Informasi

Bisakah semua proses biologis dipahami sebagai perhitungan dan dipelajari seperti itu?

Bisakah semua proses biologis dipahami sebagai perhitungan dan dipelajari seperti itu?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Bisakah kita memahami sel sebagai perangkat komputasi organik? Dalam hal ini seluruh organisme dapat dianggap sebagai ansambel dari sejumlah besar perangkat komputasi yang berinteraksi?

Jika demikian halnya, biologi dapat dipelajari dengan menggunakan metode teori graf, teori jaringan, teori komputasi, dan teori sistem kompleks.


Jika Anda cukup abstrak, cam apa pun dianggap sebagai perangkat komputasi. Masalah dengan melakukan ini dengan sel adalah banyaknya variabel.

Untuk setiap sel yang diberikan, berikut ini: intern variabel ada:

  • Konsentrasi ion internal untuk lusinan ion yang penting
  • Konsentrasi internal ratusan atau ribuan berbagai molekul organik sederhana, termasuk molekul internal "mentah", berbagai langkah dalam lusinan atau bahkan ratusan proses metabolisme, dan produk akhir dan produk sampingan metabolik.
  • Konsentrasi internal ratusan atau ribuan protein berbeda dan "bagian mekanis" biologis kompleks lainnya, serta status "bagian" ini.
  • Keadaan fisik sel - meregang, berkontraksi, rileks, panas, dingin, dll.

Daftar ini tidak lengkap.

Perlu juga dicatat bahwa variabel di atas mungkin juga ada untuk beberapa "kompartemen" terpisah di dalam sel; vesikel, retikulum endoplasma dan aparatus golgi menjadi tiga yang segera muncul dalam pikiran.

Masalah lainnya adalah bahwa sel tidak ada dalam ruang hampa; lingkungan eksternal memainkan peran penting dalam fungsi mereka. Tubuh manusia pada suatu saat berada dalam kontak langsung dan interaksi dengan lingkungan ekstraseluler berikut:

  • Atmosfer (Terutama, tetapi tidak hanya, pertukaran suhu)
  • Udara di dalam sistem pernapasan, termasuk hidung dan mulut
  • Isi perut
  • Isi usus halus (yang perlu dipertimbangkan dalam beberapa segmen, karena sifat interaksi berubah di sepanjang jalur usus halus.
  • Isi usus besar
  • Darah
  • Cairan serebrospinal (Cairan ditemukan "di dalam" otak)
  • Cairan ekstraseluler, atau "cairan jaringan" (Kompartemen terpisah untuk setiap jaringan kecil dalam tubuh)
  • Getah bening
  • Cairan pleura (Cairan yang mengelilingi paru-paru; kompartemen terpisah untuk setiap paru-paru)
  • Cairan perikardial (Sejumlah kecil cairan yang mengelilingi jantung)
  • Isi kapsul sendi (Kompartemen terpisah untuk setiap sendi)

… dan daftarnya terus berlanjut. Masing-masing kompartemen ini membutuhkan pelacakan variabel yang sama dengan sel individu.

Hal ini semakin diperumit oleh kenyataan bahwa beberapa kompartemen ini tidak dapat dengan mudah dianggap sebagai satu kompartemen besar, karena pentingnya hubungan spasial. Misalnya, konsentrasi oksigen dan karbon dioksida darah (serta konsentrasi zat lain seperti alkohol) berubah sentimeter ke sentimeter. Namun masalah lain adalah fakta bahwa sel tidak statis dalam hal hubungan mereka satu sama lain; sel darah merah bergerak dengan aliran darah, dan mengalami turbulensi dan efek lainnya, dan sel lain (seperti makrofag) mampu melakukan gerakan "sengaja" dalam darah dan jaringan.

Anda juga harus memperhitungkan gangguan fisik - hal-hal seperti luka tusuk atau bahkan tusukan jarum sangat rumit pada tingkat sel.

Tentu saja, manusia adalah organisme yang sangat kompleks, dan ada organisme yang jauh lebih sederhana. Anda mungkin tertarik dengan OpenWorm, yang merupakan upaya untuk mensimulasikan komputasi Caenorhabditis elegans, spesies cacing gelang, pada tingkat sel. Melakukannya bahkan untuk organisme sesederhana C. elegan merupakan usaha besar-besaran, terbukti dengan kontribusi puluhan ahli di bidangnya, proyek ini telah berlangsung selama beberapa waktu dan belum mencapai tahap pertama.

Versi singkatnya: Apakah itu? mungkin? Mungkin. Apakah itu mudah? Tentu saja tidak.


Sebagai seorang ahli matematika yang tertarik pada biologi, saya sangat ingin tahu tentang jawaban yang terinformasi, di sini saya menambahkan jawaban saya, dengan pemahaman bahwa itu sama sekali tidak lengkap dan mungkin sangat bias atau bodoh terkait dengan biologi.

Kita mungkin memahami sel sebagai program berbasis kimia dan fisika yang berjalan dengan sendirinya. Sel adalah perangkat komputasi dalam arti bahwa hasil dari aktivitasnya adalah fungsi yang dapat dihitung dari inputnya (hipotesis yang masuk akal), tetapi lebih dari itu: pada tingkat sel tidak ada perbedaan antara komputer, program yang berjalan pada komputer. komputer, data input dan output DAN eksekusi program. Semua berada pada tingkat yang sama, yaitu setiap abstraksi diwujudkan dalam bahan kimia atau fisik yang konkret.

Bagian konkret ini menambahkan, saya percaya kesulitannya, karena pemikiran yang biasa dalam ilmu komputer adalah tentang menyusun abstraksi, sedangkan dalam biologi semuanya pada akhirnya hanya pada satu tingkat: nyata, fisika dan kimia diwujudkan.

Ini adalah klaim yang membutuhkan bukti pendukung yang kuat. Karena masalah prinsip, itu tidak dapat dibuktikan secara ketat, tetapi mungkin diberikan dukungan yang ketat dengan membangun bukti sederhana dari model-model prinsip.

Ada banyak model komputasi yang terinspirasi oleh kimia, oleh karena itu sebagai imbalannya mereka dapat dilihat sebagai bukti prinsip tersebut.

Ada model Jaringan Reaksi Kimia dan Jaring Petri yang lebih seperti alat penataan daripada model komputasi nyata, karena mereka tidak mempertimbangkan struktur molekul (mereka hanya simpul dalam grafik), atau cara reaksi kimia terjadi (mereka hanya adalah tepi dalam grafik). Mereka adalah alat yang sangat berguna dan deskripsi yang diberikan di sini sangat disederhanakan.

Ada CHAM (mesin abstrak kimia), G. Berry dan G. Boudol. Mesin abstrak kimia. Ilmu Komputer Teoritis, 96(1):217-248, 1992. Dalam model ini, keadaan mesin (bayangkan: sel) "adalah larutan kimia di mana molekul-molekul terapung dapat berinteraksi menurut aturan reaksi" (kutip dari abstrak). Dalam model ini "larutan" berarti sekumpulan molekul, aturan reaksi berada di antara molekul dan tidak berlaku di dalam molekul. Ini merupakan keterbatasan model karena struktur molekul tidak sepenting jumlah molekul dalam suatu spesies.

Model lain yang sangat menarik adalah Algorithmic Chemistry of Fontana and Buss. Ide utamanya adalah bahwa kimia dan komputasi pada dasarnya sama. Alasannya berjalan sebagai berikut. Ada dua pilar dari gagasan komputasi yang ketat: Mesin Turing (terkenal) dan kalkulus lambda Gereja. Kalkulus Lambda kurang dikenal di luar ilmu komputer, tetapi merupakan formalisme yang mungkin lebih bermanfaat bagi ahli kimia, atau bahkan ahli biologi, daripada mesin Turing. Fontana dan Buss mengusulkan bahwa kalkulus lambda adalah sejenis kimia, dalam arti bahwa operasi dasarnya, yaitu abstraksi dan aplikasi, dapat diberikan analogi kimia. Molekul seperti fungsi matematika, abstraksi seperti situs reaksi dan aplikasi seperti reaksi kimia.

Kimia Algoritmik hampir sedekat mungkin menjadi (bukti prinsip) jawaban atas pertanyaan itu.

