie)

Ken Howard

P

G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C K O T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C

A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G K O T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A T
A T C G G C T A T A T C G G C
T A C G A T T A C A C G T A T
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C
G A T A T C G G C T A C G A T
A T C G G C T A C G A T A T C
G G C T A C G A T A T C G G C
T A C G A T A T C G G C T A C

przeniesiono do Paƒstwowego Centrum In-
formacji Biotechnologicznej (NCBI –
National Center for Biotechnology Infor-
mation) w National Institutes of Health.
Z pojawieniem si´ us∏ugi WWW w Interne-
cie naukowcy z ca∏ego Êwiata uzyskali bez-
p∏atny dost´p do danych zgromadzonych
w GenBanku.

Kiedy w 1990 roku ruszy∏ oficjalnie Pro-

jekt Poznania Ludzkiego Genomu, liczba
informacji o zapisie genetycznym nap∏y-
wajàcych do GenBanku zacz´∏a rosnàç
w post´pie wyk∏adniczym. Po wprowadze-
niu w latach dziewi´çdziesiàtych metod
wysoko wydajnego sekwencjonowania
z wykorzystaniem robotyki, automatycz-

Â

WIAT

N

AUKI

Paêdziernik 2000 59

nych sekwenatorów i komputerów proces
ten nabra∏ wr´cz zawrotnego tempa. Do
dnia, w którym oddano do druku lipcowy
numer Scientific American, GenBank zdà˝y∏
zgromadziç dane o kolejnoÊci zapisu po-
nad 7 mld jednostek DNA

1

.

Mniej wi´cej w tym samym czasie, gdy

rozpocz´to realizacj´ Projektu Poznania
Ludzkiego Genomu, podobnymi badania-
mi zaj´∏y si´ firmy prywatne i stworzy∏y
w∏asne obszerne bazy danych. Dzisiaj kor-
poracje takie jak Incyte Genomics z Palo
Alto w Kalifornii sà w stanie odczytaç
w ciàgu jednego dnia zapis genetyczny li-
czàcy oko∏o 20 mln par zasad DNA.
A przedstawiciele prawdziwej fabryki in-
formacji genetycznej, czyli firmy Celera Ge-
nomics – którzy oznajmili w kwietniu te-
go roku, ˝e uzyskali wst´pnà wersj´ pe∏nej
sekwencji genomu ludzkiego [patrz: „Geno-
mowa goràczka z∏ota”, strona 50] – twier-
dzà, ˝e ich firma zgromadzi∏a na ten temat
50 TB danych. Taka iloÊç informacji zaj´∏a-
by 80 tys. p∏yt kompaktowych. Gdyby usta-
wiç je obok siebie, zamkni´te w plastiko-
wych pude∏kach na pó∏ce, to musia∏aby ona
mieç d∏ugoÊç

3

/

4

km!

GenBank i wymienione powy˝ej firmy

sà jednak zaledwie cz´Êcià bioinformatycz-
nej uk∏adanki. Istniejà jeszcze inne publicz-
ne i prywatne bazy danych zawierajàce in-
formacje o ekspresji genów (czyli o tym,
kiedy i gdzie geny sà w∏àczane), tzw. po-
limorfizmie sekwencji nukleotydowych
(czyli drobnych ró˝nicach genetycznych
mi´dzy poszczególnymi osobnikami), bu-

Rozpocznie si´ wyÊcig o najlepsze wykorzystanie
tego nieprzebranego bogactwa wiedzy.

DANE GENETYCZNE sà surowcem bioinformatyki. Dzia∏ania w tej dziedzinie mo˝na jednak po-
równaç do szukania ig∏y w stogu siana. Na zabawnym rysunku z lewej ig∏à jest s∏owo KOT,
ukryte poÊród tysi´cy sekwencji zasad A, C, T i G – czterech jednostek budulcowych

4

kwasu de-

oksyrybonukleinowego. Bioinformatyka porównuje tak˝e geny ró˝nych organizmów. Inne ilu-
stracje na stronach tej i poprzedniej ukazujà fragment mapy genomu muszki owocowej. Kolorowe
s∏upki, przypominajàce kod kreskowy, oznaczajà sekwencje kodujàce wykazujàce podobieƒstwo
do genów ssaków, nicienia

Caenorhabditis elegans i dro˝d˝y piekarniczych.

SLIM FILMS

dowie ró˝nych bia∏ek, oraz schematy ich
wzajemnych oddzia∏ywaƒ [patrz: „Co da-
lej z ludzkim genomem”, strona 64].

