下载掌阅APP，畅读海量书库
立即打开
基因组中的基因表达是被精细调控的。对于特定细胞类型或者在特定条件下，基因组中只有小部分基因被表达。并且存在着一个复杂的转录调控网络来控制基因表达，以响应不同的环境和发育信号。人们在对转录调控网络的组成及组分间关联性的研究上付出了巨大努力，并正在发展基于传统的和高通量的数据类型的转录调控网络重构方法，几个具体案例，体现出在该方向上取得的显著进步。尽管目前还没有获得所有转录调控网络的整体细节，但是一些基本准则已经被阐明，并已开发出可进行调控网络层次结构分解的概念框架。
代谢网络中的化学转化与一系列化学转换引起的小分子的解体和组装有关。与此相反，转录调控网络牵涉到大分子间的关联和相互作用。尽管会有代谢物直接参与一些转换，但主要是依靠蛋白质与蛋白质之间、蛋白质与DNA之间的相互作用。当前，我们已经了解到一些相互作用下的潜在化学变化，但还有很大差距，转录调控网络并没有像代谢网络那样被很好地组装和表征。
调控网络的一些关键特征被逐步揭示。其特异性是通过在细胞特定位置上的大分子的结合与关联的特异性来获得。一旦元件被共定位，它们之间就会发生特异性相互作用。定位过程非常关键，该过程是由参与元件的碰撞频率或质量作用动力学控制。关联强度是由相互作用的大分子表面的化学组成及分子结构决定。可以通过改变蛋白质的氨基酸序列和DNA结合位点的碱基序列来改变元件表面结合的特异性，但这种灵活性的延展程度还是未知的 ［21］ 。这个过程被命名为调控募集 ［180］ ，并且相互作用元件表面的亲和力或者说“黏性”是至关重要的。当我们更好地理解了调控募集过程中的限制和约束时，就会对转录调控网络中的新连接建立和旧连接消失的容易程度有更清晰的认识。
为了便于读者理解，我们提供了两个历史性的重要例子。这两个实例阐明了DNA结合蛋白的结合状态对目标基因转录所产生的影响。DNA结合蛋白本身的活动也被各种信号通路控制，在这些例子中没有进行描述。
乳糖操纵子（lac operon）由三种参与乳糖利用的结构基因组成（lacA、lacZ和lacY）。该操纵子是由乳糖和葡萄糖信号通过两个DNA结合调控蛋白进行调控：分别是乳糖阻遏蛋白（lac repressor）和激活蛋白（CAP），只在缺少乳糖时，乳糖阻遏蛋白会与DNA结合，而只在缺少葡萄糖时CAP会与DNA结合。根据基质中乳糖和葡萄糖的浓度，可以界定出该调控系统的三种不同状态（图4.1）：
（1）如果乳糖和葡萄糖同时存在，乳糖阻遏蛋白和CAP都不会与DNA结合，RNA聚合酶与启动子弱结合，乳糖操纵子在低基准水平转录。
（2）如果存在乳糖而缺少葡萄糖，CAP会与启动子结合，但乳糖阻遏蛋白并不与结合位点结合。CAP会优先招募RNA聚合酶到启动子区域，乳糖基因的表达水平会提高 40 倍。
（3）如果缺少乳糖（不管葡萄糖是否存在），乳糖阻遏蛋白都会与DNA结合。由于乳糖阻遏蛋白的结合位点在启动子内部，其阻止RNA聚合酶与启动子结合，因此乳糖基因的表达受到强烈的抑制。
近期，这个系统的第四种状态，低乳糖并缺乏葡萄糖的状态也被发现 ［205］ 。
图4.1：通过乳糖阻遏蛋白和CAP来响应乳糖和葡萄糖存在的大肠杆菌乳糖操纵子的转录调控。上述逻辑图是通过实验现象推导出，根据参考文献［180］重绘
转录蛋白基因与半乳糖分解有关，半乳糖是一种己糖，转录蛋白基因的转录受到半乳糖的诱导和葡萄糖的抑制。半乳糖诱导是通过DNA结合活化因子转录蛋白基因，抑制是通过DNA结合抑制子进行。与乳糖操纵子类似，该调控系统可以界定出三种不同的结合及功能状态（图4.2）：
（1）如果同时缺少半乳糖和葡萄糖，转录基因会以同源二聚体的形式与其结合位点结合，而膜免疫球蛋白不会结合。然而，由于其与作为抑制剂的蛋白形成复合体，转录基因不能招募聚合酶来激活转录。