Akhirnya saya menyebutkan chemlambda, atau mesin beton Kimia, yang seperti Kimia Algoritma, tetapi jauh lebih konkret. Molekul adalah grafik, aplikasi dan abstraksi adalah molekul, reaksi kimia adalah penulisan ulang grafik.

Apa yang sangat menarik dalam semua model ini, menurut pendapat saya, adalah bahwa mereka menyarankan menjawab pertanyaan "Dapatkah kita memahami sel sebagai perangkat komputasi organik?" entah bagaimana relevan dengan pertanyaan Ilmu Komputer "Bagaimana merancang Internet yang tidak sinkron dan terdesentralisasi?".


Sistematik

Biologis sistematik adalah studi tentang keanekaragaman bentuk kehidupan, baik masa lalu maupun masa kini, dan hubungan antar makhluk hidup sepanjang waktu. Hubungan divisualisasikan sebagai pohon evolusi (sinonim: kladogram, pohon filogenetik, filogeni). Filogeni memiliki dua komponen: urutan percabangan (menunjukkan hubungan kelompok) dan panjang cabang (menunjukkan jumlah evolusi). Pohon filogenetik spesies dan taksa yang lebih tinggi digunakan untuk mempelajari evolusi sifat (misalnya, karakteristik anatomi atau molekuler) dan distribusi organisme (biogeografi). Sistematika, dengan kata lain, digunakan untuk memahami sejarah evolusi kehidupan di Bumi.

Kata sistematika berasal dari kata Latin `systema', yang berarti susunan organisme secara sistematis. Carl Linnaeus menggunakan 'Systema Naturae' sebagai judul bukunya.


Sejarah pemahaman komputasi biologis

Dalam 50 tahun terakhir, biologi telah menginspirasi komputasi dalam beberapa cara (Navlakha dan Bar-Joseph 2011 Cardelli et al. 2017). Selama waktu ini, pemikiran komputasi juga telah meningkatkan pemahaman kita tentang sistem biologis (Bray 1995 Goldbeter 2002 Perawat 2008). Menggunakan prinsip-prinsip dari kimia, fisika dan matematika, kami telah memahami bahwa perilaku yang sangat kompleks dari sistem biologis disebabkan oleh banyak umpan balik yang digabungkan dan loop umpan-maju dalam jaringan regulasi molekuler yang mendasarinya (Alon 2007 Tyson dan Novák 2010). Secara khusus, kami telah mempelajari bahwa loop umpan balik positif dan negatif masing-masing bertanggung jawab untuk menggerakkan sakelar dan jam biologis (Tyson et al. 2008). Kami telah memahami banyak tentang perilaku unit dasar perhitungan biologis ini (Ferrell 2002 Novák dan Tyson 2008 Tyson et al. 2003) dan sakelar dan jam sederhana telah disintesis dalam sel tunggal lebih dari 15 tahun yang lalu (Becskei dan Serrano 2000 Gardner et al.2000 Elowitz dan Leibler 2000). Namun demikian, kami masih kekurangan pemahaman yang komprehensif tentang bagaimana modul komputasi ini muncul, dan fitur dan interaksi molekuler mana yang bertanggung jawab atas perilakunya yang efisien dan kuat (Cardelli et al. 2017). Ide dari komputasi mungkin membantu kita mengambil langkah terakhir ini, yang mungkin memungkinkan biologis switch dan jam menjadi berpengaruh dalam perkembangan teknologi komputasi masa depan. Kesamaan antara sakelar biologis yang mengendalikan entri mitosis dan perkiraan algoritma mayoritas komputasi terdistribusi (Angluin et al. 2008 Cardelli dan Csikász-Nagy 2012) menunjukkan bahwa komputasi dan biologi molekuler dapat saling mempengaruhi lebih jauh di masa depan. Dengan munculnya bidang sistem dan biologi sintetik, telah terjadi peningkatan interaksi antara ilmu komputer dan biologi, tetapi ada beberapa langkah yang diperlukan sebelum kita dapat mewujudkan revolusi komputasi materi lunak yang diilhami oleh biologi. Dalam makalah ini kami meninjau beberapa kemajuan utama yang telah kami lihat sebagai hasil interaksi antara komputasi dan biologi dan berspekulasi tentang arah yang mungkin dapat diambil oleh bidang gabungan dalam waktu dekat.

Komputasi

Komponen dasar perangkat komputasi, termasuk sirkuit elektronik modern dan ekuivalen mekanis sebelumnya, sebagian besar terdiri dari unit fungsional Boolean dan aritmatika (logika kontrol Boolean, unit integer dan floating point, konverter analog ke digital, dll.), register untuk menampung hasil antara algoritma berulang, dan komponen koordinasi yang mengatur aliran informasi di seluruh register dan unit fungsional. Koordinasi paling sering dicapai oleh jam: pada setiap tick data dibekukan ke dalam register, dan di antara tick data mengalir antar register melalui unit fungsional. Inilah yang disebut arsitektur von Neumann yang, meskipun ada peningkatan teknologi dan penyempurnaan arsitektur yang dramatis, sebagian besar tetap tidak berubah sejak komputer elektronik pertama.

Unit fungsional menghitung fungsi Boolean dan matematika dengan logika kombinasional (yaitu, tanpa memerlukan memori atau koordinasi waktu). Kita dapat dengan mudah menemukan analogi ini dalam biologi, seperti fungsi yang dihitung oleh wilayah regulasi gen tunggal (Arnone dan Davidson 1997). Biologi sintetis telah menunjukkan berapa banyak fungsi seperti itu, biasanya gerbang Boolean, dapat direkayasa secara in vivo oleh berbagai mekanisme berbasis genetik dan protein (Siuti et al. 2013). Secara lebih teoritis, telah ditunjukkan bagaimana jaringan reaksi kimia dapat menghitung fungsi kompleks (Buisman et al. 2009). Meskipun banyak dari pekerjaan ini telah meniru komponen digital, ada sentimen bahwa unit fungsional dalam biologi sebagian besar bekerja di domain analog, dan bahwa biologi sintetis dapat mengambil manfaat dari pendekatan ini (Sauro dan Kim 2013).

Dalam ulasan ini kami fokus terutama pada dua kelas komponen lainnya: memori dan koordinasi. Sakelar adalah unit memori yang mampu menyimpan bit tunggal: pada intinya terdapat sistem dinamis yang dapat distabilkan yang digabungkan dengan mekanisme untuk memaksa sistem dari satu keadaan stabil ke keadaan stabil lainnya. Perilaku peralihan tersebar luas dalam biologi: ia dicapai melalui serangkaian mekanisme, dari komponen molekul individu seperti situs fosforilasi dan sakelar ribos, hingga seluruh jaringan biokimia kompleks yang beralih dari satu konfigurasi ke konfigurasi lainnya, seperti pada sakelar siklus sel. Switch genetik sintetis juga telah ditunjukkan (Gardner et al. 2000).

Loop umpan balik yang rumit dari jaringan biokimia cenderung menghasilkan osilasi yang berlimpah, baik yang stabil maupun sementara, banyak di antaranya kurang dipahami. Osilator paling menonjol dalam biologi, ditemukan juga pada organisme paling primitif, adalah mereka yang terlibat dalam siklus sel dan jam sirkadian, yang aktivitas sikliknya mengoordinasikan banyak fungsi seluler. Osilasi juga dapat diamati dalam sistem yang terdiri dari hanya 1 sampai 3 protein, seperti dalam kasus osilator sirkadian KaiC (Nakajima et al. 2005), meskipun protein tersebut memiliki struktur yang sangat canggih. Secara teoritis, banyak osilator kimia yang terdiri dari 2 hingga 3 spesies sederhana telah dipelajari (Bayramov 2005).

