Metodi teorici e modellazioni matematiche possono essere applicati per investigare sistemi fisici complessi che si trovano negli organismi biologici. Le simulazioni al calcolatore sono uno strumento comune per analizzare le interazioni di strutture biologiche a livello molecolare, o le connessioni tra differenti sottosistemi in reti ad ampia scala, che sono cruciali per comprendere i meccanismi di base nei campi della proteomica e metabolomica.

Binding di ligandi. Le interazioni recettore-ligando sono responsabili del riconoscimento, dell’associazione (o binding), del trasporto e del rilascio di molecole. Questi meccanismi sono fondamentali in molti processi che sono vitali per ogni organismo vivente, e possono essere sfruttati in varie applicazioni nanotecnologiche. Le simulazioni di dinamica molecolare e i calcoli di docking sono strumenti teorici che ci permettono di determinare un modello di interazione tra un recettore ed una varietà di ligandi. Queste tecniche computazionali sono utili per predire proprietà strutturali e dinamiche che determinano la funzionalità di un complesso molecolare tra proteine di trasporto e piccoli composti, quali ligandi di interesse farmaceutico.

Ripiegamento proteico. Le proteine sono ‘nanomacchine’ molecolari che assumono la loro struttura tridimensionale attraverso un processo spontaneo di ripiegamento (detto folding). Questo fenomeno è al centro di alcuni dei meccanismi di base della vita. Inoltre, i processi competitivi (unfolding e misfolding) portano ad una perdita di funzione e sono correlati ad alcune gravi patologie. Il ripiegamento di proteine è un processo molecolare intrinsecamente complesso che necessita di essere investigato con un approccio combinato di tipo teorico e sperimentale. Le simulazioni di dinamica molecolare e altri metodi computazionali sono in grado di rivelare dettagli cruciali della reazione di ripiegamento.

RNA regolatori. Superata la visione del dogma centrale della biologia molecolare che lo pone come semplice intermediario fra DNA e proteine nel flusso dell’informazione biologica, l’RNA ha negli ultimi anni acquisito rilevanza grazie al suo coinvolgimento in un gran numero di processi funzionali alla regolazione dell’espressione genica negli eucarioti. In particolare, molti RNA non codificanti sono implicati a fondo in patologie e in programmi di sviluppo, al punto da essere diventati possibili target terapeutici. I microRNA sono fra gli RNA non codificanti più’ studiati. Si tratta di piccole molecole (20-25 nucleotidi) che agiscono a livello post-trascrizionale sopprimendo l’espressione genica negli organismi superiori. Si ritiene oggi che i microRNA contribuiscano a regolare l’espressione di circa due terzi dei geni che codificano per proteine umane. Il loro particolare meccanismo di azione, unito agli studi che hanno caratterizzato la topologia della rete di interazioni molecolari in cui sono coinvolti, porta a credere che effetti indiretti di portata significativa a livello fisiologico siano causati dalla competizione che si instaura fra i potenziali target di un microRNA. Noi siamo interessati a caratterizzare quantitativamente questi effetti, in special modo per capire (i) in quali condizioni possono essere più’ rilevanti della regolazione trascrizione diretta nel determinare i livelli di espressione genica, (ii) se possano dar luogo a effetti sistemici su scala dell’intera cellula, e (iii) la loro rilevanza in particolari patologie o per la differenziazione cellulare.

Costi biosintetici della crescita cellulare. Il legame fra la fisiologia della crescita cellulare e la composizione della cellula e’ oggetto di studio dagli anni ’40. In popolazioni batteriche in crescita esponenziale, tale legame e’ espresso in maniera piu’ chiara dalle cosiddette “leggi di crescita” che mettono in relazione il contenuto proteico, di DNA e di RNA medio di una cellula con il suo tasso di crescita. Diverse leggi di questo tipo sono note oggi con grande precisione. Lo scenario che ne emerge suggerisce che il proteoma batterico e’ attivamente regolato in risposta alle condizioni di crescita. Alcuni modelli fenomenologici spiegano l’origine di queste leggi da ipotesi minime. Modelli matematici dettagliati e predittivi basati sulla genomica dei batteri non sono invece  al momento disponibili. Uno schema da noi sviluppato di recente e noto come CAFBA (Constrained Allocation Flux Balance Analysis) consente di integrare in maniera efficace modelli matematici a scala genomica dell’attivita’ metabolica di una cellula con i costi associati all’espressione genica. Partendo dallo studio di popolazioni batteriche, miriamo a utilizzare CAFBA per quantificare il bilancio fra i costi metabolici e quelli biosintetici della crescita, in particolar modo per arrivare a predizioni sull’uso di diverse vie metaboliche e su come i livelli di espressione di singoli geni siano modulati dalle condizioni di crescita.

Variabilita’ cellula-cellula in cellule in proliferazione. Diverse tecniche sperimentali consentono oggi di testare la variabilita’ fisiologica in popolazioni di cellule al livello della singola cellula, ad esempio misurando distribuzioni di tassi di crescita in colonie batteriche. Questi studi quantificano del rumore che agisce su vari livelli, dalla stocasticita’ intrinseca dell’espressione genica fino alle fluttuazioni ambientali nei livelli di nutrienti, consentendo di approfondire il ruolo del rumore nella relazione genotipo-fenotipo. Metodi computazionali basati su una stima delle fluttuazioni cellula-cellula da modelli semplici di metabolismo tuttavia non riproducono i risultati sperimentali. Il nostro lavoro punta a caratterizzare la selezione del rumore e i principi che guidano gruppi di cellule verso le distribuzioni osservate, con lo scopo di ottenere una comprensione migliore dell’origine della variabilita’ fenotipica in popolazioni.