Mieszanie i dobieranie

Jednym z podstawowych zadaƒ w bioin-

formatyce jest poszukiwanie podobieƒstw
(homologii) mi´dzy nowo odczytanymi od-
cinkami DNA a zsekwencjonowanymi
wczeÊniej fragmentami nici tego kwasu in-
nych organizmów. Odnalezienie takiego
„pokrewieƒstwa” daje badaczom mo˝li-
woÊç przewidywania, jaki rodzaj bia∏ka
mo˝e byç kodowany przez dopiero co roz-
szyfrowanà sekwencj´. Pozwala to nie tyl-

ko na wczesny wybór obiektu oddzia∏ywa-
nia potencjalnych nowych leków, ale tak-
˝e na wyeliminowanie wielu fa∏szywych
tropów prowadzàcych donikàd.

Popularnym pakietem programów s∏u-

˝àcych do porównywania zapisu genetycz-
nego jest BLAST (Basic Local Alignment
Search Tool), który pojawi∏ si´ w 1990 ro-
ku. To jedno z ca∏ej grupy narz´dzi stoso-
wanych do badaƒ sekwencji DNA oraz bia-
∏ek, dostarczanych w ró˝nych wersjach
przez komercyjnych us∏ugodawców i do-
st´pnych tak˝e bezpoÊrednio w NCBI. Pla-
cówka ta oferuje równie˝ Entrez, czyli tzw.
metawyszukiwark´, która wspó∏pracuje
z wi´kszoÊcià znajdujàcych si´ tam baz da-
nych, ∏àcznie z zawierajàcymi opisy trójwy-
miarowych modeli bia∏ek, pe∏nà sekwencj´
genomów organizmów, takich jak dro˝d˝e,
a tak˝e wykaz piÊmiennictwa – êród∏a zgro-
madzonych dotychczas informacji.

Jednym z pierwszych przyk∏adów przy-

datnoÊci bioinformatyki jest historia katep-
syny K, enzymu mogàcego okazaç si´ wa˝-
nym obiektem oddzia∏ywania w leczeniu
osteoporozy – choroby, która powoduje pro-
wadzàcà do kalectwa ∏amliwoÊç koÊci.
W 1993 roku badacze z filadelfijskiej firmy
Smith-Kline Beecham poprosili naukowców

BONANZA

Lion Bioscience

www.lionbioscience.com
W∏asnoÊç prywatna

Siedziba:

Heidelberg, Niemcy

Zarzàdzajàcy:

Friedrich von Bohlen,

dyrektor generalny

G∏ówni klienci/partnerzy:

Bayer, Aven-

tis, Pharmacia

Strategia:

Dostarczanie bioinforma-

tycznych systemów i us∏ug dost´p-
nych dla szerokiej grupy przedsi´-
biorstw.

Tegoroczny bud˝et:

Brak danych

Podstawowy cel:

Rozwijanie wspó∏-

pracy z du˝ymi i Êrednimi koncernami
biotechnologicznymi i farmaceutyczny-
mi; powtórzenie sukcesu, jakim by∏o
zawarcie umowy z firmà Bayer.

Przewaga nad konkurencjà:

Opiewa-

jàcy na 100 mln kontrakt z koncernem
Bayer stwarza ogromne perspektywy
i jest dla firmy dêwignià finansowà.

NetGenics

www.netgenics.com
W∏asnoÊç prywatna

Siedziba:

Cleveland, Ohio (USA)

Zarzàdzajàcy:

Manuel J. Glynias, pre-

zes i dyrektor generalny

G∏ówni klienci/partnerzy:

Abbott La-

boratories, Aventis, IBM

Strategia:

Dostarczanie systemów

i us∏ug bioinformatycznych wielkiej
grupie przedsi´biorstw.

Tegoroczny bud˝et:

21.3 mln dolarów

Podstawowy cel:

Rozwijanie wspó∏pra-

cy z du˝ymi i Êrednimi koncernami bio-
technologicznymi i farmaceutycznymi.

Przewaga nad konkurencjà:

Dobre

zaplecze finansowe i powiàzania z du-
˝ymi koncernami farmaceutycznymi.

DoubleTwist

www.doubletwist.com
W∏asnoÊç prywatna

Siedziba:

Oakland, Kalifornia

Zarzàdzajàcy:

John Couch, prezes

i dyrektor generalny

G∏ówni klienci/partnerzy:

Derwent In-

formation, Clontech Laboratories, My-
riad Genetics, AlphaGene, Universi-
ty of Pennsylvania

Strategia:

Umo˝liwianie dost´pu do

ró˝nych bioinformatycznych narz´dzi
i baz danych.

Tegoroczny bud˝et:

37 mln dolarów

Podstawowy cel:

Dostarczanie uni-

kalnych, firmowych produktów i przy-
ciàganie wystarczajàcej liczby klien-
tów, aby utrzymaç si´ na rynku us∏ug
internetowych.

