Escolar Documentos
Profissional Documentos
Cultura Documentos
CÓDIGO : 20072005C
ESPECIALIDAD : M6
LIMA-PERÚ
2012
Informe de Practicas Pre-Profesionales 2012
Engineering Research Assistant, Yale University
Agradecimientos
Contenido
Agradecimientos ............................................................................................................... 2
Contenido ......................................................................................................................... 3
1. Introducción .............................................................................................................. 5
1.1 Antecedentes .......................................................................................................... 6
1.2 Objetivos ................................................................................................................. 7
1.2.1 Objetivos Generales ................................................................................... 7
1.2.2 Objetivos Específicos ........................................................................................ 7
1.2.3 Objetivos del presente informe ....................................................................... 7
1.3 Descripción del informe .......................................................................................... 7
2. La empresa ................................................................................................................ 8
2.1 Datos de la empresa ............................................................................................... 8
2.2 Historia .................................................................................................................... 9
2.3 Organización ........................................................................................................... 9
2.4 Infraestructura y recursos del laboratorio............................................................ 11
2.5 Servicios ................................................................................................................ 14
2.6 Localización ........................................................................................................... 14
3. Actividades Desarrolladas ....................................................................................... 14
3.1 Modelamiento y simulación del motor flagelar de la bacteria e. coli. ................. 14
3.1.1 Chemotaxis Pathway ...................................................................................... 14
3.1.2 Equivalencia con un sistema de ingeniería de control .................................. 16
3.1.3 Modelo matemático ...................................................................................... 17
3.1.4 Consideraciones de la simulación ................................................................. 20
3.1.5 Software creado para la simulación ............................................................. 22
3.2 Calculo de la difusión de proteínas en el citoplasma bacteriano usando
soluciones numéricas estocásticas espaciales............................................................ 22
3.3 Estrategias de comportamiento explicadas desde la perspectiva del motor
3 flagelar. ....................................................................................................................... 25
3.3.1 Ventajas y desventajas del fenotipo bacteriano en diferentes ambientes. . 25
3.3.2 Construcción del modelo total ...................................................................... 27
3.3.3 Simulación del modelo restringido por las relaciones de la población salvaje
................................................................................................................................. 29
3.3.4 Análisis ROC (Receiver Operating Characteristic) del desmepeño bacteriano.
................................................................................................................................. 31
4. Presentación de Resultados ...................................................................................... 33
4.1 Resultados de la simulación de un motor flagelar de la bacteria e.coli ............... 33
4.2 Resultado de la simulación del la difusión de la proteína R ................................. 35
4.3 Estrategias de comportamiento explicadas desde la perspectiva de la ubicación
en la curva del motor flagelar. .................................................................................... 36
4.4 Habilidades obtenidas al concluir la práctica ....................................................... 44
4.5 Observaciones, Conclusiones y Recomendaciones .............................................. 45
4.5.1 Observaciones ................................................................................................ 45
4.5.2 Conclusiones................................................................................................... 46
4.5.3 Recomendaciones para el trabajo futuro ...................................................... 46
5. Referencias ................................................................................................................. 48
1. Introducción
1.1 Antecedentes
Desde que inicié la carrera de Ingeniería Mecatrónica estuve fascinado por la forma en
que las diferentes disciplinas pueden integrarse para resolver problemas que de otra
manera hubiesen quedado inexplorados. Es así que formé parte de los siguientes
proyectos y grupos de investigación:
Además de ello, me fueron de especial utilidad algunos temas que aprendí en los
grupos de investigación arriba descritos, como:
1.2 Objetivos
Finalmente, en la sección 4 presento los resultados del trabajo, así como las
conclusiones a las que he llegado, hago las observaciones pertinentes desde el
punto de vista de ingeniería y hago recomendaciones para el trabajo futuro.
2. La empresa
2.2 Historia
Siendo la segunda institución académica más valiosa del mundo (19.1 billones
de dólares), la universidad de Yale ha sido casa de 49 premios nobel, 5
presidentes de los Estados Unidos y varios presidentes de otros países como
Alemania, México y Filipinas.