（2）如果存在半乳糖而缺少葡萄糖，Gal80 抑制被释放，Gal4 招募RNA聚合酶到启动子区域。由于在真核细胞中存在低基准水平的转录，Gal4 诱导GAL基因转录水平提升 1000 多倍。
（3）如果半乳糖和葡萄糖同时存在，Gal4 和膜免疫球蛋白都会结合到启动子区。然而，Gal4 的激活效应被膜免疫球蛋白更加强烈的抑制效应抵消，导致半乳糖苷酶基因转录的强抑制。膜免疫球蛋白通过招募共抑制复合物来起作用，共抑制复合物通过不良表征机制（ill-characterized mechanism）来抑制转录。
图4.2：酵母菌中通过Gal4 和膜免疫球蛋白转录因子响应葡萄糖（Glu）和半乳糖（Gal）信号的GAL1 基因转录调控。根据参考文献［180］重绘
需要指出，这两个例子中的实验，实质上是根据逻辑状态来描述的，这样的描述可以通过数学模型表示。实际上，这些不同的结合状态代表了由浓度和结合亲和力决定的化学事件。如果描述调节蛋白与DNA结合的化学方程式是已知的，这些调节回路就可以通过化学计量来描述。此外，考虑到细胞内一些调控分子数量极少以及热噪音的存在，在调控网络的动力学行为中随机因素被认为发挥重要的作用，至少在其层次网络的末端 ［107, 182］ 。
大肠杆菌DNA结合蛋白分为以下几个主要类别：DNA包装、DNA重组、DNA修复、DNA复制、转录起始、RNA合成和转录调控（见表4.1）。大多数参与转录调控和DNA修复的蛋白质识别特定DNA序列，并优势性结合到这些靶序列上，而其他蛋白则非特异性结合大肠杆菌基因组的不同位置。
表4.1：大肠杆菌DNA结合蛋白的功能及示例
细胞的表达活性与RNA聚合酶的拷贝数有关。在快速生长的大肠杆菌细胞中，大约有 3000 个RNA聚合酶复合体。大多数转录因子会识别上游启动子序列，转录起始的上调或者下调取决于启动子上结合单元。根据RegulonDB（http://www.cifn.unam.mx/Computational_Genomics/regulondb/），大肠杆菌中有 186 个已知的转录因子及 141 个补充预测的转录因子 ［165］ 。
与之前提到实例相似，一个基因组中的每个基因（或者原核生物的操纵子）至少含有一个启动子区域。DNA结合蛋白通过绑定到基因的启动子区域来调控基因表达，该基因又可以反过来扮演调控蛋白的角色。当把基因组中所有DNA结合蛋白及其目标启动子综合考虑，将产生一个具有转录级联和反馈回路的复杂调控网络。前面展示的是相对简单的示例，这些示例中只有两三种DNA结合蛋白作用于一个启动子。在高等真核生物中，基因组中的启动子和增强子区域的复杂度要高很多，并且这些区域可能会包含几十个不同调控蛋白的结合位点。参与转录调控的分子数量越多，组合的可能性就越大，随着元件数目的增长，会有更多的功能状态产生。
虽然新陈代谢网络和调控网络的基本化学反应是相同的，但相对于新陈代谢，构成转录调控网络的基本单元的化学反应种类是不同的。调控网络的基本功能单元是基因或操纵子的启动子区域，包含调节特定基因表达的相关转录因子的顺式调控结合位点，这在之前的两个例子中已经提到。结合位点的位置和方向，以及其转录因子结合到特定位点的亲和力，决定了在响应活性转录因子浓度改变时一个基因的表达水平。
转录调控网络定义了哪些转录因子会与哪些启动子结合，以及这些转录因子对基因表达的综合效应 ［180］ 。已经证实细菌中已知的启动子区域，可以实现单一启动子内一系列的逻辑调控功能 ［141］ 。因此，调控网络中的一个节点就非常复杂。调控网络可分解为一系列小的常见结构“基序” ［207］ ，具体如图4.3所示。可以通过自下而上的方式研究这些基序（motifs）的典型例子，从而了解它们在整个调节网络中的作用 ［188，251］ 。