Meskipun komponen dasar yang serupa (saklar, osilator, dan unit fungsional) ditemukan baik dalam biologi maupun dalam teknik komputer, itu tidak berarti bahwa sistem ini menghitung "dengan cara yang sama". Secara khusus, koordinasi dicapai dengan cara yang berbeda secara fundamental dalam sistem biologis daripada dalam arsitektur von Neumann. Dalam biologi, osilator mengoordinasikan peristiwa hanya pada tingkat granularitas yang paling kasar, sedangkan koordinasi berbutir halus dicapai dengan interaksi langsung antara komponen molekul. Di unit pemrosesan pusat komputer, osilator malah mengoordinasikan peristiwa pada butir terbaik, dan melakukannya dengan biaya besar. Akibatnya, perangkat berdaya rendah cenderung menggunakan strategi koordinasi tanpa jam untuk menghemat daya. Namun, pada tingkat jaringan komputer, koordinasi dicapai melalui pengiriman pesan, karena setiap jam dapat keluar dari langkah dan latensi jaringan dapat bervariasi. Banyak model komputasi non-von Neumann telah dipelajari di bidang komputasi terdistribusi: model ini mirip, dan kadang-kadang bahkan secara teknis bertepatan, dengan model biokimia (Angluin et al. 2006 Chen et al. 2014).

Arsitektur umum komputasi dalam sistem biokimia masih menjadi bahan penyelidikan, dan begitu pula fungsi banyak subsistem yang muncul untuk memproses informasi. Untuk saat ini kita dapat fokus pada bagaimana alam mencapai fungsionalitas komponen dasar, sakelar, osilator, dan unit fungsional, sambil menggunakan material dan batasan yang sangat berbeda dari yang berasal dari teknik.

Bagaimana sistem alam menghitung?

Dinamika kompleks sistem alam menarik minat penelitian sejak lama. Teori sistem dinamis dan kekacauan lahir pada pergantian abad kedua puluh, dengan fokus pada pemahaman cuaca dan masalah banyak benda (Strogatz 2000). Pelopor pemodelan matematis sistem biologis berasal dari bidang fisika kimia dan menggunakan pengalaman mereka yang dipelajari dari sistem kimia non-keseimbangan untuk menyelidiki sakelar dan jam biologis (Goldbeter 2017). Ide-ide atas dasar kimia dari perilaku biologis juga digunakan oleh ilmuwan komputer Alan Turing untuk menjelaskan pembentukan pola perkembangan (Turing 1952). Namun komputasi masih memiliki pengaruh yang jauh lebih kecil pada pemikiran kita tentang sistem biologis daripada kimia, fisika atau matematika. Memang, perilaku biologis dikendalikan oleh reaksi (bio)kimia dan kinetika reaksi yang mendasarinya dapat dipahami dengan melihat perilaku fisik mikroskopis molekul, tetapi untuk mengubahnya menjadi bentuk yang komprehensif, diperlukan keahlian matematika. Sejak tahun 1990-an, kemajuan dalam komputasi telah memungkinkan kita untuk memecahkan persamaan yang sangat kompleks yang menggambarkan interaksi fisik dari reaksi kimia yang mendorong perilaku biologis, tetapi kemunculan sistem biologi (Kitano 2002a) yang mengarah pada pemahaman bahwa kita membutuhkan lebih banyak komputasi untuk benar-benar memahami sistem biologis (Kitano 2002b). Eksperimen biologis yang kaya data pada tingkat molekuler telah mengidentifikasi keberadaan sakelar dan jam di mana-mana (Goldbeter 2002) sebagai komponen inti dari jaringan regulasi biologis yang kompleks.

Putaran umpan balik

Sudah pada tahun 1960-an diketahui bahwa loop umpan balik adalah penentu utama dinamika sistem biologis (Griffith 1968a, b). Loop umpan balik positif adalah kunci munculnya perilaku switching, sedangkan loop umpan balik negatif diperlukan untuk osilasi (Ferrell 2002 Goldbeter 2002). Dinamika kompleks sistem biologis ditentukan oleh kombinasi beberapa loop umpan balik tersebut (Tyson et al. 2003). Di sini kami menyajikan fitur utama dari loop umpan balik yang memungkinkan mereka untuk mendorong proses biologis utama.

Umpan balik loop (FBLs) muncul ketika setidaknya dua spesies molekul mengatur aktivitas masing-masing (Gbr. 1). Ada dua jenis FBL, negatif atau positif. FBLs negatif (NFBLs) muncul ketika produksi atau aktivasi suatu spesies secara langsung atau tidak langsung ditekan ketika spesies yang sama ini aktif (autoregulasi) (Thomas dan D'Ari 1990 Thomas et al. 1995). Loop umpan balik negatif mengandung jumlah inhibisi ganjil. Pada Gambar 1, ditampilkan sistem yang hanya terdiri dari dua komponen, di mana salah satu spesies molekul (X) menunjukkan aktivitas penghambatan terhadap yang lain (Y), sedangkan molekul lain Y ini mengaktifkan molekul pertama X.

Contoh loop Umpan Balik. Kiri, loop umpan balik negatif terdiri dari dua molekul. Benar, loop umpan balik positif murni hanya dibentuk oleh interaksi positif, sedangkan loop umpan balik negatif ganda berisi jumlah interaksi negatif yang genap.

Positive FBLs (PFBLs) secara otomatis meningkatkan produksi spesies yang terlibat dalam loop. Ada dua subtipe PFBL, positif murni atau negatif ganda. PFBL murni hanya mengandung interaksi aktivasi, sedangkan PFBL negatif ganda, atau interaksi antagonis, mengandung sejumlah penghambatan (ditambah sejumlah aktivasi). (Gbr. 1).

Loop umpan balik (FBL) merupakan hubungan dasar antara spesies molekuler untuk membangun perilaku kompleks dan akibatnya berlimpah dalam jaringan pengatur protein.FBL dapat menghasilkan berbagai perilaku dinamis, seperti peralihan dan osilasi yang efisien (Thomas et al. 1995 Thomas 1981 Tyson et al. 2003 Tyson dan Novák 2010 Hernansaiz-Ballesteros et al. 2016 Cardelli et al. 2017). Dinamika seperti sakelar membutuhkan PFBL, menghasilkan dua (atau lebih) status sistem yang stabil (biasanya status on/off), ketika spesies tertentu aktif sepenuhnya atau tidak aktif. Fitur PFBLs ini dikenal sebagai kunci untuk proses perkembangan dan pengambilan keputusan (Ferrell 2002). Sebaliknya, osilasi membutuhkan kehadiran NFBL. Sementara umpan balik negatif langsung dapat menstabilkan sistem, pengenalan penundaan yang timbul dari regulasi melalui perantara, atau hanya melalui akumulasi lambat, dapat dengan mudah menyebabkan osilasi. Jika suatu sistem mengandung setidaknya tiga spesies molekul yang berbeda dan non-linearitas yang kuat, osilator teredam atau berkelanjutan dapat muncul (Griffith 1968b). Sistem dengan hanya dua spesies molekul dan tanpa penundaan waktu yang jelas juga dapat berosilasi, tetapi mereka memerlukan kehadiran PFBL, menciptakan sakelar yang menggerakkan osilasi. Sebaliknya, kombinasi umpan balik positif dengan penipisan salah satu spesies menciptakan sistem yang dapat berosilasi tanpa loop umpan balik negatif eksplisit. Ini yang disebut osilator relaksasi menghasilkan perpindahan cepat karakteristik dalam satu arah, dengan perpindahan lambat ke arah lain, menghasilkan bentuk gelombang seperti segitiga (Sel'Kov 1968). Akhirnya, beberapa osilasi alami diketahui mengintegrasikan loop umpan balik positif dan negatif, yang dianggap meningkatkan ketahanan jaringan osilator terhadap fluktuasi intrinsik atau ekstrinsik (Thomas 1981 Thomas et al. 1995 Novák dan Tyson 2008 Ferrell et al. 2011).