Przewaga nad konkurencjà:

Szerokie

perspektywy i potencjalnie du˝y ry-
nek zbytu.

Compugen

www.cgen.com
W∏asnoÊç prywatna

Siedziba:

Tel Awiw, Izrael

Zarzàdzajàcy:

Mor Amitai, dyrektor

generalny

G∏ówni klienci/partnerzy:

Merck, Incy-

te Genomics, Amgen, Millennium Phar-
maceuticals, Bayer, Human Genome
Sciences, Janssen Pharmaceutica

Strategia:

Produkcja sprz´tu i opro-

gramowania komputerowego, które
przyÊpieszà prac´ algorytmów bioin-
formatycznych; zaanga˝owanie w od-
czytywanie genów oraz opracowanie
nowych leków; udost´pnianie narz´-
dzi bioinformatycznych przez Internet.

Tegoroczny bud˝et:

Brak danych

Podstawowy cel:

Specjalizacja w od-

krywaniu nowych leków; rozszerze-
nie oferty firmy; rozwój dzia∏alnoÊci
na rynku internetowym.

Przewaga nad konkurencjà:

Jedna

z pierwszych firm, które opracowa∏y
wyspecjalizowane narz´dzia bioinfor-
matyczne, co da∏o jej pozycj´ eksper-
ta w dziedzinie wyszukiwania infor-
macji. Ma solidnà, prawnie zastrze-
˝onà baz´ danych biologicznych, z
której korzysta podczas wst´pnego
opracowania nowych leków.

Oxford Molecular
Group

www.oxmol.co.uk

Symbol akcji:

OMG (Londyn)

Siedziba:

Oksford, Anglia

Zarzàdzajàcy:

N. Douglas Brown, pre-

zes

G∏ówni klienci/partnerzy:

Novartis, Gla-

xo Wellcome, Merck, Pfizer, Smith-
Kline Beecham, Abbott Laboratories

Strategia:

Dostarczanie wielu us∏ug

i oprogramowania zwiàzanego z opra-
cowaniem nowych leków.

Tegoroczny bud˝et:

Brak danych

Podstawowy cel:

Rozszerzenie dzia-

∏alnoÊci przez stworzenie wi´kszej
liczby produktów i us∏ug dost´pnych
szerokiej grupie przedsi´biorstw.

Przewaga nad konkurencjà:

Jest w∏a-

Êcicielem firmy Genetics Computer
Group, której sztandarowy produkt,
oprogramowanie Wisconsin Package,
jest uwa˝any w tym sektorze przemy-
s∏u za standard do analizy sekwencji
genowych.

InforMax

www.informaxinc.com
W∏asnoÊç prywatna

Siedziba:

Bethesda, Maryland (USA)

Zarzàdzajàcy:

Alex Titomirov, dyrek-

tor generalny

G∏ówni klienci/partnerzy:

Produkty fir-

my sà wykorzystywane przez 19 pod-
miotów prawnych

Strategia:

Dostarczanie komputero-

wych narz´dzi bioinformatycznych do-
st´pnych dla szerokiej grupy przed-
si´biorstw.

Tegoroczny bud˝et:

Brak danych

Podstawowy cel:

Udost´pnienie pro-

duktów firmy wi´kszej grupie odbior-
ców.

Przewaga nad konkurencjà:

Znaczà-

ca pozycja na rynku komputerowych
narz´dzi bioinformatycznych.

SLIM FILMS; èRÓD¸A: WYMIENIONE FIRMY; JASON REED

Oscar Gruss & Son

;

ADRIENNE BURKE

BioInform newsletter

G¸ÓWNI GRACZE

z Human Genome Sciences o pomoc
w przeanalizowaniu materia∏u genetycz-
nego, wyizolowanego z osteoklastów lu-
dzi cierpiàcych na raka koÊci. (Osteokla-
sty, czyli komórki koÊciogubne sà odpo-
wiedzialne za absorpcj´ i niszczenie ko-
Êci w prawid∏owym procesie jej przebu-
dowy; uwa˝a si´, ˝e u osób chorych na
osteoporoz´ sà one nadaktywne.)

Naukowcy z HGS zsekwencjonowa-

li DNA zawarty w powierzonej im prób-
ce i korzystajàc z bazy danych, zacz´li
szukaç homologii, które mia∏y im wska-
zaç bia∏ka kodowane przez wykryte
w ten sposób geny. Gdy odnaleêli ho-
mologiczne sekwencje, prowadzili ba-
dania dalej, a˝ odkryli, ˝e jedna z nich
wyst´puje w osteoklastach w bardzo
wielu kopiach. Ów fragment genomu
by∏ podobny do tych, o których ju˝ wie-
dziano, ˝e koduje wczeÊniej wykrytà
klas´ czàsteczek – katepsyny.