对于新陈代谢，可以从几个抽象层面来考虑转录调控网络（如图4.4）。最简单的元素是基因，有些基因是组成性表达，这意味着它们总是在相对恒定的水平转录。其他基因受到调控，转录调控网络诱导或者抑制这些基因的表达。在基因组上一组定位毗邻并且同时转录的基因，组成特定的单元称为操纵子。这种排列方式首先是在原核生物基因组中发现的。调节相关的基因组合成一组称作调节子，其中某些特定调节蛋白可结合到DNA的多个位置，从而引发对相关基因甚至是多个操纵子的诱导或抑制（或两者均有）。这种协同调控模式是真核生物所选择的调控方式。
图4.3：转录调控网络中的保守序列：（A）改编自参考文献［207］，（B）改编自参考文献［188］。根据参考文献［207］重绘
最为抽象的是刺激子，包括被特定刺激物诱导的所有调节子。例如，一个刺激子可能是所有与某个特定底物相关的调节子。如果该作用底物（如一个氨基酸或丙三醇）存在于胞外基质中，代表由细胞感受到的刺激会导致细胞内特定蛋白质的激活或失活。这些蛋白质反过来会对多种基因或操纵子的转录造成影响，导致细胞中形成新的代谢物或其他类型蛋白质。从而导致了细胞的特性改变。对于氨基酸，它们很可能不再被细胞从头合成，而是从环境中摄取。在大肠杆菌中，有五种与丙三醇代谢相关的操纵子，对于基质中丙三醇的存在，它们均以协同方式发挥作用。
图4.4：转录调控：基因、操纵子、调节子和刺激子的抽象层次描述
基因组的空间或拓扑结构也影响基因的表达。这些影响可能是全局的或是局部的。例如，能量电荷本身是基因表达的一个全局调节子，调控作用是通过对基因组几何排列的改变来实现 ［83］ 。因此，对于基因组的表达状态，除了受到整个基因组中特异结合事件的影响（如将RNA聚合酶定位到基因组），还受基因组三维结构方面的影响。读者可以回看图2.3，该图展现了细胞的错综复杂的结构和拥挤的内部构造，基因组在其内部行使功能。
评估给定生物的代谢网络重构任务的规模相对简单，可以通过评估基因组中具有潜在代谢功能的基因数目来完成，这些数目计算是基于基因组注释信息。对于调控网络，网络的复杂度不能够简单地使用转录因子的数目来估计，因为转录因子可能会有很多目标基因，并且经常表现出协同联合。然而对于在生命周期中会遇到的多样化环境的生物，其基因组中转录因子编码基因的相对含量会趋向增高 ［29］ ，这说明转录状态范围是有限的，可以用固定数目的转录因子来获得。
表4.2：大肠杆菌和酿酒酵母的重构调控网络结构Markus Herrgard整理
a.在操纵子里分别计算基因。
b.仅包括高置信度的反应。
研究较为透彻的生物体的信息，如元件（TFs，目标基因）的数目及调控相互作用等，可以用来评估转录调控网络的复杂程度（表4.2）。大肠杆菌被预测含有 314 个转录因子 ［165］ ，基于原始文献识别出 577 个调控互作 ［207］ 。在酿酒酵母中有 203 个已验证或推定的DNA结合转录因子，大规模蛋白质DNA结合筛查显示至少有 3500 个高置信度的调控相互作用 ［82］ 。在大肠杆菌和酵母中这些调控互作的数目很可能被低估 ［33］ ，但是它们说明了调控网络重构任务的数量级。虽然转录调控互作的数目很大，但是实验技术和计算方法的发展，使在基因组规模上调控网络重构成为可能，至少是对于研究较透彻的微生物。
根据第 2 章概念性的描述，系统生物学包括元件、它们之间怎样连接形成网络，以及这些网络的功能状态。因此，有以下三种数据类型：
（1）元件数据。我们可以将细胞裂解、分离并鉴定它们的组成。对于转录调控网络，数据类型包括结合位点识别、转录因子和核糖开关等。显著相关的历史数据和开放阅读框功能数据，这两者对确定重构工作的规模是必需的。
（2）相互作用数据。连接是通过细胞元件间的化学相互作用建立的，相互作用包括DNA—蛋白质、蛋白质—蛋白质和代谢产物—RNA间的相互作用，目前有许多实验和计算方法可以鉴定这些相互作用。整体相互作用的数据集存在一定的错误，理论上这些相互作用应该可以被小样本实验所验证，验证过程中应该引入阴性和阳性对照。