Sistem biologi sakelar dan jam

Pentingnya sakelar dan jam sebagai modul dasar jaringan biologis disoroti pada kelahiran sistem biologi (Hartwell et al. 1999). Dua pendekatan yang kontras dari pemodelan biologi sistem adalah (1) pendekatan top-down, di mana kumpulan data skala besar digunakan untuk menyimpulkan jaringan regulasi molekuler yang mendasarinya dan (2) pendekatan bottom-up, di mana model abstrak dari sistem regulasi digunakan. diturunkan dari data eksperimen yang ada, dan model selanjutnya diuji terhadap data eksperimen tambahan (Bruggeman dan Westerhoff 2007). Pendekatan bottom-up sering melibatkan model yang menggabungkan loop umpan balik untuk menjelaskan perilaku dinamis yang kompleks, yang sering kali mencakup kombinasi sakelar dan jam (Tyson et al. 2003). Memang, beberapa contoh awal siklus penyempurnaan dan pengujian model (Chen et al. 2000, 2004 Cross et al. 2002) berasal dari analisis jaringan pengatur siklus sel, yang menggabungkan dua sakelar untuk mengontrol transisi siklus sel utama dan osilator yang bertanggung jawab atas periodisitas proses (Novák dan Tyson 2008). Osilator dan sakelar juga terbukti penting dalam konteks kontrol spatio-temporal dari pensinyalan sel (Kholodenko 2006). Selain itu, efek kopling antara loop umpan balik positif dan negatif juga terbukti penting untuk periodisitas osilator yang kuat (Tsai et al. 2008). Ini dan beberapa makalah penting lainnya telah menyebabkan klaim yang sah dari memahami fungsi motif jaringan ini (Shoval dan Alon 2010) dan pemikiran awal tentang apa yang bisa menjadi algoritma mendasari komputasi seluler (Lim et al. 2013). Dalam beberapa tahun terakhir, langkah-langkah besar telah diambil untuk memahami algoritma biologis dengan mensintesis jaringan regulasi biologis de novo, yang bertujuan untuk menghitung fungsi tertentu.

Desain jaringan reaksi kimia dan biologi sintetis

Munculnya rekayasa genetika yang lebih tepat membutuhkan pemahaman tentang pemrosesan informasi dalam jaringan reaksi-difusi dan memanfaatkan munculnya sifat pengorganisasian diri dari sistem tersebut. Sistem dengan perilaku seperti saklar dan osilasi telah menjadi fokus biologi sintetik selama hampir dua dekade. Dalam edisi Nature yang sekarang klasik dari tahun 2000, sakelar sakelar genetik dan sistem represilator dijelaskan, yang membuka bidang baru rekayasa biologi (Gardner et al. 2000 Elowitz dan Leibler 2000). Sistem ini tidak hanya berfungsi sebagai model untuk rekayasa perilaku muncul yang kompleks, tetapi juga memungkinkan kami untuk menguji hipotesis kami tentang bagaimana sistem biologis menggunakan mekanisme umpan balik dalam jaringan kompleks untuk berfungsi dan melakukan perhitungan. Dalam beberapa tahun terakhir, sakelar dan osilator genetik juga telah digunakan dalam sejumlah aplikasi.

Sistem switching sintetis

Sakelar sakelar genetik klasik menggunakan dua faktor transkripsi yang saling menekan, yang menimbulkan bistabilitas dan histeresis (Gardner et al. 2000 Litcofsky et al. 2012). Selanjutnya, saklar genetik juga dibangun menggunakan loop umpan balik autoregulasi positif (Isaacs et al. 2003 Atkinson et al. 2003). Baru-baru ini, sirkuit yang menggabungkan represi timbal balik dengan umpan balik autoregulasi positif telah dibangun, termasuk penambahan loop umpan balik positif tunggal (Lou et al. 2010) dan loop autoregulasi positif ganda, menghasilkan sakelar yang dapat dikuadratkan (Wu et al. 2017). Sakelar sakelar genetik juga telah digabungkan dengan sistem penginderaan kuorum untuk membuat sakelar berbasis populasi, yang mengubah status bergantung pada kepadatan sel lokal (Kobayashi et al. 2004). Dalam sel bakteri, konteks seluler semakin menarik dan ini dapat mempengaruhi kinerja peralihan genetik dalam beberapa cara termasuk perubahan stabilitas pada jumlah molekul yang rendah (Ma et al. 2012), ditambah ketergantungan pada tingkat pertumbuhan inang (Tan et al. 2009), orientasi urutan (Yeung et al. 2017) dan nomor salinan (Lee et al. 2016). Hal ini menunjukkan bahwa sistem alam kemungkinan telah mengembangkan mekanisme yang kuat untuk beberapa faktor ini. Namun, jaringan pengatur gen hanyalah satu cara untuk menciptakan perilaku seperti saklar. Alternatif termasuk penggunaan rekombinase, yang memungkinkan DNA itu sendiri untuk membalik orientasi (Friedland et al. 2009 Bonnet et al. 2012 Courbet et al. 2015 Fernandez-Rodriguez et al. 2015), dan penggunaan sistem transkripsi (RNA) ( Kim dkk. 2006). Pekerjaan teoretis dan komputasi yang menyertainya sama-sama beragam, dengan wawasan tentang kemungkinan topologi jaringan (Angeli et al. 2004 Otero-Muras et al. 2012), stochasticity (Tian dan Burrage 2006 Munsky dan Khammash 2010 Jaruszewicz dan Lipniacki 2013 Leon et al. 2016 ), ketahanan (Kim dan Wang 2007 Barnes et al. 2011), perilaku transien yang bergantung pada waktu (Verd et al. 2014), dan sifat yang muncul dari populasi sakelar yang dihubungkan oleh penginderaan kuorum (Kuznetsov et al. 2004 Wang et al. 2007 Nikolaev dan Sontag 2016). Mengikuti karya perintis dalam bakteri, kini telah terjadi ledakan sakelar rekayasa untuk sistem mamalia (lihat Kis et al. 2015 untuk tinjauan komprehensif), yang menggunakan komponen dari berbagai latar belakang (prokariotik, eukariotik, dan sintetis), dan menargetkan berbagai dari aplikasi.

Osilator biologis yang direkayasa

Osilator genetik sintetis telah mengalami sejumlah perkembangan signifikan. Represilator asli dibangun dari tiga protein represor transkripsi yang diatur dalam siklus umpan balik negatif (Elowitz dan Leibler 2000). Topologi lain yang menggabungkan umpan balik positif dan negatif pertama kali dipelajari secara teoritis (Barkai dan Leibler 2000) dan kemudian dibangun dalam E. coli (Atkinson et al. 2003). Perpanjangan dari osilator umpan balik negatif ini, menggabungkan loop umpan balik autoregulasi negatif lebih lanjut, menunjukkan peningkatan tunabilitas dan ketahanan (Hasty et al. 2002 Stricker et al. 2008). Dalam serangkaian makalah penting, topologi jaringan ini digabungkan dengan penginderaan kuorum untuk membuat populasi osilator yang disinkronkan pada skala yang berbeda (Danino et al. 2010 Mondragón-Palomino et al. 2011 Prindle et al. 2012). Sirkuit berbasis populasi ini akhirnya digunakan untuk pengobatan tumor pada tikus, dinamika osilasi yang menyebabkan sel bakteri melisiskan dan melepaskan agen kemoterapi langsung ke situs metastasis (Din et al. 2016). Baru-baru ini, dalam perkembangan yang menarik, topologi umpan balik negatif asli dari represilator ditinjau kembali dan direkayasa ulang menggunakan pemodelan stokastik terperinci untuk sangat meningkatkan ketahanannya, sedemikian rupa sehingga osilasi tetap disinkronkan tanpa perlu interaksi sistem kuorum (Potvin- Trottier dkk. 2016). Osilator juga telah diimplementasikan pada tingkat RNA (Kim dan Winfree 2011), tingkat jaringan metabolisme (Fung et al. 2005), dan pada sel mamalia (Tigges et al. 2009, 2010). Sifat teoritis osilator genetik telah dipelajari secara ekstensif, termasuk prinsip desain (Guantes dan Poyatos 2006 Novák dan Tyson 2008), ketahanan (Wagner 2005 Ghaemi et al. 2009 Tsai et al. 2008 Woods et al. 2016 Otero-Muras dan Banga 2016 ) dan stokastisitas (Vilar et al. 2002 Turcotte et al. 2008).

Rekayasa sistem biologis di semua organisme menghadapi tantangan implementasi yang serupa. Mungkin tantangan utamanya adalah ketergantungan konteks, yang dapat terjadi pada berbagai tingkatan (urutan, bagian, evolusioner, dan lingkungan) (Cardinale dan Arkin 2012 Arkin 2013). Ini termasuk prediktabilitas transkripsi dan terjemahan (Mutalik et al. 2013a, b) pengembangan perpustakaan bagian ortogonal (Wang et al. 2011 Nielsen et al. 2013 Chen et al. 2013b Stanton et al. 2014) permintaan sumber daya (beban, lihat nanti diskusi) dan pencocokan impedansi atau retroaktivitas (menyeimbangkan sensitivitas input dan kekuatan output) (Vecchio et al. 2008 Jayanthi et al. 2013). Sistem eukariotik menawarkan tantangan tambahan atas prokariota karena multi-seluleritas mereka, genom yang lebih kompleks dan tingkat regulasi yang lebih tinggi (Ceroni dan Ellis 2018). Tantangan-tantangan ini semakin dipenuhi dengan pendekatan interdisipliner yang menggabungkan pemodelan matematika, biokimia, pendekatan 'omics' dan akhirnya pemahaman yang lebih dalam tentang biologi.