Dla SmithKline Beecham ta bioinfor-

matyczna „wprawka” zaowocowa∏a
w ciàgu zaledwie tygodni ustaleniem
obiecujàcego obiektu oddzia∏ywania no-
wego leku. Za pomocà klasycznych me-
tod doÊwiadczalnych taki wynik da∏oby
si´ uzyskaç dopiero po kilku latach. Te-
raz badacze zatrudnieni w firmie próbu-
jà znaleêç Êrodek blokujàcy aktywnoÊç
katepsyny K. Poszukiwania substancji,
które oddzia∏ujà na konkretny obiekt
i wywo∏ujà po˝àdany efekt, ciàgle jeszcze
odbywajà si´ g∏ównie w tradycyjnych la-
boratoriach biochemicznych, gdzie oce-
na aktywnoÊci zwiàzków, ich toksycz-
noÊci i wch∏aniania cz´sto trwa latami.
Ale gdy ma si´ do dyspozycji nowe na-
rz´dzia bioinformatyczne i dost´p do
wcià˝ rosnàcej liczby danych o struktu-
rze bia∏ek i molekularnych szlakach ich
dzia∏ania, wkrótce i ten etap tworzenia
nowych leków b´dzie mo˝na przenieÊç

do komputera – twierdzà niektórzy ba-
dacze. Ta nowa dziedzina aktywnoÊci
naukowej zyska wówczas nazw´ biolo-
gii „in silico”

2

[ramka na nast´pnej stronie].

Wszystko to dobrze wró˝y bioinfor-

matyce, która jak twierdzi wielu, zawie-
ra prawdziwe spe∏nienie genomiki. „Ge-
nomika bez bioinformatyki nie b´dzie
mia∏a zbyt wiele do zaoferowania” –
twierdzi Roland Somogyi, by∏y dyrektor
dzia∏u neurobiologii w Incyte Genomics,
obecnie pracujàcy w Molecular Mining
w Kingston w stanie Ontario.

Michael N. Liebman, szef dzia∏u bio-

logii obliczeniowej w Roche Bioscience
w Palo Alto, zgadza si´ z tym poglà-
dem. „Zmiana paradygmatów nie tkwi
w genomice, lecz w zrozumieniu, jak jà
wykorzystaç. – zapewnia. – Bioinforma-
tyka to dopiero poczàtek rewolucji.”

Uczestnicy gry prezentujà ró˝ne stra-

tegie. Niektóre firmy bioinformatyczne

Â

WIAT

N

AUKI

Paêdziernik 2000 61

G

. . .

. . .

A G A A C T G T T T A G A T G C A A

E

. . .

. . .

N C L

D

A K S T S

A A T C C A C A A G T

E

E

E

E

N

N

N

N

S

S

S

S

L

L

I

L

D

D

D

D

A

A

A

A

Q

G

N

G

S

A

A

A

T

T

T

T

H

E

N

C

L

D

A

K

S

T

S

E

M

R

. . .

. . .

. . .

. . .

. . .

. . .

. . .

. . .

. . .

. . .

MODEL LUDZKIEGO BIA¸KA
STWORZONY W OPARCIU
O ZNANÑ STRUKTUR¢
PODOBNEJ PROTEINY
WYST¢PUJÑCEJ W ORGANIZMIE
MODELOWYM

(czerwonobràzowy

obszar jest kodowany przez
ukazanà tu sekwencj´)

ODNALEZIENIE ZWIÑZKU,
KTÓRY PRZY¸ÑCZA SI¢
DO SKONSTRUOWANEGO
WIRTUALNIE BIA¸KA

TEORETYCZNY

LEK

TRANSLACJA SEKWENCJI ZASAD W DNA
NA SEKWENCJ¢ AMINOKWASÓW

(jednostek budulcowych bia∏ka)

Z ZASTOSOWANIEM

PROGRAMU KOMPUTEROWEGO

MUSZKA
OWOCOWA

(Drosophila melanogaster)

SEKWENCJA AMINOKWASÓW CZ¸OWIEKA

NICIE¡

(Caenorhabditis elegans)

CZ¸OWIEK

DRO˚D˚E
PIEKARNICZE

(Saccharomyces cerevisiae)

BAKTERIA

(Escherichia coli

)

LUDZKI CHROMOSOM 3

GEN MLH1

(na prà˝ku 21.3)

q (d∏ugie rami´)

p (krótkie rami´)