（3）网络状态数据。重构网络具有功能状态属性。一个网络的状态可以通过特定环境中细胞产生的多种类型数据（例如全基因组规模的表达数据和表型数据）来评估。网络状态的控制通常是通过扰动实验来确定（参见第 12章）。网络扰动实验包括基因干扰（基因敲除、干扰RNA介导的基因沉默）、环境扰动（改变营养组成、改变细胞培养温度和pH值）、系统扰动（通过适应性）和疾病状态（正常或疾病）。
网络重构与验证需要上述细胞元件、相互作用及网络状态三种数据的整合。
能同时测量大量变量与状态的高通量数据类型即通常所称的自上而下的数据，下面我们介绍三种自上而下的获取策略：
1.通过实验方法测定基因组的表达状态
全基因组规模的mRNA表达谱应该是这类数据中最常见的一种，这种数据给出某有机体在特定条件下的基因组中每个基因的表达水平。我们可以利用基因敲除技术从基因组中敲除某个转录因子，然后获取相同条件下该有机体的基因表达谱，然后比较两种状态下表达谱的变化，来推断该转录因子对差异表达基因的调控作用。该实验方法即前面提到的基因扰动实验，曾被用来研究酵母菌半乳糖操纵子 ［100］ 和大肠杆菌氧转移 ［33］ 。此外，这些相关调控作用的研究也可以通过其他方法来实现 ［97, 202, 241］ 。
2.利用计算方法鉴定所有启动子位点
使用计算方法来确定所有启动子站点，启动子是基因转录起始位点附近的基因组区域。通常，在启动子区域中，被半特殊约束作用的转录调控蛋白质的知识，促使了许多识别启动子位点方法的发展。
其中一类分析旨在发现调节蛋白结合的DNA区域。一些算法通过参考某有机体中所有已知的启动子特征，来搜索观测频率高于随机预期的相似核苷酸序列。由于不同的调节蛋白通常是协同发挥作用，另外也有一些算法基于调节蛋白的这种作用特点，来搜索反复出现的较集中的相似核苷酸序列组，即调节蛋白的可能结合区域。
表达数据可以和计算方法进行结合。首先依据基因表达模式的相似性将基因进行聚类，然后可以推断出基因表达模式的相似性暗示基因转录调控的相似性，而表达模式的相似性通常意味着一个或多个高度相似的调控序列将会富集在一类启动子中。但是，由于调控蛋白相互作用的组合特征，该假设并非总是完全准确。
3.通过实验方法确定DNA上的蛋白质结合位点
由计算方法预测的调控互作需要用直接的实验方法进行验证。高通量数据集会产生大量调控互作的预测结果，该方法产生的预测结果需要被测试和验证，以确保其准确性。其中一种方法是利用全基因组定位或称ChIP-chip分析 ［187］ （图4.5）。在这种方法中，将特定生理条件下的转录因子与目标DNA交联。提取DNA后进行超声破碎。然后利用特定的转录因子抗体来分离该转录因子以及与其结合的DNA片段，接着使DNA片段从蛋白释放并通过启动子序列芯片杂交实验，确定其序列和相对结合量，最后将DNA片段的序列与基因组序列进行比对，以确定转录因子结合位点的位置。
图4.5：定位或ChIP-chip分析。图片来源：改编自参考文献［116］
同代谢网络重构相比，调控网络重构的一个优势是与网络直接关联的高通量实验数据的可用性。对于代谢过程，唯一可广泛使用的数据资源只有基因组序列。并且，衡量代谢流和代谢水平等相对代谢量的方法，尚未在基因组规模上得到普遍运用 ［216］ 。此外，用于调控网络重构的两种主要数据类型——大规模mRNA表达数据和基因组定位分析数据已经被广泛使用。
自下而上的数据通常指通过传统的生物化学或者遗传学方法获得的，只集中在单一或几个变量的数据。可以通过文献获得单个转录因子的自下而上类型数据。在某些情况，例如针对转录因子FNR或大肠杆菌ArcA基因的研究，通过文献检索会得到大量原始研究报告和综述文章，与此相反，对于某些转录因子的研究，在基础文献中检索到的信息会很少。