Biologi sintetis dan komputasi

Dalam bidang biologi sintetik, banyak pekerjaan komputasi yang berfokus pada gerbang Boolean genetik (Moon et al. 2012). Di arena ini, sirkuit transkripsi mutakhir adalah algoritma CELLO, yang menggunakan perpustakaan berkarakter protein represor untuk merancang implementasi genetik fungsional untuk sirkuit Boolean tiga input (Nielsen et al. 2016). Rekombinasi (Siuti et al. 2013) dan sistem CRISPR/Cas (Nielsen dan Voigt 2014) juga dapat digunakan untuk membangun gerbang Boolean, dan sirkuit Boolean genetik juga telah digabungkan dengan sakelar sakelar untuk membuat operasi logika sekuensial (Lou et al. . 2010), termasuk sirkuit genetik pengkondisian seperti Pavlov (Zhang et al. 2014). Baru-baru ini, pekerjaan telah menunjukkan bahwa perangkat ribocomputing berdasarkan operasi RNA dapat digunakan untuk membuat fungsi logika kompleks dalam sel hidup (Green et al. 2017). Contoh penting dari terjemahan pendekatan ini termasuk diskriminasi jenis sel kanker (Xie et al. 2011) dan imunoterapi (Nissim et al. 2017), keduanya menggunakan perhitungan logika Boolean pada sinyal mRNA intraseluler dalam sel mamalia.

Sakelar dan osilator sintetis yang dijelaskan di atas telah digunakan dalam sejumlah kecil aplikasi komputasi non-Boolean di dalam sel hidup. Misalnya, sakelar genetik telah digunakan dalam aplikasi pemrosesan sinyal termasuk mendeteksi sinyal molekul kecil di usus mamalia (Kotula et al. 2014 Riglar et al. 2017) dan penginderaan glukosa (Chen dan Jiang 2017). Dalam studi penting lainnya, koordinasi osilator genetik dicapai melalui penggabungan pemrosesan protein pasca-translasi (Prindle et al. 2014). Sinyal input eksternal dalam bentuk penginduksi kimia dan laju aliran dikodekan menjadi osilasi termodulasi frekuensi. Dengan memanfaatkan struktur antrian yang melekat pada degradasi protein, kedua osilator menjadi digabungkan dan sinyal input yang sesuai digabungkan menjadi rangkaian waktu multispektral tunggal yang mengkodekan kedua sinyal (Prindle et al. 2014). Studi teoritis tentang multifungsi dalam topologi jaringan tetap telah menjadi perhatian besar baru-baru ini (Jiménez et al. 2017) dan pekerjaan telah menunjukkan bahwa sirkuit genetik yang terdiri dari sakelar sakelar dan represilator, yang dikenal sebagai sirkuit AC-DC, telah muncul properti seperti osilasi koheren, rangsangan dan pemrosesan sinyal spasial (Perez-Carrasco et al. 2018). Contoh-contoh ini menunjukkan bahwa sistem biologis dapat direkayasa untuk mengeksploitasi struktur umpan balik untuk pemrosesan sinyal analog dan digital dan bahwa perhitungan kompleks dimungkinkan pada skala yang berbeda. Sudut pandang ilmu komputer tentang bagaimana sistem biologis memproses informasi dan melakukan perhitungan dapat membantu biologi sintetis membangun sistem yang lebih kompleks, lebih lanjut menjelaskan bagaimana fungsi sistem biologis alami.

Mungkin area komputasi non-Boolean yang paling berkembang dalam biologi sintetik adalah pemrograman molekuler, yang menggunakan asam nukleat (DNA, RNA) sebagai substrat komputasi. Penggunaan DNA untuk komputasi pertama kali diperkenalkan oleh Adelman untuk memecahkan sebuah instance dari masalah jalur Hamiltonian (Adleman 1994). Ini bekerja dengan memetakan oligomer DNA ke tepi antara node dalam jaringan kecil dan mengeksploitasi paralelisme besar dari molekul (sim 10^<19>) untuk menghitung semua jalur yang mungkin menggunakan penggunaan berulang reaksi berantai polimerase (PCR). Akhirnya, oligomer dengan panjang yang benar dan berisi urutan awal dan akhir yang benar diekstraksi, pada prinsipnya memberikan solusi untuk masalah NP-lengkap ini. Selanjutnya, jumlah oligomer yang dibutuhkan linier dalam ukuran jaringan. Sejak itu, pemrograman molekuler telah berkembang secara signifikan dan dua pendekatan modern akan dibahas secara rinci di Sect. 3.


Sekarang sampai pada bagian yang sulit

Menerapkan ilmu data ke biologi mungkin terdengar sederhana, tetapi itu jauh dari mudah. Ambil contoh “optimasi biologis”, seperti mencoba mendapatkan ragi atau bakteri untuk menghasilkan sejumlah besar biomolekul berharga — sesuatu yang dilakukan Zymergen setiap hari.

“Bekerja dengan mikroba bukanlah masalah rekayasa,” seperti yang dikatakan Kurt. Itu karena kita tidak memiliki pemahaman mendasar yang komprehensif tentang bagaimana biologi benar-benar bekerja. Misalnya, kami secara rutin menemukan cara untuk meningkatkan kinerja mikroba dengan mengubah gen yang tidak diketahui fungsinya. Bidang-bidang seperti sistem dan biologi sintetik telah meningkat secara khusus untuk mencoba membuat rekayasa biologi "rutin". Tetapi dibandingkan dengan membangun rumah atau merancang komputer, di mana cara kerja bagian dalamnya dipahami dengan baik dan sangat dapat diprediksi, kompleksitas biologi sering kali bertentangan dengan rekayasa.

Untuk alasan ini, tim ilmu data Kurt adalah kombinasi dari pakar domain mendalam khusus dan peneliti yang sangat interdisipliner, yang semuanya berkomunikasi lintas disiplin ilmu seperti pembelajaran mesin, rekayasa perangkat lunak, statistik, dan biologi untuk mencapai tujuan mereka. Ini membutuhkan pelatihan silang individu dari masing-masing latar belakang ini untuk bekerja dengan sukses melintasi batas-batas disiplin. Sekali lagi, lebih mudah diucapkan daripada dilakukan.

Kemudian, jika Anda mampu membangun tim impian interdisipliner, Anda memiliki tiga tantangan teknis besar dalam perjalanan menuju optimalisasi biologis: ukuran ruang pencarian, biaya pengukuran data biologis, dan sistem biologi yang kompleks dan kurang dipahami. Trifecta dari masalah yang merepotkan ini membuat sulit untuk menerapkan ilmu data dengan cara yang sama seperti yang Anda lakukan di bidang lain.


Pendekatan interdisipliner untuk dinamika dalam biologi

Biologi bersifat dinamis. Dari sistem ekologi hingga pembentukan pola embrio: perubahan adalah pusat dari setiap fenomena biologis. Tiga dekade terakhir genetika molekuler telah sangat berhasil dalam mengidentifikasi komponen yang terlibat dalam banyak proses biologis, dan sekarang kita menemukan diri kita pada masa yang sangat menarik di mana metodologi dan teknologi baru, untuk pertama kalinya, memungkinkan kita untuk mengatasi masalah tersebut. dinamika proses ini secara langsung. Ahli biologi sekarang dapat mengukur dinamika proses biologis [1-4], menganalisis [2,5,6] dan mencitrakannya [7-9] dalam resolusi yang belum pernah terjadi sebelumnya. Ini dan kemajuan terkait lainnya telah menggeser cara kita merepresentasikan fenomena biologis, menjauh dari representasi statis dan menuju akun yang semakin dinamis dan karena itu realistis.

