قسمت پنجم از مبحث استانداردسازی

گرچه تعیین خصوصیات قطعات بیولوژیک در گروه‌های تحقیقاتی معمولاً انجام می‌شود، اما به دلیل تفاوت در اهداف تحقیقاتی، پروتکل‌های استفاده شده در گروه‌های مختلف متفاوت است و همین پارامترهای اندازه‌گیری و شرایط متفاوت، باعث می‌شود این داده‌ها بسیار ناهمگون باشند.

استانداردسازی فرآیند تعیین خصوصیات (characterization) قطعات و گزارش اطلاعات نه تنها تکرارپذیری را افزایش می‌دهد، بلکه فرآیند جابه‌جایی اطلاعات و قطعات را بین آزمایشگاه‌ها بهبود می‌بخشد. به همین منظور، پروتکل‌های استانداردی برای (fluorescent-activated cell sorting) FACS و اندازه‌گیری GFP ارائه شده است (http://openwetware.org/wiki/Main_Page).

با این حال این پروتکل‌ها کافی به نظر نمی‌رسند و برای اطمینان از صحت اطلاعات بایستی آزمایشاتی با نمونه کنترل یکسان در آزمایشگاه‌های مختلف انجام شود و در صورت تطابق نتایج از شرایط استاندارد انجام آزمایش در آزمایشگاه‌ها مطمئن شویم.

استفاده از تکنولوژی‌های جدید از جمله دستگاه‌های اتوماتیک آزمایشگاهی با کارآیی بالا مانند روبات‌های انتقال مایعات یا سیستم‌های میکروفلوئیدیک باعث استانداردسازی فرآیند کار شده است[1-3] و مهم‌ترین عامل خطا و تغییرات در تعیین خصوصیات را، که خطای انسانی است، حذف می‌کند[4].

استفاده از این دستگاه‌ها به وسیله توسعه ابزارهای جدیدی چون Antha (https://www.antha-lang.org) حمایت می‌شود. Antha یک زبان برنامه‌نویسی سطح بالا برای زیست‌شناسی است، که جهت ایجاد جریان‌های کاری (Work flow) مقیاس‌پذیر و تکرار‌پذیر توسعه یافته است.

علاوه بر این، SBOL یا زبان باز زیست‌شناسی مصنوعی [5-6] و CellO [7] ابزارهای دیگر زیست‌شناسی مصنوعی هستند که فرآیند طراحی مدارهای ژنتیکی را ساده‌‌‌تر و دقیق‌‌‌تر می‌کنند.

با وجود مشکلات فراوان [8-9]، همچنان روش استاندارد تعیین خصوصیات قطعات زیستی به صورت in vivo، استفاده از پروتئین‌های فلوئورسنت است [10]. اما این روش در سیستم‌های پیچیده و چند ژنی، برای محاسبه نحوه عملکرد هرکدام از قطعات به درستی عمل نمی‌کند.

لذا به تازگی تکنولوژی‌های جدیدی چون qPCR، گزارشگر‌های RNA IMAGE tags [11] و اپتامرهای RNA [12-13] برای تشخیص سهم هر کدام از قطعات در بیان ژن استفاده می‌شود. این روش‌های تعیین خصوصیات چند سطحی و چند اومیکی (Multi-omic) که در حال افزایش هستند و مطابقت خوبی با پیشرفت‌های انجام شده در زمینه زیست شناسی سامانه‌ای دارند؛ می‌توانند در پیشرفت این حوزه بسیار مؤثر واقع شوند.

نویسنده: یاسمن اسعدی

منابع:

1. Linshiz G, Jensen E, Stawski N, Bi C, Elsbree N, Jiao H, et al. End-to-end automated microfluidic platform for synthetic biology: From design to functional analysis. J Biol Eng [Internet]. 2016 Feb 2 [cited 2020 Jun 9];10(1):3. Available from: https://jbioleng.biomedcentral.com/articles/10.1186/s13036-016-0024-5
2. Shih SCC, Goyal G, Kim PW, Koutsoubelis N, Keasling JD, Adams PD, et al. A Versatile Microfluidic Device for Automating Synthetic Biology. ACS Synth Biol. 2015 Oct 16;4(10):1151–64.
3. Linshiz G, Stawski N, Poust S, Bi C, Keasling JD, Hillson NJ. PaR-PaR laboratory automation platform. ACS Synth Biol. 2013 May 17;2(5):216–22.
4. Beal J, Haddock-Angelli T, Gershater M, de Mora K, Lizarazo M, Hollenhorst J, et al. Reproducibility of Fluorescent Expression from Engineered Biological Constructs in E. coli. Jones DD, editor. PLoS One [Internet]. 2016 Mar 3 [cited 2020 Jun 9];11(3):e0150182. Available from: https://dx.plos.org/10.1371/journal.pone.0150182
5. Synthetic Biology Open Language (SBOL) Version 2.0.0 in: Journal of Integrative Bioinformatics Volume 12 Issue 2 (2015) [Internet]. [cited 2020 Jun 9]. Available from: https://www.degruyter.com/view/journals/jib/12/2/article-p902.xml
6. Zhang M, McLaughlin JA, Wipat A, Myers CJ. SBOLDesigner 2: An Intuitive Tool for Structural Genetic Design. ACS Synth Biol. 2017 Jul 21;6(7):1150–60.
7. Nielsen AAK, Der BS, Shin J, Vaidyanathan P, Paralanov V, Strychalski EA, et al. Genetic circuit design automation. Science (80- ) [Internet]. 2016 Apr 1 [cited 2020 Jun 9];352(6281):aac7341–aac7341. Available from: https://www.sciencemag.org/lookup/doi/10.1126/science.aac7341
8. Delvigne F, Pêcheux H, Tarayre C. Fluorescent reporter libraries as useful tools for optimizing microbial cell factories: A review of the current methods and applications. Vol. 3, Frontiers in Bioengineering and Biotechnology. Frontiers Media S.A.; 2015.
9. Hebisch E, Knebel J, Landsberg J, Frey E, Leisner M. High Variation of Fluorescence Protein Maturation Times in Closely Related Escherichia coli Strains. Hofmann A, editor. PLoS One [Internet]. 2013 Oct 14 [cited 2020 Jun 9];8(10):e75991. Available from: https://dx.plos.org/10.1371/journal.pone.0075991
10. Shaner NC, Steinbach PA, Tsien RY. A guide to choosing fluorescent proteins. Nat Methods. 2005 Dec 18;2(12):905–9.
11. (PDF) Live-cell imaging of Pol II promoter activity to monitor gene expression with RNA IMAGEtag reporters [Internet]. [cited 2020 Jun 10]. Available from: https://www.researchgate.net/publication/261772283_Live-cell_imaging_of_Pol_II_promoter_activity_to_monitor_gene_expression_with_RNA_IMAGEtag_reporters
12. Filonov GS, Moon JD, Svensen N, Jaffrey SR. Broccoli: Rapid selection of an RNA mimic of green fluorescent protein by fluorescence-based selection and directed evolution. J Am Chem Soc. 2014 Nov 19;136(46):16299–308.
13. Pothoulakis G, Ceroni F, Reeve B, Ellis T. The Spinach RNA aptamer as a characterization tool for synthetic biology. ACS Synth Biol. 2014 Mar 21;3(3):182–7.