乳糖操纵子和半乳糖苷酶调节子的例子说明，有些操纵子和调节子的调控结构已被阐明。并可找到关于某种模式生物的此类数据信息。这类信息的积累，促进了转录调控靶标数据库的建立。比较突出的例子如RegulonDB数据库，它包含大肠杆菌中 186 个转录因子的相关信息。此外，还有一些针对单个物种的数据库，如酵母菌的YPD数据库 ［40］ ，它包含了酵母菌的大量调控信息。除了描述调控网络结构的数据库外，还有一些综合性数据库，如收录酵母菌转录因子结合位点的SCPD数据库 ［261］ 和常规转录因子结合位点数据库TRANSFAC ［134］ 。虽然这些数据库包含了调控网络重构的有价值信息，但还不是十分完善，尤其缺少关于同一个基因的不同转录因子间协同作用的信息。然而，这些数据库及原始研究文献，可以用于研究相对成熟物种的转录网络重构，如大肠杆菌和酵母菌 ［35, 207］ 。
这种自下而上构建调控网络的策略十分繁杂，研究者必须逐一研究每个网络元件。然而，复杂的审编工作是获得高质量调控网络重构的必需环节。我们必须提高对调控网络的熟知程度，这对未来的实验设计相当重要。
多种不同类型与转录调控网络相关的数据是可获取的，这些数据可为调控网络重构过程提供相关信息，因此，我们需要对数据进行整合利用。发展不同类型数据整合的方法是调控网络重构和系统生物学的主要挑战之一。
图4.6 中列出可用于调控网络重构的六种数据类型。这些数据需要同时整合用于构建成调控网络。最终结果可以用互作映射图的方式生动地描述。在图4.6 中，转录因子用三角表示，靶标基因用正方形表示。箭头的粗细代表所使用数据类型情况的统计学度量。理论上来说，网络中的所有连线均应较粗，代表网络中数据的整合度较高。然而大多情况并非如此，只有局部网络或者模块才会有较高的数据整合度。大肠杆菌鞭毛基因及酵母菌中氮利用相关的基因参与的调控网络，均为数据整合较好的子网络 ［87］ 。
图4.6：自下而上和自上而下的转录调控网络重构方法中使用的数据类型。图片由Markus Herrgard提供
虽然只有几个构建较好的特异性转录调控网络，但目前在一些模式生物的调控网络构建方面，也取得了一定进展。这里我们列举三个例子：细菌复制的调控，细胞早期发育事件的调控和全基因组范围的代谢网络调控。
水生细菌新月柄杆菌作为模式生物，被广泛应用于细胞周期及在周期中精确细胞进程调控机制的研究。新月柄杆菌不对称地分化为两种不同类型细胞：叶柄状细胞和游动细胞。在分化为叶柄状细胞前，游动细胞通常会迁移 30—45 分钟，紧接着进行复制。然而，新月柄杆菌游动细胞的调控网络，通过全局调控蛋白CtrA抑制DNA的复制，CtrA结合在DNA复制起点，从而阻止复制发生。利用全基因组规模的mRNA表达研究，在细胞周期事件中，已界定出 500 多个被调控的基因 ［118］ 。图4.7 总结了该研究中界定出的新月柄杆菌细胞周期调控网络中的主要元件。网络中包含多种激酶及一些代谢相关基因的调控，提供了CtrA表达过程中的负反馈调控信息。近期一些新的研究工作，揭示了新月柄杆菌复制发生时，基因在细胞类核中的三维空间排列 ［237］ ，这使我们对该调控网络的认识从封闭的二维回路扩展到更具体的三维空间。
近年来，从全基因组规模对紫海胆胚胎发育的基因调控网络（GRN）的认识取得了重大突破。一些原创性研究结果揭示了海胆早期发育过程中，时空尺度上的调控网络元件及它们之间的关联互作（见图4.8）。当前的基因调控网络收集了海胆受精后 24 小时的调控事件，收录了 50 个基因间的连接，包括转录因子、信号及它们的靶基因 ［96］ 。
图4.7：新月柄杆菌细胞周期调控网络示意图。资料来源： Science 301:1874-1877