Dinamika biologis terus bergerak ke garis depan banyak bidang dalam biologi. Perspektif dan penjelasan yang semakin dinamis menantang validitas analisis statis, yang meskipun umumnya lebih mudah dipahami baik dari perspektif teoretis maupun eksperimental, harus dibenarkan daripada diasumsikan. Mekanisme yang mendasari fenomena biologis perlu membahas dan menjelaskan waktu proses yang diselidiki serta komponen dan distribusi spasialnya. Kolaborasi interdisipliner yang erat akan diperlukan untuk mengembangkan teknik, metodologi, model, alat komputasi, dan kerangka kerja konseptual baru untuk mengatasi dan menjelaskan dinamika yang selalu menjadi ciri sistem dan proses biologis di setiap tingkat organisasi mereka.

2. Pengantar masalah tema

Mengingat kemajuan dalam dinamika ini, dan untuk memastikan bahwa kumpulan pengetahuan yang baru dan berkembang ini bergerak melampaui tingkat deskriptif menuju akun mekanistik dan kausal dari proses biologis, pada bulan Februari 2020 kami menyelenggarakan pertemuan Royal Society Hooke Theo Murphy di Chichely Hall di Buckinghamshire. Pertemuan tersebut, 'Pendekatan interdisipliner terhadap dinamika dalam biologi', mempertemukan sekelompok ilmuwan yang sangat interdisipliner dari ahli biologi kuantitatif yang bekerja di berbagai bidang mulai dari biologi sel hingga ekologi, hingga pakar pencitraan langsung, pemodel matematika, dan filsuf biologi. Dengan mengalihkan fokus dari proses biologis apa pun khususnya ke dinamika fenomena biologis secara lebih umum, pertemuan tersebut membantu menemukan titik temu antara bidang yang jarang tumpang tindih, dan mengeksploitasi persimpangan di antara mereka untuk menerjemahkan metodologi, alat, dan perspektif. Dalam isu tema ini, penulis kami menyajikan beberapa ide inti dan topik utama yang muncul dari banyak diskusi yang diadakan pada pertemuan tersebut.

2.1. Menjembatani skala spatio-temporal

Fokus pada waktu menarik perhatian kita pada banyak mekanisme yang sebelumnya tidak dihargai di mana sistem biologis mengatur dan menyesuaikan dinamikanya. Dalam ulasan mereka, Busby & Steventon [10] mengeksplorasi peran tektonik jaringan — pergerakan jaringan relatif satu sama lain — dalam mengendalikan dan mengatur waktu perkembangan dan perubahan evolusioner. Mereka mengusulkan bahwa dinamika pensinyalan dan komitmen sel bergantung pada berbagai jenis pengatur waktu di berbagai skala spatio-temporal dalam embrio yang sedang berkembang dan menyoroti pentingnya mempertimbangkan penyebab ke bawah dari jaringan ke tingkat sel tunggal, untuk memahami dinamika perkembangan.Dengan fokus yang sama, dalam ulasan mereka, Rayon & Briscoe [11] mengidentifikasi mekanisme yang mengendalikan kecepatan dan tempo perkembangan, sambil memperdebatkan nilai dan potensi penjelasan dari perbandingan lintas spesies untuk memahami waktu perkembangan di seluruh skala waktu evolusi. Makalah ini melanjutkan lebih jauh untuk menggambarkan juga bagaimana memahami waktu perkembangan sangat penting untuk memajukan bio-engineering dan kedokteran translasi.

Tantangan yang muncul dari studi interaksi antara skala dinamis yang berbeda tidak terbatas pada proses molekuler dan seluler. Dalam makalah mereka, Brejcha dkk. [12] mempelajari proses mimikri koevolusioner, yang ditentukan oleh interaksi dua proses dinamis yang berbeda—interaksi mangsa-mangsa dan persepsi pemangsa. Dengan memformalkan interaksi ini menggunakan model medan penarik, penulis mengungkapkan bagaimana kerangka kerja matematika baru adalah kuncinya.

2.2. Modul dinamis

Kompleksitas yang melekat dalam memasukkan waktu dalam konseptualisasi kami tentang proses biologis menimbulkan pertanyaan tentang cara terbaik untuk memahami proses biologis secara umum dan dinamikanya pada khususnya. Jaeger & Monk [13] menyajikan tinjauan menyeluruh tentang berbagai akun modularitas biologis hingga saat ini, dengan fokus pada bagaimana dinamika biologis dapat dipahami sebagai modular juga. Memusatkan argumen mereka pada dinamika proses biologis, penulis mengusulkan pendekatan top-down untuk menguraikan dinamika sistem dan menjelaskan melalui penggunaan berbagai contoh dari metabolisme, dan biologi sel dan perkembangan, keuntungan mengadopsi kerangka kerja semacam itu, sering bersamaan dengan pendekatan yang lebih tradisional.

Makalah Clark mengeksplorasi bagaimana konsep modul dinamis dapat diterapkan untuk memahami evolusi segmentasi [14]. Dengan mendefinisikan dan menggabungkan modul dinamis yang berbeda, penulis dapat menggambarkan hubungan dan kemungkinan transisi evolusi antara mode segmentasi yang berbeda yang diamati pada vertebrata dan artropoda. Pendekatan ini menggambarkan bahwa pemahaman dan wawasan dapat diperoleh dengan berfokus pada dinamika tanpa perlu mempertimbangkan salah satu mekanisme regulasi gen yang menghasilkannya.

Untuk menyelesaikan, diFrisco dan Jaeger mendefinisikan homologi proses [15] sebagai kerangka konseptual untuk mengatasi evolusi dinamika biologis. Para penulis mengusulkan perbedaan yang mencolok dari catatan homologi sebelumnya, yang secara sistematis berfokus pada pembentukan homologi pada tingkat gen individu, jaringan dan sifat, tetapi tidak pada tingkat proses perkembangan. Mereka mengilustrasikan melalui contoh bagaimana proses dapat menjadi homolog tanpa memerlukan komponennya dan menyajikan serangkaian kriteria untuk membantu menentukan homologi pada tingkat proses.


Studi kasus `jalur sebagai program'

Setelah menggambarkan pendekatan algoritmik umum untuk pemodelan jalur sebagai program, kita perlu mengetahui apakah itu benar-benar berfungsi dalam praktik sebagai alat yang berguna bagi ahli biologi. Kami menjelaskan tiga contoh yang menggambarkan cara berbeda di mana `jalur sebagai program' telah digunakan untuk mengidentifikasi temuan biologis baru melalui penerapan kalkulus proses dan metode pemeriksaan model.

Menjelajahi jalur RAS-RAF-MAPK

Sebuah studi awal penerapan formulasi proses-kalkulus yang dikombinasikan dengan pemeriksaan model menggunakan model jalur RAS-RAF-MAP kinase (MAPK) yang terkenal (Calder et al., 2006). Salah satu temuan pertama adalah bahwa deskripsi asli dari jalur (yang telah digunakan untuk pemodelan matematika) `macet' ketika diartikulasikan sebagai program komputer, menunjukkan bahwa formulasi biologis tidak lengkap atau tidak konsisten. Setelah memformulasi ulang model, ditunjukkan bahwa dinamika aktivasi MAPK dihambat oleh protein pengikat RAF kinase inhibitor protein (RKIP), dengan efek diferensial pada bentuk MAPK terfosforilasi tunggal dan ganda. Temuan ini sesuai dengan data eksperimen. Pelajaran dari penelitian ini adalah bahwa jalur yang dipahami dengan baik dapat berhasil dirumuskan dan dipelajari menggunakan teknik kalkulus proses dan pemeriksaan model, dan bahwa ahli biologi dapat membuat kesalahan yang dapat dideteksi oleh logika formal (lihat di bawah).

Menganalisis dinamika pensinyalan FGF

Pekerjaan kami sendiri telah berpusat pada model proses-kalkulus dari jalur faktor pertumbuhan fibroblast (FGF) menggunakan simulasi stokastik (menggunakan BioSPI) dan pemeriksaan model probabilistik (menggunakan PRISM) (Kwiatkowska et al., 2006 Heath et al., 2007). Motivasi kami dalam penelitian ini adalah untuk menganalisis dinamika (yaitu durasi, amplitudo, dan perilaku yang bergantung pada waktu) dari pensinyalan FGF dengan mengevaluasi sejumlah mekanisme regulasi positif dan negatif yang berbeda yang telah dilaporkan dalam literatur. Ini termasuk aksi tirosin fosfatase (SHP2), peran inaktivasi reseptor FGF (FGFR) oleh internalisasi yang dimediasi Src-kinase, peran proteolisis yang dimediasi ubiquitin, dan aksi atenuasi sinyal Sprouty, yang telah berpendapat untuk bertindak dengan penyerapan protein terikat reseptor faktor pertumbuhan signaling adapter 2 (GRB2) (Hanafusa et al., 2004).