4

5

2

WYIZOLOWANIE SEKWENCJI LUDZKIEGO DNA

1

POSZUKIWANIE SEKWENCJI HOMOLOGICZNYCH
W BAZACH DANYCH, ZAWIERAJÑCYCH
INFORMACJ¢ O BIA¸KACH ORGANIZMÓW
MODELOWYCH

(zielony oznacza du˝e ro˝nice,

pomaraƒczowy – mniejsze)

3

Wykorzystanie bioinformatyki do tworzenia leków

LAURIE GRACE, Z

POMOCÑ MARKA GERSTEINA I

PATA FLEMINGA

Yale University

ORAZ DAVIDA WHEELERA I

JENNIFER VYSKOCIL

NCBI

W organizmach modelowych badacze poszukujà sekwencji, które sà podobne do konkretnego genu ludzkiego. Mo˝na w ten

sposób poznaç struktur´ kodowanego przez niego bia∏ka, a nast´pnie znaleêç Êrodek, który zablokuje aktywnoÊç tego genu. Przy-
k∏adem mo˝e byç gen

MLH1

, którego aktywnoÊç jest u ludzi zwiàzana z nowotworem okr´˝nicy.

zaspokajajà potrzeby pot´˝nych klien-
tów, oferujàc swe us∏ugi konsultacyjne
i oprogramowanie koncernom ge-
nomicznym, biotechnologicznym i far-
maceutycznym. Korporacja Lion Bio-
science z siedzibà w Heidelbergu w
Niemczech odnios∏a szczególny sukces
w sprzeda˝y narz´dzi i us∏ug bioin-
formatycznych szerokiej grupie odbior-
ców. Zawartà przez nià opiewajàcà na
100 mln dolarów umow´ z firmà Bayer
na stworzenie dost´pnego dla wszyst-
kich jej oddzia∏ów bioinformatycznego
zaplecza i zarzàdzanie nim okrzykni´to
w prasie najwi´kszà tego typu transak-
cjà handlowà.

Inne firmy nastawiajà si´ na ma∏ych

odbiorców lub placówki naukowe. Spó∏-
ki dzia∏ajàce w Sieci, jak Double Twist
z Oakland czy eBioinformatics z g∏ów-
nà siedzibà w Pleasanton (oba miasta
znajdujà si´ w Kalifornii), oferujà zaku-
py przez Internet. Stworzone przez nie
witryny pozwalajà u˝ytkownikom
dotrzeç za op∏atà do ró˝nego rodzaju
baz danych oraz skorzystaç z oprogra-
mowania, aby przetwarzaç uzyskane

informacje.

W maju naukowcy z DoubleTwist

og∏osili, ˝e za pomocà w∏asnych tech-
nik ustalili liczb´ genów ludzkiego ge-

nomu na 105 tys., chocia˝ ostateczny
wynik to zapewne 100 tys

3

.

Tym zaÊ, którzy wolà u˝ywaç w∏asne-

go oprogramowania, bezpiecznie ukry-
tego przed innymi poszukiwaczami, fir-
my takie jak Informax z Rockville czy
Oxford Molecular Group z Wielkiej Bry-
tanii, oferujà oryginalne produkty
w zabezpieczonych opakowaniach.

Tworzenie po∏àczeƒ

Wielkie koncerny farmaceutyczne po-

szukiwa∏y równie˝ sposobu zwi´ksze-
nia skutecznoÊci dzia∏aƒ w genomice
i rozwija∏y w∏asne s∏u˝by bioinforma-
tyczne. W licznych stworzono osobne
wydzia∏y, w których miano ujednoliciç
oprogramowanie i jego obs∏ug´ oraz
u∏atwiç dost´p do baz danych wielu
podjednostkom zajmujàcym si´ tworze-
niem nowego leku – opracowaniem je-
go formu∏y, toksykologià czy testami
klinicznymi. W starej metodzie opraco-
wania lekarstw zwykle oddzielano te
etapy, a przez to informacje, które mo-
g∏yby zostaç spo˝ytkowane przez in-
nych badaczy, pozostawa∏y uwi´zione
w naukowych „gettach”. Dzi´ki bioin-
formatyce naukowcy pracujàcy w tej sa-
mej firmie majà dost´p do wszystkich

danych, które mogà indywidualnie
przetwarzaç.

Taka wewnàtrzzak∏adowa wymiana

informacji nie tylko zwi´ksza wydajnoÊç
tworzenia nowych leków, ale umo˝liwia
tak˝e zaoszcz´dzenie sporej iloÊci pie-
ni´dzy przeznaczonych na zakup opro-
gramowania. Firma Glaxo Wellcome
z Research Triangle Park w Karolinie Pó∏-
nocnej zastàpi∏a zaÊ indywidualne pa-
kiety, umo˝liwiajàce ró˝nym badaczom
i wydzia∏om dost´p do baz danych
i przetwarzanie zawartych tam informa-
cji, jednà platformà programowà. Robin
M. DeMent, amerykaƒski dyrektor dzia-
∏u bioinformatyki w Glaxo Wellcome,
szacuje, ˝e dzi´ki temu posuni´ciu jego
koncern w ciàgu 3–5 lat zaoszcz´dzi oko-
∏o 800 tys. dolarów.