图4.8：海胆中胚层基因调控网络示意图。该网络结构依据基因表达分析、实验扰动和顺式调控分析得到。图片来源：参考文献［147］
在这个复杂的调控网络中，每个连接代表了基于所有可用数据得到的大量相互作用中的最大置信度，这些可用数据囊括了从基于测序技术的顺式调节预测，以及详细的分子胚胎学获取的信息。按照一般要求，每一个网络关系均通过详细的基因表达分析进行了实验验证。实验验证包括通过基因敲除等手段对细胞进行实验扰动，测定所有网络元件具体的基因表达水平，并根据产生的数据推断网络元件之间的关系。通过多个独立实验，降低夹杂物的间接影响，增加基于序列预测的准确性，提高网络模型反映生物学真实情况的可信性。
得到的网络模型不仅反映了基因调控网络的理论真实性。还为研究各种海胆发育现象提供分析工具。例如，现有网络模型可以帮助解释分化细胞层的边界稳定性，以及胚胎分化过程的不可逆性 ［147］ 。此外，那些没有被调控网络描述清楚的现象暗示了基因调控网络中未研究透彻的部分，这可以帮助我们建立假设以及后续实验验证。无论如何，虽然该模型并不非常完善，但它在对生物现象的解释能力方面的成功，表明了它在基因调控网络建模过程中的前景，并十分有望促进扩展此网络规模的其他方法的发展，最终将整个系统发展为综合准确的网络模型。
大肠杆菌的转录调控网络在过去四十年中被广泛研究，它是目前研究最为清楚的微生物调控网络之一。RegulonDB和EcoCyc等数据库被建立起来，这些数据库包含该调控网络中已知的调控互作。最近，这些已知的调控互作被翻译成Boolean法则，或者叫逻辑声明，导致大肠杆菌全基因组范围的转录调控模型的建立。Boolean法则用来描述转录因子活性及代谢相关基因表达需要的条件，转录调控网络对应于 102 种不同外部刺激的应答，且包含调控479 个代谢相关基因的 104 个转录因子（见图4.9）。该全基因组范围的转录调控网络刚完成，就被用来预测单基因缺失的生长表型及表达改变模型预测与实验数据之间的差异，产生了关于代谢及其调控网络的可验证的假说 ［33］ 。
可以通过不同的方式展现转录调控网络的可用数据和知识。这些方式的描述精确度取决于我们如何审视这些数据，以及我们对知识细节的了解程度。因此，由粗糙到精细的描述谱图得到应用。其可分为以下几方面特征：
1.利用统计学数据挖掘算法寻找网络元件、元件间连接及共调控模型。这是一种高水平的分析方法，可以被用来检测模式及筛选所观测到现象的可能原因及机制。
图4.9：大肠杆菌中Boolean转录调控网络的示意图。代谢相关基因由正方形表示，分布在图的四周；转录因子由三角形表示，分布在中间；刺激由圆圈表示，分布在中央。直线代表了Boolean原则对应的两个实体的联系，刺激与转录因子之间的联系表示该刺激影响转录因子的活性，转录因子与代谢相关基因间的联系表示该转录因子调控基因表达。图片由Markus Covert提供
2.探索因果关系。该信息可以通过直观的图表和Boolean法则进行描述，从而使转录调控网络以及它们的状态和功能得以有逻辑的阐释 ［33］ 。
3.发现反应机制。我们会利用化学公式来对已知的调控网络机制进行描述。对于这些机制的探索已逐步取得进展，见图4.10。RNA聚合酶的组分和酶复合体会被进行化学量化，从而能够对它们的组成通过化学计量矩阵来描述。
4.寻找动力学常数。如果可以获取调控网络的动力学信息，那么动态模拟实验就是可行的 ［19, 52］ 。考虑到动力学常数的可用数据信息非常匮乏，该方法只限于小尺度的调控网络研究。
图4.10：转录因子结合到DNA的化学机制示意。转录因子存在两种构象状态，与DNA结合或未与DNA结合，这种机制与变构酶的作用原理相似。图片由Jennie Reed提供