2.3 Organización
• Escuela de Arquitectura
• Escuela de Arte
• Escuela de Divinidad
• Escuela de Drama
• Escuela de Ingeniería y ciencias aplicadas
• Escuela forestal y de estudios ambientales
• Escuela de leyes
• Escuela de administración
• Escuela de medicina
• Escuela de música
• Escuela de enfermería
• Instituto de Salud publica
10
Ph.D. Michel Sneddon Lic. William Pontius Ing. Nicholas Frankel Luis Hernández
Computación Científica Física Ingeniería Ingeniería
Datos:
11
Fig.3 Microscopio (Nikon TI-E with perfect focus)
Especificaciones:
Etapa motorizada:
Cámara
Software
Pixel size calculated using a EM ruler slide without camera 1.5X lens
12
Tecnología del detector: Foto ionización con 10.6 eV RF- excitación por tubo de
descarga, sin electrodos.
Precisión: 5% para todos los rangos de ganancia.
Limite de detección: 50 partes por billón.
Razón del flujo de muestreo: 0.66-1.5 l/min
Frecuencia de corte del filtro anti-aliasing: 1000Hz.
Temperatura de operación: 0-40 C
13
2.5 Servicios
2.6 Localización
La localización de la Universidad ya fue mencionada; no obstante, el tamaño de la
misma hace necesario que se precise la ubicación del laboratorio donde realizo la
mayor parte de mis labores.
Ubicación: Science Hill, Kline Biology Tower, décimo piso. 219 Prospect Street.
3. Actividades Desarrolladas
Las actividades desarrolladas durante mi práctica pre-profesional pueden
dividirse claramente en 3 partes diferentes, todas pertinentes al desarrollo del
mismo proyecto pero cuyos resultados aparecerán publicados en 2 artículos
separados.
Los motores flagelares típicamente giran en sentido antihorario, ello permite que los
flagelos formen una hélice giratoria que impulsa a la célula; no obstante, cuando un
motor comienza a girar en sentido contrario se rompe la hélice y se produce lo que
conocemos como un ‘tumble’ que no es otra cosa que el fenómeno por el cual la
bacteria se detiene y cambia su dirección de nado.
15 Este mecanismo le permite a la bacteria nadar en la dirección más favorable. Es decir,
si se encuentra más nutriente habrá más ligando y A no será fosforilada, en
consecuencia Y tampoco será fosforilada y FliM no se unirá con Y; esto hará que el
Motor y
Flagelos
Circuito
Bioquímico
Set Point
+- Controlado Actuador Planta
Sensor
Cabe aclarar que existen varias versiones de modelos matemáticos creadas en los años
recientes (2000-2012) [10,11] respecto al motor flagelar así que esta primera labor que
16
me encomendaron fue más bien para validar los resultados de H. Park ya que
recientemente habían surgido ciertas dudas respecto a [9] basadas en las
concentraciones de CheY-P obtenidas en experimentos del laboratorio donde trabajo.
En la Fig. 9 se hace evidente que en el caso 1, la bacteria nada debido a que todos los
motores giran en sentido antihorario y ningún flagelo ha cambiado su conformación
normal. En el estado 2, uno de los motores cambió su sentido de giro pero la bacteria
aun nada ya que el cambio conformacional aun no se ha propagado a través de todo el
flagelo. Luego de que transcurre el tiempo de propagación del cambio conformacional,
se llega al estado 3 en el que el flagelo 3 adoptó una conformación semi-enrrollada,
esto hace que se degenere la hélice y la bacteria experimenta un ‘tumble’.
17
𝑓𝑖 (𝑡 + 𝑑𝑡)
𝑁𝑜𝑟𝑚𝑎𝑙 𝑠𝑖 𝑚𝑖 (𝑡 + 𝑑𝑡) = 𝐶𝐶𝑊 𝑦 𝑇𝑖𝑚 (𝑡) > (𝑑 + 𝑑𝑡)
⎧ ⎫
𝑆𝑒𝑚𝑖 − 𝑒𝑛𝑟𝑟𝑜𝑙𝑙𝑎𝑑𝑜 𝑠𝑖 𝑚𝑖 (𝑡 + 𝑑𝑡) = 𝐶𝑊 𝑦 𝑑 + 𝑑𝑡 < 𝑇𝑖𝑚 (𝑡) > (𝑑 + 𝑑𝑡 + 𝜆𝑖 )
=
⎨ 𝐶𝑢𝑟𝑙𝑦 𝑠𝑖 𝑚𝑖 (𝑡 + 𝑑𝑡) = 𝐶𝑊 𝑦 𝑇𝑖𝑚 (𝑡) > (𝑑 + 𝑑𝑡 + 𝜆𝑖 ) ⎬
⎩ 𝑓𝑖 (𝑡) 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜 ⎭
Siendo:
Esta máquina de estado, bien definida por ([12],[13]) necesita ahora ser acoplada a la
curva biestable del motor con respecto a la concentración de la proteína Y fosforilada,
que de ahora en adelante será denominada como ‘CheY-P’, haciendo referencia a
chemotaxis protein Y más una P por el grupo fosfato que se ha adherido a la proteína.