Kami pertama kali membangun dan memverifikasi versi lengkap dari model (Gbr. 2), menunjukkan bahwa itu menghasilkan hasil yang sesuai dengan data eksperimen. Kami kemudian menganalisis versi model di mana komponen individual telah dihilangkan secara sistematis (Gbr. 3) untuk mempelajari signifikansi relatif dari cara yang berbeda untuk mengendalikan propagasi sinyal. Ini sebenarnya merupakan pendekatan `in silico genetika'. Kami juga melakukan pendekatan eksplorasi parameter, di mana kami secara sistematis memvariasikan laju reaksi tertentu untuk meniru efek mode penghambatan obat yang diketahui (atau hipotetis).

Kesimpulan utama kami dari menganalisis model adalah bahwa penentu paling menonjol dari dinamika pensinyalan FGF adalah tingkat relatif dari jalur aktivasi kinase yang bergantung pada reseptor dan jalur penghambatan yang diaktifkan Src-kinase. Dengan demikian, penghapusan Src dari model menyebabkan perpanjangan durasi aktivasi MAPK dibandingkan dengan model penuh (Gbr. 3), dan ini kemudian diverifikasi secara eksperimental (Sandilands et al., 2007). Prediksi lain dari percobaan ini adalah bahwa menghambat aktivitas fosfatase Shp2 secara paradoks membuat ketidakstabilan dan kemudian menekan aktivasi MAPK (Gbr. 3). Ini muncul karena fosfatase bekerja secara bersamaan pada jalur positif dan negatif, dan jalur negatif dalam model `menang'. Kesimpulannya di sini adalah bahwa proses kalkuli dapat digunakan untuk alasan tentang jalur sinyal yang kompleks dengan cara yang informatif.

Pekerjaan lebih lanjut dalam kelompok kami dalam merumuskan dan menginterogasi model jalur pensinyalan Wnt (Tymchyshyn dan Kwiatkowska, 2008) dan JAK-STAT (Janus kinases sinyal transduser dan aktivator transkripsi) jalur (Guerriero et al., 2007 Guerriero et al., 2009 ) telah menunjukkan penerapan yang luas dari pendekatan algoritmik untuk analisis jaringan transduksi sinyal.

Penentuan nasib sel vulva di C. elegan

Fisher dan rekan kerja (Fisher et al., 2005 Fisher et al., 2007) telah menciptakan model komputer formal untuk penentuan nasib Caenorhabditis elegans sel vulva yang didasarkan pada model biologis Sternberg dan Horvitz (Sternberg dan Horvitz, 1989). Dalam model Sternberg, nasib perkembangan enam sel prekusor vulva (VPC) tergantung pada integrasi dua sinyal, sinyal EGF induktif yang berasal dari sel jangkar (AC) dan sinyal lateral (kelas Notch/Delta) yang diinduksi sebagai respons terhadap sinyal induktif primer dengan cara yang bergantung pada waktu (Gbr. 4). Nasib perkembangan VPC ditentukan oleh jaraknya dari AC (dan dengan demikian sinyal induksi primer) dan penerimaan sinyal penghambatan lateral: mereka yang menerima sinyal induksi primer terkuat mengadopsi nasib primer (1° pada Gambar 4) , mereka yang menerima sinyal penghambatan lateral terkuat mengadopsi nasib sekunder (2°), dan nasib tersier default (3°) diadopsi oleh sel-sel yang tidak menerima kelas sinyal. Oleh karena itu, sistem menunjukkan saling ketergantungan, umpan balik, dan penundaan waktu.

Pendekatan komputasi untuk menganalisis dinamika pensinyalan FGF. (A) Contoh narasi berbasis teks dari jalur pensinyalan FGF, yang menyediakan dasar untuk terjemahan ke dalam bahasa proses-kalkulus untuk eksekusi dan pemeriksaan model (dari Kwiatkowska et al., 2006). Eksekusi penuh dapat dipelajari di http://www.prismmodelchecker.org/casestudies/fgf.php#results. Dalam narasi, molekul (proses) dilambangkan dengan huruf miring (misalnya FGF). Situs tertentu pada molekul dilambangkan dalam tanda kurung [mis. (Y653,Y654)FGFR]. Interaksi antar molekul (komunikasi) dilambangkan dengan titik dua (misalnya FGF:FGFR). Kompleks (misalnya FGF:FGFR) diperlakukan sebagai proses baru. Modifikasi (perubahan keadaan) dilambangkan dengan huruf tebal (misalnya fosforilasi). Fosforilasi (perubahan keadaan) dari situs tertentu dilambangkan dengan menambahkan P setelah identifikasi situs (misalnya Y653P). Molekul yang dimodifikasi [mis. (Y653P,Y654P)FGFR] diperlakukan sebagai proses baru. Setiap langkah (baris) narasi menggambarkan interaksi (komunikasi) antar molekul (proses), menghasilkan modifikasi (perubahan keadaan). Perhatikan bahwa, ketika narasi berkembang, jumlah jenis molekul (proses) berubah sebagai akibat dari peristiwa sebelumnya. Perhatikan juga bahwa beberapa langkah menunjukkan ketergantungan (yaitu persyaratan untuk spesies molekuler tertentu yang akan dibuat selama eksekusi) sedangkan yang lain hadir sejak awal. Dengan demikian, beberapa langkah dalam narasi terjadi secara bersamaan. Narasi dapat dengan mudah dimodifikasi dengan menghilangkan langkah-langkah tertentu atau menambahkan langkah-langkah baru. (B) Versi diagram jalur pensinyalan FGF yang diartikulasikan dalam A. Reaksi pengikatan dilambangkan dengan panah hitam, reaksi fosforilasi dengan panah biru dan reaksi penghambatan (defosforilasi atau degradasi) dengan panah merah. Komponen RAS, RAF, MAPKK dan MAPK tidak secara eksplisit dimasukkan dalam model pada A.

Pendekatan komputasi untuk menganalisis dinamika pensinyalan FGF. (A) Contoh narasi berbasis teks dari jalur pensinyalan FGF, yang menyediakan dasar untuk terjemahan ke dalam bahasa proses-kalkulus untuk eksekusi dan pemeriksaan model (dari Kwiatkowska et al., 2006). Eksekusi penuh dapat dipelajari di http://www.prismmodelchecker.org/casestudies/fgf.php#results. Dalam narasi, molekul (proses) dilambangkan dengan huruf miring (misalnya FGF). Situs tertentu pada molekul dilambangkan dalam tanda kurung [mis. (Y653,Y654)FGFR]. Interaksi antar molekul (komunikasi) dilambangkan dengan titik dua (misalnya FGF:FGFR). Kompleks (misalnya FGF:FGFR) diperlakukan sebagai proses baru. Modifikasi (perubahan keadaan) dilambangkan dengan huruf tebal (misalnya fosforilasi). Fosforilasi (perubahan keadaan) dari situs tertentu dilambangkan dengan menambahkan P setelah identifikasi situs (misalnya Y653P). Molekul yang dimodifikasi [mis. (Y653P,Y654P)FGFR] diperlakukan sebagai proses baru. Setiap langkah (baris) narasi menggambarkan interaksi (komunikasi) antar molekul (proses), menghasilkan modifikasi (perubahan keadaan). Perhatikan bahwa, ketika narasi berkembang, jumlah jenis molekul (proses) berubah sebagai akibat dari peristiwa sebelumnya. Perhatikan juga bahwa beberapa langkah menunjukkan ketergantungan (yaitu persyaratan untuk spesies molekuler tertentu yang akan dibuat selama eksekusi) sedangkan yang lain hadir sejak awal. Dengan demikian, beberapa langkah dalam narasi terjadi secara bersamaan. Narasi dapat dengan mudah dimodifikasi dengan menghilangkan langkah-langkah tertentu atau menambahkan langkah-langkah baru. (B) Versi diagram jalur pensinyalan FGF yang diartikulasikan dalam A. Reaksi pengikatan dilambangkan dengan panah hitam, reaksi fosforilasi dengan panah biru dan reaksi penghambatan (defosforilasi atau degradasi) dengan panah merah. Komponen RAS, RAF, MAPKK dan MAPK tidak secara eksplisit dimasukkan dalam model pada A.