由于缺少转录调控网络的可靠及高精度的模型，这些网络调控的关键特性尚未有研究关注。未来这类研究将会兴起，并可能对系统生物学的发展起到重要作用，因为这些实验，可以帮助我们揭开细胞对其基因组中信息的管理方式，这是细胞和分子生物学的核心所在。
◎ 转录调控网络决定了基因组的表达状态。
◎ 即使是对于模式生物，其转录调控网络也尚未十分完善。
◎ 转录调控网络可以按层级分类，按照转录应答宽度分为操纵子、调节子和刺激子。
◎ 在最详细的描述水平上，功能信息通常在研究者定义的网络模块中会得到描述。
◎ 由于转录调控网络中许多相互作用的详细机制是未知的，它们经常被以因果关系解释。
◎ 一旦调控网络背后潜在的化学机制得以揭示，相关化学式就可以用化学计量的形式表示。
Davidson, E.H., GENOMIC AND REGULATORY SYSTEMS, Academic Press, San Diego（2001）.
Hasty, J., McMillen, D., Isaacs, F., and Collins, J.J., “Computational studies of gene regulatory networks: in numero molecular biology, ” Nature Reviews Genetics , 2:268-279（2001）.
Herrgard, M.J., Covert, M.W., and Palsson, B.O., “Reconstruction of Microbial Transcriptional Regulatory Networks, ” Current Opinion in Biotechnology , 15（1）:70-77（2004）.
Ideker, T. and Lauffenburger, D. “Building with a scaffold: emerging strategies for high- to low- level cellular modeling, ” Trends in Biotechnology , 21:255-262（2003）.
McAdams, H.H. and Arkin, A., “It’s a noisy business! Genetic regulation at the nanomolar scale, ” Trends in Genetics , 15:65-69（1999）.
Ptashne, M. and Gann, A., GENES AND SIGNALS, Cold Spring Harbor Press, New York（2002）.
Setty, Y, Mayo, A.E., Surette, M.G. and Alon, U., “Detailed map of a cisregulatory input function, ” PNAS , 100：7702-7707（2003）.
Wagner, R., “Transcriptional Regulation in Prokaryotes, ”Oxford University Press（2000）.
Wall, M.E., Hlavacek, W.S. and Savageau, M.A., “Design of Gene Circuits:Lessons from bacteria, ” Nature Reviews Genetics , 5:34-42（2004）.
Wolf, D.M., and Arkin, A.P., “Motifs, modules and games in bacteria, ” Current Optinion in Microbiology , 6:125-142（2003）.