18
Fig. 10 Curva característica del comportamiento biestable de un motor flagelar de la
bacteria e.coli. [14]
Esta curva ayuda a describir la razón de cambio de un motor entre rotación antihoraria
y rotación horaria.
k+
CCW CW
k-
Fig. 11 Transición de estados en un motor flagelar con las razones de cambio k+.
𝑔0 𝑔1 𝑌𝑝 (𝑡)
Δ𝐺(𝑡) = − ( )
4 2 𝑌𝑝 (𝑡) + 𝐾𝐷
Donde KD, g0 y g1 son las constantes que se deberán ajustar a los datos experimentales
(puntos rojos) mostrados en la Fig. 10.
A su vez, las razones de cambio entre un estado y otro pueden ser definidas como:
𝑘±= 𝜔𝑒 ±∆𝐺(𝑡)
𝑔0 = 𝑔1 = 40 𝑘𝐵 𝑇
𝐾𝐷 = 3.06 𝜇𝑀
𝜔 = 1.3 𝑠 −1
Una vez que el modelo ha sido elaborado y codificado, es necesario codificar medidas
auxiliares que nos permitan analizar el comportamiento del motor en diferentes
ambientes. Esto no solo nos permitirá validar el modelo con experimentos existentes y
comprobar la coherencia de experimentos aun no validados, sino hacer predicciones
que guiaran el curso de experimentos futuros.
Para tal fin, se hace pertinente explicar una de las características fundamentales de la
respuesta característica de una bacteria e. coli a un estímulo externo.
e. Sumar el tiempo empleado en todas las corridas y tumbles de las bacterias de cada
grupo hasta que en promedio la longitud de sus corridas converja al valor basal de
longitud de corrida Run0. Esta convergencia es tomada como indicador de adaptación a
un nuevo ambiente. Significa que la bacteria respondió al estimulo con un
comportamiento especifico; sin embargo, al ser constante el estimulo, la desmetilación
de los receptores por parte de B le permitió a la bacteria resetearse. Ahora su nueva
20 referencia es la concentración actual de químicos.
Si por ejemplo, solo las 3 corridas sucesivas a la aplicación del estimulo fueran más
largas que la basal. El tiempo de adaptación sería:
𝑌𝑝 = ����
𝑌𝑝 − 𝐷𝑟𝑜𝑝 × (𝑡 > 𝑡𝑒𝑠𝑡 ) × 𝑒 −(𝑡−𝑡𝑒𝑠𝑡 )/𝜏 − 𝑂𝑓𝑓𝑠𝑒𝑡
21 Offset: parámetro que defino para variar los niveles de CheYp en la simulación sin
alterar la dinámica del sistema.
Otro aspecto que nos interesa investigar es el incremento del ruido en la formación de
complejos en la membrana con el tamaño de la superficie de la membrana celular
cubierta de receptores.
El software más adecuado para este tipo de análisis es VCell [16]. Emplearemos la
versión 5.1 beta ya que es la única que nos permite emplear smoldyn [17] que es el
solucionador numérico que necesitamos.
b. Diagrama de reacciones
Como se muestra todas las reacciones ocurren en la membrana, dado que los
receptores están fijos en la misma, es la enzima R la que se difunde en el citoplasma y
eventualmente se aproxima a S a una distancia menos al radio de reacción, haciendo
que la probabilidad de que la reacción ocurra sea alta.
d. Especificaciones:
E S ES
Concentración Inicial 0.16 uM 96000(y<-0.41) molecules/um2 0.0
Constante de difusión 1.0 um2/s 0.0 0.0
1
𝐾𝑟(𝑟𝑒𝑣𝑒𝑟𝑠𝑒 𝑟𝑎𝑡𝑒) = 0.08
𝑠
Solver: Smoldyn (Spatial Stochastic Simulator)
subpoblación de bacterias explora mejor; es decir, hace corridas más largas llegando a
una región espacial más amplia; mientras que otro grupo de la población, cuya
longitud de corrida típica es corta no llega a ciertas regiones y como consecuencia
recibe menos información de su ambiente.