S.Li.M. Lab @ Roma

1. M Mori et al. Constrained Allocation Flux Balance Analysis, PLOS Comp Biol 12:e1004913 (2016). DOI:10.1371/journal.pcbi.1004913
2. D De Martino et al, Growth against entropy in bacterial metabolism: the phenotypic trade-off behind empirical growth rate distributions in E. coli, Phys Biol 13:036005 (2016). DOI:1088/1478-3975/13/3/036005
3. S Grigolon et al, Noise Processing by MicroRNA-Mediated Circuits: the Incoherent Feed-Forward Loop, Revisited, Heliyon 2:e00095 (2016). DOI:  1016/j.heliyon.2016.e00095
4. Martirosyan A et al, Probing the Limits to MicroRNA-Mediated Control of Gene Expression, PLOS Comp Biol 12(1): e1004715 (2016). DOI: 10.1371/journal.pcbi.1004715
5. Evoli, L. Mobley, R. Guzzi, B. Rizzuti, Multiple   binding modes of ibuprofen in human serum albumin identified by absolute binding free energy calculations,    bioRxiv, 8, 1-27, (2016) doi:10.1101/068502
6. Neira, B. Rizzuti, J. L. Iovanna, Determinants of the pKa values of ionizable residues in an intrinsically disordered protein, Archives of Biochemistry and Biophysics, 595, 1-16, (2016) doi: 10.1016/j.abb.2016.03.034
7. Capuani F et al, Quantitative constraint based computational model of tumor-to-stroma coupling via lactate shuttle, Sci Rep 5:11880 (2015). DOI: 10.1038/srep11880
8. Rizzuti, R. Bartucci, L. Sportelli, R. Guzzi, Fatty acid binding into the highest affinity site of human serum albumin observed in molecular dynamics simulation, Archives of Biochemistry and Biophysics, 579, 18-25, (2015) doi: 1016/j.abb.2015.05.018
9. Evoli, R. Guzzi, B. Rizzuti, Molecular simulations of ß-lactoglobulin complexed with fatty acids reveal the structural basis of ligand affinity to internal and possible external binding sites, Proteins: Structure, Function, and Bioinformatics, 82, 2609-2619, (2014)     doi: 1002/prot.24625
10. Pantusa, R. Bartucci, B. Rizzuti, Stability of trans-resveratrol associated with transport proteins, Journal of Agricultural and Food Chemistry, 62, 4384-4391, (2014) doi: 1021/jf405584a
11. D De Martino et al. Inferring metabolic phenotypes from the exometabolome through a thermodynamic variational principle. New J Phys 16: 115018 (2014). DOI:  1088/1367-2630/16/11/115018
12. M Figliuzzi et al, RNA based regulation: dynamics and response to perturbations of competing RNAs. Biophys J 107:1011 (2014). DOI: 1016/j.bpj.2014.06.035
13. A De Martino et al, Identifying all moiety conservation laws in genome-scale metabolic networks. PLOS ONE 9:e100750 (2014). DOI: 10.1371/journal.pone.0100750
14. A Seganti et al. Searching for feasible stationary states in reaction networks by solving a Boolean constraint satisfaction problem. Phys Rev E 89:022139 (2014). DOI: 1103/PhysRevE.89.022139

Other Selected Publications:

1. FA Massucci et al, Energy metabolism and glutamate-glutamine cycle in the brain: a stoichiometric modeling perspective. BMC Sys Biol 7:103 (2013). DOI:   1186/1752-0509-7-103
2. M Figliuzzi et al, MicroRNAs as a selective channel of communication between competing RNAs, Biophys J 104:1203 (2013). DOI: 1016/j.bpj.2013.01.012
3. A Seganti et al. Boolean constraint satisfaction problems for reaction networks, J Stat Mech P09009 (2013). DOI: 10.1088/1742-5468/2013/09/P09009
4. D De Martino et al. Counting and correcting thermodynamically infeasible flux cycles in genome-scale metabolic networks, Metabolites 3:946 (2013). DOI: 3390/metabo3040946
5. FA Massucci et al. A novel methodology to estimate metabolic flux distributions in constraint-based models, Metabolites 3:838 (2013). DOI: 3390/metabo3030838
6. Evoli, Guzzi, B. Rizzuti, Dynamics and unfolding pathway of chimeric azurin variants: insights from molecular dynamics simulation, Journal of Biological Inorganic Chemistry, 18, 739-749, (2013) doi: 10.1007/s00775-013-1017-1
7. Rizzuti, V. Daggett, Using simulations to provide the framework for experimental protein folding studies, Archives of Biochemistry and Biophysics 531, 128-135, (2013)   doi: 1016/j.abb.2012.12.015
8. Guzzi, Rizzuti, R. Bartucci, Dynamics and binding affinity of spin-labelled stearic acids in ß-lactoglobulin: evidences from EPR spectroscopy and molecular dynamics simulation, Journal of Physical Chemistry B, 116, 11608-11615 (2012) doi: 10.1021/jp3074392
9. A De Martino, D De Martino, R Mulet and G Uguzzoni. Reaction networks as systems for resource allocation: a variational principle for non-equilibrium steady states. PLoS ONE 7:e39849 (2012). DOI: 1371/journal.pone.0039849
10. D De Martino, M Figliuzzi, A De Martino and E Marinari. A scalable algorithm to explore the Gibbs energy landscape of genome-scale metabolic networks. PLoS Comp Biol 8:e1002562 (2012). DOI: 1371/journal.pcbi.1002562