Aby zintegrowaç bioinformatyk´

w swych firmach, giganci rynku farma-
ceutycznego zawierajà strategiczne so-
jusze i umowy licencyjne oraz wykupu-
jà mniejsze spó∏ki biotechnologiczne.
Partnerzy i handlowcy nie tylko rozsze-
rzajà zakres bioinformatycznych mo˝li-
woÊci „rekinów farmacji”, ale mobilizu-
jà ich równie˝ do korzystania z poja-
wiajàcych si´ na rynku nowych techno-
logii, zamiast nieustannego moderni-
zowania w∏asnych systemów. „JeÊli firma

62 Â

WIAT

N

AUKI

Paêdziernik 2000

Zapomnij o in vitro –

teraz dzia∏amy „in silico”

G

enom ludzki zosta∏ w zasadzie zsekwencjonowany. Fu-
turyÊci przewidujà, ˝e wkrótce naukowcy b´dà w stanie
za pomocà bioinformatyki stworzyç model wr´cz astrono-

micznej liczby reakcji biochemicznych, które sk∏adajà si´ na
ludzkie ˝ycie. Ken Howard rozmawia o mo˝liwoÊciach „kompu-
terowej biologii” z ekspertem w tej dziedzinie Stuartem A. Kauff-
manem, profesorem z Santa Fe Institute w Nowym Meksyku,
a tak˝e za∏o˝ycielem i g∏ównym kierownikiem naukowym Bios
Group w Santa Fe.

Howard:

Jakie obietnice daje bioinformatyka i biologia „in silico”?

Kauffman:

Mo˝emy uwa˝aç 100 tys. genów zapisanych w DNA

ludzkich komórek za pewien rodzaj stosujàcego przetwarza-
nie równoczesne chemicznego komputera, w którym geny nie-
ustannie w∏àczajà si´ i wy∏àczajà w ramach niezmiernie skom-
plikowanej sieci wzajemnych oddzia∏ywaƒ. Drogi przekazywania
sygna∏ów w komórkach sà powiàzane z genetycznymi mecha-
nizmami regulacyjnymi w sposób, który dopiero zaczynamy
poznawaç. Najwi´kszym zadaniem bioinformatycznym, przed
którym stoimy, jest rozszyfrowanie uk∏adu sterujàcego rozwo-
jem organizmu od zap∏odnienia komórki jajowej do osiàgni´-
cia dojrza∏oÊci.

Howard:

Co dzi´ki temu zyskamy?

Kauffman:

B´dziemy wiedzieli, dzia∏anie których genów lub ich

fragmentów – i w jakiej kolejnoÊci – trzeba zak∏óciç, aby zmu-
siç komórk´ nowotworowà do niez∏oÊliwego zachowania lub
apoptozy (zaprogramowanej Êmierci). Znajdziemy sposób na
pokierowanie regeneracjà konkretnej tkanki i kiedy zdarzy si´,
˝e straci pan po∏ow´ trzustki, my spowodujemy, ˝e si´ zregene-

ruje. Byç mo˝e uda si´ nam równie˝ doprowadziç do odtwo-
rzenia komórek ß u ludzi chorych na cukrzyc´.

Howard:

Co trzeba zrobiç, aby osiàgnàç ten cel?

Kauffman:

Na pewno nie jest to wy∏àcznie sprawa bioinforma-

tyki. Musimy doprowadziç do maria˝u ró˝nych nowoczesnych na-
rz´dzi matematycznych. Wska˝à nam one alternatyw´ praw-
dopodobnych po∏àczeƒ fragmentów komórkowej sieci
regulacyjnej. Nast´pnie zamierzamy powiàzaç to z nowymi me-
todami doÊwiadczalnymi, aby dowiedzieç si´, jakie te uk∏ady
kontrolne sà naprawd´. Bioinformatyk´ nale˝y poszerzyç o me-
tody doÊwiadczalne. Musimy za∏o˝yç, ˝e ka˝dy z fragmentów bio-
informatycznej szarady to hipoteza, którà nale˝y sprawdziç.

Howard:

Przed jakimi wyzwaniami stoimy?