En determinado momento, las bacterias que exploran mejor llegaran a detectar alguna
concentración de alimento, desde ese punto orientaran su nado en la dirección en la
que se incrementa la cantidad de químico hasta que lleguen a la fuente de alimento.
En un momento más lejano, otras bacterias también podrán detectar ese gradiente
químico y lo seguirán. Finalmente un grupo de bacterias cuya habilidad explorativa es
muy baja, nunca detectará el alimento y morirá al no encontrar nutriente.
Sin embargo, si las bacterias empezaran dentro del gradiente los papeles terminarían
invertidos. Las bacterias con corridas más cortas llegarían antes a la fuente ya que su
frecuencia de muestreo es más alta (cada vez que termina una corrida elijen una nueva
dirección de nado) en base al ligando censado; esto implica que estas bacterias
encuentran el camino más rápido en presencia de gradiente mientras que no son muy
aptas para salir de ambientes homogéneos.
Para probar esta hipótesis empleamos una gran plataforma de simulación llamada the
Hive [22], que ha sido desarrollada durante 5 años en el laboratorio donde realicé mis
prácticas. Esta plataforma me permitió integrar y comunicar los modelos matemáticos
que describen diferentes funciones de la bacteria: reproducción, metabolismo,
chemotaxis, desplazamiento y estructura.
Gracias a ello el paso siguiente fue implementar todo el código respectivo usando
dicha plataforma como soporte y verificar si nuestra hipótesis respecto de la población
salvaje era cierta.
Las relaciones principales entre los parámetros del modelo a simular se muestran en la
Fig. 18.
N TAR N TSR
1 + L K TAR
off
1 + L K TSR
off
F ( L) =
1 + L K TAR 1 + L K TSR
on on
dM k r ⋅ (1 − A) k b ⋅ A3
G ( A) = = − + σ M2 τ M ξ (t )
dt K r + (1 − A) K b + A
Y0 ⋅ A
YP =
KY + A
28
3.3.3 Simulación del modelo restringido por las relaciones de la población salvaje
Para tener una medida cuantitativa del desempeño de la población empleamos dos
medidas:
En resumen, cuando una bacteria tiene mayor drift velocity es una mejor
seguidora, mientras que una bacteria con mayor coeficiente de difusión es una
mejor exploradora.
Escala de longitud de los gradientes empleados: 100 um, 300um y 1000 um.
29
Motores por bacteria: 4, coordinados por el ruido.
250
Drift Velocity
2.0
200
1.5
150
1.0
100
0.5
50
Coeficiente de difusión
Tau
3.0
Gradiente Medio
300
2.5
Drift Velocity
250
2.0
200
1.5
150
1.0
100
0.5
50
Coeficiente de difusión
Tau
3.0
Gradiente Concentrado
300
2.5
250
Drift Velocity
2.0
200
1.5
150
1.0
100
0.5
30 50
Coeficiente de difusión
Fig. 19. Tradeoff de comportamiento en una población salvaje
UNI | Universidad Nacional de Ingeniería – Facultad de Ingeniería Mecánica (FIM)
Informe de Practicas Pre-Profesionales 2012
Engineering Research Assistant, Yale University
Es claro que hay una tendencia común en los tres ambientes simulados, la única
manera de que una célula alcance una performance óptima en exploración (alto
coeficiente de difusión) es si sacrifica su desempeño como seguidora (bajo drift
velocity).
Luego de ello decidimos realizar una simulación mucho más grande para explorar la
hipótesis inicial, para ello generé diversas combinaciones de parámetros en diferentes
bacterias, construyendo así una población mutante de e.coli. Los resultados de esto y
su análisis se muestran en el capítulo 4.
31
Fig. 20 Hipótesis respecto a la ubicación de las mejores células en la curva del motor.
UNI | Universidad Nacional de Ingeniería – Facultad de Ingeniería Mecánica (FIM)
Informe de Practicas Pre-Profesionales 2012
Engineering Research Assistant, Yale University
Probabilidad de tomar la decisión correcta cuando nada hacia arriba del gradiente.
Probabilidad de tomar la decisión correcta cuando nada hacia abajo del gradiente.
Accuracy = TP+TN
32
4. Presentación de Resultados
En este capítulo explicamos los resultados de cada una de las actividades
detalladas en el capítulo 3, comentando la trascendencia de los mismos y
emitiendo finalmente, conclusiones, observaciones y recomendaciones.
33
El siguiente paso con nuestro modelo fue probar lo propuesto por H. Park ([9]),
para ello, probamos someter a la misma población de bacterias ante 2
estímulos de magnitud diferente. El propósito de esto es demostrar que si bien
la respuesta inmediata es muy diferente para ambos casos, la segunda y tercera
corridas adoptan valores muy cercanos, sugiriendo que la mayor parte de la
información respecto al estímulo se encuentra en la primera corrida,
planteando además que el mecanismo preponderante de respuesta está
gobernado por la memoria de la bacteria.
Fig. 23. Primera, Segunda y Tercera corrida posteriores a estímulos de diferente magnitud. Pese
a que el estímulo de 2 uM causa un impacto mayor en la primera corrida, en la segunda y
tercera casi se empareja con el estimulo de 0.5 uM demostrando lo planteado líneas arriba.
34
35
Fig. 25. Resultados respecto de la concentración del complejo y la enzima.
36
De la Fig. 26 resulta evidente que aun relajando algunas limitaciones físicas del
sistema, existe una caída cuando el CWbias llega a 10-4. No obstante si hacemos una
comparación con la Fig. 19, notaremos claramente que un buen grupo de células de la
población artificial o mutante conserva alto desempeño como seguidora aun en altos
coeficientes de difusión.
Sensitividad
38
Especificidad
La tendencia es contraria, mostrando que las bacterias que deciden mejor nadando
haca arriba del gradiente coincidentemente tienden a decidir peor cuando van hacia
abajo del gradiente. Esto nos hace intuir que la consecuencia lógica será que las que
deciden mejor y tiene mejor performance no estarán ubicadas en los extremos sino en
algún lugar al medio del heatmap, esto implicaría que para cada ambiente
efectivamente existe una combinación optima de tiempo de adaptación y CWbias.
Precisión
Accuracy
En este trabajo no solo hemos mostrado que una bacteria no puede ser optima en sus
dos tareas fundamentales; sino que además hemos propuesto una predicción teórica
importante: “Las bacterias de e.coli no evolucionaron para maximizar su desempeño
explorativo o de seguimiento, sino que evolucionaron para decidir correctamente
cuando van a favor del gradiente; aun cuando esto pueda implicar perder performance
en ciertos ambientes.”
42
43
Fig. 31 Distribución de frecuencias normalizadas de la concentración de CheY-P en la
curva del del motor, que en este caso es equivalente al tumbling bias (probabilidad de
un tumble)
Rango de CheYp:
Mientras el rango de CheYp es más amplio, el drift velocity crece siempre y cuando la
distribución este centrada lo suficientemente lejos de la concentración 0. El caso más
representativo es el de la subpoblación con CWbias más alto.
Las distribuciones con mejor performance son aquellas que se encuentran cerca del
umbral del motor, al lado izquierdo. Esto confirma nuestro replanteo de hipótesis y
contradice una fuerte sospecha en el campo [28], que indicaba que la bacteria
alcanzaba adaptación perfecta porque CheYp se ubicaba en el régimen lineal del
motor.
• Métodos de optimización que se usaron para ajustar los modelos a los datos
experimentales. En especial ‘Markov Chain Monte Carlo Optimization’.
4.5.1 Observaciones
• En la población salvaje existe una marcada diferencia entre las células que se
desempeñan mejor como exploradoras (alto coeficiente de difusión) y las que
trepan velozmente los gradientes (seguidoras).
• La generación de una población artificial donde se relajan las restricciones
físicas nos permite obtener mejores combinaciones de ambas habilidades
(explorar y seguir); no obstante, se sigue manifestando una caída en la curva de
Drift velocity vs Coeficiente de Difusión.
• Un análisis detallado de la toma de decisiones de las bacterias nos muestra que
el comportamiento global no es gobernado ni por decidir bien cuando se va
arriba del gradiente ni por decidir bien cuando se va hacia debajo de él; sino
por una combinación de ambos.
45
• La ubicación en la curva del motor en la cual las bacterias muestran mejor
desempeño es cerca del umbral hacia el lado izquierdo.
• Existe una alta correlación entre precisión, accuracy y drift velocity.
4.5.2 Conclusiones
Modelamiento y Simulación del Motor Flagelar
Recomendaciones Generales
• Un factor clave para poder realizar simulaciones como las hechas aquí es
integrar apropiadamente los diferentes modelos que forman parte del sistema.