Kauffman:

PrzypuÊçmy, ˝e wybieram 10 genów, o których wiem,

˝e wzajemnie regulujà swojà aktywnoÊç i próbuj´ opracowaç
model ich funkcjonowania. To cudowne i powinniÊmy to robiç.
Jednak istnieje druga strona medalu: na te 10 genów oddzia∏u-
jà tak˝e inne, które pozostajà poza badanym przez nas uk∏a-
dem. Tak wi´c ostatecznie poznajemy zaledwie jeden ma∏y try-
bik wielkiego mechanizmu z∏o˝onego z tysi´cy genów. Staramy
si´ ustaliç, w jaki sposób funkcjonuje wybrany przez nas uk∏ad,
nie wiedzàc, jak oddzia∏ujà naƒ pozosta∏e geny. NieznajomoÊç
wszystkich tych interakcji bardzo utrudnia rozwiàzywanie za-
gadnienia. Od lat wiemy wszystko o ka˝dej komórce nerwowej
w zwojach brzusznych homara (sà to skupiska nerwów po∏à-
czone z uk∏adem pokarmowym zwierz´cia) – znamy znajdujà-
ce si´ w nich po∏àczenia synaptyczne i neuroprzekaêniki. Taki
zwój sk∏ada si´ zaledwie z 13 lub 20 neuronów, a jednak wcià˝

farmaceutyczna ma wystarczajàco du˝y
bud˝et badawczy, mo˝e zrobiç wszystko
sama – twierdzi Somogyi z Celera Ge-
nomics. – Jest to jednak równie˝ kwestia
podejÊcia. Bioinformatyka przynosi zy-
ski, poniewa˝ dzi´ki niej ró˝ne firmy sà
w stanie zajmowaç si´ wieloma zagad-
nieniami, ale z mo˝liwoÊcià pokrywania
si´ ich obszarów dzia∏aƒ.”

Human Genome Sciences, Celera czy

Incyte funkcjonujà w niektórych z nich –
w dziedzinie zasobów, produktów i ryn-
ku kapita∏owego. Koncerny te okupujà te-
reny pomi´dzy „wielkà farmacjà” a firma-
mi zajmujàcymi si´ uzyskiwaniem i
przetwarzaniem informacji. Bardzo szyb-
ko zaadaptowa∏y tak˝e automatyzacj´,
którà bioinformatyka wnios∏a do biologii.

Ale ca∏e to zró˝nicowanie stwarza nie-

bezpieczeƒstwo powstania nieporozu-
mieƒ i zafa∏szowaƒ. Ró˝ne bazy danych
potrafià ju˝ dogadywaç si´ ze sobà (na-
zywamy to interoperatywnoÊcià), co jest
coraz wa˝niejsze dla u˝ytkowników,
którzy poszukujàc potrzebnych wiado-
moÊci, szperajà w zbiorach. Dobrym roz-
wiàzaniem wydawa∏o si´ przypisanie
ró˝nym informacjom „metek”, czyli
identyfikatorów, które by∏yby krzy˝o-
wo wykorzystywane przez wszystkie
bazy danych i rejestry systemowe. Taka

metoda sprawdza∏a si´ do pewnego
stopnia. „Uda∏o si´ nam po∏àczyç bazy
danych dzi´ki odsy∏aczom: bazy A do
bazy B, B do C, C do D – wyjaÊnia Lieb-
man z Roche Bioscience. – Jednak odsy-
∏acz w bazie A mo˝e si´ zmieniç i wtedy
gdy dotrzemy do D, trafimy na nie zmie-
nione odnoÊniki, zw∏aszcza przy ciàg∏ym
nap∏ywie tak du˝ej iloÊci danych.” Uwa-
˝a, ˝e problem stanie si´ powa˝ny, gdy
wiedza biologiczna i mo˝liwoÊci prze-
twarzania informacji znajdà si´ na wy˝-
szym poziomie. „Dopiero zaczynamy
rozumieç, jak skomplikowane sà te za-
gadnienia, a sposób przechowywania
danych to klucz do uzyskania odpowie-
dzi na nasze pytania” – twierdzi.

Wed∏ug Davida J. Lipmana, dyrekto-

ra NCBI, systematyczne wprowadzanie

ulepszeƒ na pewno oka˝e si´ pomocne.
Jednak post´p – a co za tym idzie, rów-
nie˝ zysk – wcià˝ jeszcze zale˝y od po-
mys∏owoÊci u˝ytkownika. „To kwestia
oprogramowania mózgu – przekonuje –
a nie sprz´tu czy programów kompu-
terowych.”

T∏umaczy∏a

Joanna Grabarek

Przypisy t∏umaczki i redakcji:

1

Czyli o kolejnoÊci u∏o˝enia w nici DNA par zasad

azotowych – jedna para zasad jest jednostkà d∏u-
goÊci odcinka kwasu nukleinowego.