Además de los mostrados se tuvo que incluir modelos para la replicación
celular, metabolismo, efectos de frontera, etc. Para ello recomendamos usar un
modelo basado en agentes, donde cada modelo pueda modificar ubicaciones
comunes de una base de datos. Este método reduce su error si la
calendarización de las actualizaciones es apropiada.
• La presencia de múltiples escalas de tiempo hace complejo el modelamiento y
programación; no obstante, este problema puede ser parcialmente resuelto al
incluir diferentes métodos numéricos para integrar las ecuaciones diferenciales
estocásticas con precisiones que varíen de acuerdo a la importancia de cada
subsistema en la dinámica total del sistema.
47
5. Referencias
[1] H. Kitano, “Systems Biology: A Brief Overview “, Science, Vol. 295 no. 5560 pp.
1662-1664, 2002.
[2] H. Kitano, “Computational Systems Biology”, Nature, Vol. 420 pp. 206-210, 2002.
[3] T. Ideker, T. Galitski, and L. Hood, “A NEW APPROACH TO DECODING LIFE: Systems
Biology “, Annual Review of Genomics and Human Genetics, Vol. 2, pp. 343-372, 2001.
[5] M. Kollman, et al, “Design principles of a bacterial signaling network”, Nature, Vol.
438, pp. 504-507, 2005.
[6] T. M Yi, et al, “Robust perfect adaptation in bacterial chemotaxis through integral
feedback control”, Proceedings Of The National Academy of Science of America, Vol.
97, no. 9, pp. 4649-4653, 2000.
[7] J. A. Gegner, et al, “Assembly of an MCP receptor, CheW, and kinase CheA complex
in the bacterial chemotaxis signal transduction pathway”, Cell, Vol. 70, no. 6, pp. 975-
982, 1992.
[8] T. Emonet, et al, “Agent Cell: a digita single-cell assay for bacterial chemotaxis”,
Bioinformatics, Vol. 21, no. 11, pp.2714-2721, 2005.
[9] H.Park, et al, “Interdependence of behavioral variability and response tos mall
stimuli in bacteria”, Nature, Vol. 468, pp. 819-823, 2010.
[10] P.Cluzel, M. Surette, and Stanislas Leibler, “An Ultrasensitive Bacterial Motor
Revealed by Monitoring Signaling Proteins in Single Cells”, Science, Vol. 287, no. 5458,
pp. 1652-1655, 2000.
[11] J. Yuan, R. W. Branch, B. G. Hosu, and H. Berg, “Adaptation at the output of the
chemotaxis signaling pathway”, Nature Vol. 484, pp. 233-236, 2012.
[16] J. C. Schaff et al, “Virtual cell modeling and simulation environment”, Systems
Biology IET, Vol. 2, no. 5, pp. 352-362, 2008.
[18] Løvdok L, Bentele K, Vladimirov N, Müller A, Pop FS, et al. (2009) Role of
Translational Coupling in Robustness of Bacterial Chemotaxis Pathway. PLoS Biol 7(8):
e1000171. doi:10.1371/journal.pbio.1000171
[19] Luo J, Wang J, Ma TM, Sun Z (2010) Reverse Engineering of Bacterial Chemotaxis
Pathway via Frequency Domain Analysis. PLoS ONE 5(3): e9182.
doi:10.1371/journal.pone.0009182
[21] E. Korobkova, T. Emonet, J. Vilar, T. Shimizu, and P. Cluzel, “From molecular noise
to behavioral variability in a single bacterium”, Nature, Vol. 428, pp. 574-578, 2004.
[23] B. Mello and Y. Tu, “An allosteric model for heterogeneous receptor complexes:
Understanding Bacterial chemotaxis responses to multiple stimuli”, Proceedings of the
National Academy of Sciences, Vol. 102, no. 48, pp. 17354-17359, 2005.
[25] B. Mello and Y. Tu, “Effects of adaptation in maintaining high sensitivity over a
wide range of backgrounds for e. coli chemotaxis”, Biophysical Journal, Vol. 92, no. 7,
pp. 2329-2337, 2006.
49 [26] J. Monod, J. Wyman, and J.P. Changeux, “On the nature of allosteric transitions: a
plausible model”, Journal of Molecular Biology, Vol. 12, pp. 88-118, 1965.
[28] N. Vladimirov and V. Sourjik, “Chemotaxis: how bacteria use memory”, Biol.
Chem., Vol. 390, pp. 1097-1104, 2009.
50