2

Jest to doÊç zabawna dla biologów gra s∏ów. „In vi-

tro” oznacza „w szkle”, czyli w probówce, poza or-
ganizmem. W tym rozumieniu „in silico” oznacza-
∏oby prowadzenie badaƒ biologicznych „w
krzemie”, czyli za pomocà komputera.

3

Sà sugestie, ˝e jeszcze znacznie mniej.

4

Jednostkà budulcowà jest nukleotyd, czyli zasada

azotowa + cukier + kwas fosforowy. Zapis gene-
tyczny natomiast rzeczywiÊcie zale˝y od kolejnoÊci
u∏o˝enia zasad azotowych w nici DNA.

Â

WIAT

N

AUKI

Paêdziernik 2000 63

nie potrafimy ustaliç, jak dzia∏a. ˚adnemu matematykowi nawet
przez myÊl nie przyjdzie, ˝e zrozumienie systemu z 13 zmien-
nymi to prosta sprawa. A my chcemy to zrobiç z uk∏adem ze
100 tys. zmiennych (chodzi o ludzki genom). Pozwol´ sobie zde-
finiowaç status wzajemnych powiàzaƒ wszystkich genów tylko
wed∏ug tego, czy sà w∏àczone, czy te˝ nie. Ile mamy takich sta-
nów? Dwa dla ka˝dego genu, co daje 2

100 000

kombinacji, czyli

oko∏o 10

30 000

. Zatem nawet je˝eli traktujemy geny tylko jako ele-

menty, który sà aktywne lub nie – co jest oczywistym uproszcze-
niem, poniewa˝ notujemy wiele poziomów ich aktywnoÊci – ju˝
daje to wiele mo˝liwych stanów. Taki wynik po prostu nie mieÊci
si´ w g∏owie, zwa˝ywszy, ˝e liczba czàsteczek w znanym nam
WszechÊwiecie wynosi 10

80

.

Howard:

Jak d∏ugo b´dziemy si´ borykali z tym problemem?

Kauffman:

JesteÊmy dopiero na samym poczàtku. KiedyÊ jed-

nak nadejdzie dzieƒ, w którym choremu na raka postawimy
w∏aÊciwà diagnoz´ nie tylko na podstawie morfologii komó-
rek nowotworowych, ale tak˝e dzi´ki analizie szczegó∏owych

wzorów ekspresji genów i aktywnoÊci wiàzania bia∏ek w tych
komórkach.

Howard:

Kiedy to nastàpi? Za rok czy raczej za 200 lat?

Kauffman:

W ciàgu nast´pnych 10–12 lat u˝ywane do tych

celów narz´dzia osiàgnà taki poziom doskona∏oÊci, ˝e naprawd´
zaczniemy robiç post´py. Poznamy funkcjonowanie obszernych
fragmentów genomu i zrozumiemy, jak to wszystko dzia∏a. My-
Êl´, ˝e za 30–40 lat rozwià˝emy jego najwa˝niejsze zagadki.

Dost´p do pe∏nego zapisu rozmowy Kena Howarda ze Stuartem A.
Kauffmanem znajduje si´ na stronie internetowej

Scientific Ameri-

can: www.sciam.com/interview/2000/060500/kauffman.

RAIMOND L. WINSLOW I

DAVID SCOLLAN

Johns Hopkins University

I

PHYSIOME SCIENCES, PRINCETON, N. J.

Literatura uzupe∏niajàca

TRENDS IN COMMERCIAL BIOINFORMATICS.

Raport Jasona Reeda z firmy Oscar Gruss & Son

z 13 III 2000. Bezp∏atnà kopi´ mo˝na znaleêç w Internecie pod adresem: www.oscar-
gruss.com/reports.htm.

USING BIOINFORMATICS IN GENE AND DRUG DISCOVERY.

D. B. Searls; Drug Discovery Today,

vol. 5, nr 4, s. 135-143, IV/2000.

Dost´p do dwutygodnika nowoÊci w dziedzinie bioinformatyki BioInform mo˝na uzy-

skaç pod adresem: www.bioinform.com.

Dost´p do bioinformatycznych baz danych Paƒstwowego Centrum Informacji Bio-

technologicznej (NCBI): www.ncbi.nlm.nih.gov.

NA KOMPUTEROWYM MODELU SKURCZU SERCA widaç
przep∏ywajàce przez nie fale nieskoordynowanej aktywnoÊci elek-
trycznej. Model stworzono na podstawie zmian w ekspresji czte-
rech genów, których funkcjonowanie w przypadku przewlek∏ej
niewydolnoÊci mi´Ênia sercowego ulega zmianie.