Dalam model komputer, parameter laju kuantitatif disederhanakan sebagai TINGGI (ekspresi berlebih dari sinyal induksi primer), MEDIUM (sinyal tipe liar) atau OFF (tidak adanya sinyal). Model ini memiliki 48 kemungkinan keadaan awal yang sesuai dengan 48 kombinasi mutasi atau genotipe. Pengecekan model digunakan untuk menginterogasi model dengan menghitung nasib enam VPC dan reproduktifitas semua 48 kondisi. Kondisi ini sesuai dengan mutasi yang telah dijelaskan dalam literatur dan kombinasi mutan yang belum dihasilkan. Dari 48 kondisi awal, 44 menghasilkan keadaan nasib yang stabil (yaitu eksekusi berulang dari model menghasilkan hasil yang sama), termasuk yang sesuai dengan fenotipe mutan yang diterbitkan. Empat mutan yang tersisa menghasilkan nasib yang tidak stabil (yaitu eksekusi berulang dari model menghasilkan hasil yang berbeda). Sekali lagi, menggunakan pemeriksaan model untuk menanyakan program, ditemukan bahwa nasib yang tidak stabil bergantung pada variasi waktu sinyal penghambatan lateral, yang tidak akan terlihat jelas dari analisis fenotipe mutan yang dipublikasikan. Fenotipe yang dihasilkan komputer kemudian diverifikasi dengan membuat yang sesuai C. elegan mutan dan mengungkapkan nasib yang tidak stabil, memberikan bukti tentang pentingnya pengaturan waktu dalam induksi berurutan dari sinyal induktif dan lateral selama pengembangan VPC.

Contoh penyelidikan perilaku dinamis jalur FGF dengan menguji penghapusan komponen. Output mewakili aktivasi MAPK (dilambangkan dengan GRB2 terikat FRS2). Jejak menunjukkan perilaku model penuh (biru), tidak ada SPRY (hijau), tidak ada SHP2 (merah) dan tidak ada Src (turquoise). Model tersebut memprediksi bahwa penghilangan Src menghasilkan durasi pensinyalan yang diperpanjang atau kegagalan untuk meluruh (Sandilands et al., 2007).

Contoh penyelidikan perilaku dinamis jalur FGF dengan menguji penghapusan komponen. Output mewakili aktivasi MAPK (dilambangkan dengan GRB2 terikat FRS2). Jejak menunjukkan perilaku model penuh (biru), tidak ada SPRY (hijau), tidak ada SHP2 (merah) dan tidak ada Src (turquoise). Model tersebut memprediksi bahwa penghilangan Src menghasilkan durasi pensinyalan yang diperpanjang atau kegagalan untuk meluruh (Sandilands et al., 2007).

Contoh ini menunjukkan kemampuan pemeriksaan model untuk menguji semua kemungkinan perilaku suatu program (dalam hal ini, semua kemungkinan fenotipe mutan) untuk memandu pemilihan eksperimen biologis. Ini adalah kasus di mana pemodelan telah mempercepat laju penemuan biologis dengan memungkinkan prioritas eksperimen.

Model grafis dari C. elegan jalur spesifikasi nasib sel vulval [dimodelkan oleh Fisher et al. (Fisher et al., 2007)]. AC adalah sel jangkar dan P3-P8 adalah sel prekursor vulva. 1°, 2° dan 3° menunjukkan nasib normal sel vulva tertentu. Panah hitam tebal mewakili sinyal penginduksi utama dari AC. Ketebalan panah menunjukkan tingkat relatif sinyal yang diterima oleh tiga VPC yang ditampilkan. Dengan tidak adanya sinyal penginduksi (seperti pada P3, P4 dan P8), jalur berada di bawah ambang batas yang diperlukan untuk induksi dan VPC mengadopsi nasib 3°. Sinyal penginduksi tingkat tinggi (P6) menginduksi nasib 1°. Sinyal induksi tinggi juga menghasilkan produksi sinyal lateral yang kuat (panah biru) oleh P6 dan penekanan respons 1° di P5 dan P7. P5 dan P7 dengan demikian mengadopsi nasib 2°.

Model grafis dari C. elegan jalur spesifikasi nasib sel vulval [dimodelkan oleh Fisher et al. (Fisher et al., 2007)]. AC adalah sel jangkar dan P3-P8 adalah sel prekursor vulva. 1°, 2° dan 3° menunjukkan nasib normal sel vulva tertentu. Panah hitam tebal mewakili sinyal penginduksi utama dari AC. Ketebalan panah menunjukkan tingkat relatif sinyal yang diterima oleh tiga VPC yang ditampilkan. Dengan tidak adanya sinyal penginduksi (seperti pada P3, P4 dan P8), jalur berada di bawah ambang batas yang diperlukan untuk induksi dan VPC mengadopsi nasib 3°. Sinyal penginduksi tingkat tinggi (P6) menginduksi nasib 1°. Sinyal induksi tinggi juga menghasilkan produksi sinyal lateral yang kuat (panah biru) oleh P6 dan penekanan respons 1° di P5 dan P7. P5 dan P7 dengan demikian mengadopsi nasib 2°.

Contoh-contoh yang dibahas di atas mendorong dan menunjukkan bahwa konsep `jalur sebagai program komputer' dapat menghasilkan wawasan biologis baru, memiliki potensi untuk secara dramatis mengurangi waktu dan biaya penjelajahan `ruang' eksperimental, dan dapat digunakan untuk alasan tentang proses biologis yang kompleks. secara formal dan ketat.


Perbedaan gol

Evolusi telah berhasil mengembangkan arsitektur saraf yang dapat menyelesaikan banyak tugas. Beberapa penelitian telah menunjukkan bahwa sistem visual kita dapat secara dinamis menyesuaikan kepekaannya dengan tujuan yang ingin kita capai. Namun, menciptakan sistem visi komputer yang memiliki fleksibilitas semacam ini tetap menjadi tantangan besar.

Sistem visi komputer saat ini dirancang untuk menyelesaikan satu tugas. Kami memiliki jaringan saraf yang dapat mengklasifikasikan objek, melokalisasi objek, mengelompokkan gambar ke dalam objek yang berbeda, mendeskripsikan gambar, menghasilkan gambar, dan banyak lagi. Tetapi setiap jaringan saraf dapat menyelesaikan satu tugas saja.

“Masalah utamanya adalah untuk memahami 'rutinitas visual', sebuah istilah yang diciptakan oleh Shimon Ullman bagaimana kita dapat secara fleksibel mengarahkan informasi visual dengan cara yang bergantung pada tugas?” kata Kreiman. “Anda pada dasarnya dapat menjawab pertanyaan dalam jumlah tak terbatas pada sebuah gambar. Anda tidak hanya memberi label pada objek, Anda dapat menghitung objek, Anda dapat mendeskripsikan warnanya, interaksinya, ukurannya, dll. Kami dapat membangun jaringan untuk melakukan setiap hal ini, tetapi kami tidak memiliki jaringan yang dapat melakukan semua ini hal secara bersamaan. Ada pendekatan menarik untuk ini melalui sistem tanya jawab, tetapi algoritme ini, meskipun menarik, tetap agak primitif, terutama dibandingkan dengan kinerja manusia.


Sikap komputasi dalam biologi

Tujuan artikel ini adalah untuk menarik perhatian, dan untuk mengungkapkan kehati-hatian tentang, penggunaan ekstensif komputasi sebagai konsep penjelas dalam biologi kontemporer. Terinspirasi oleh 'sikap disengaja' Dennett dalam filosofi pikiran, saya menyarankan bahwa 'sikap komputasi' dapat menjadi pendekatan yang produktif untuk mengevaluasi nilai konsep komputasi dalam biologi. Pendekatan semacam itu memungkinkan nilai ide komputasi untuk dinilai tanpa dialihkan oleh argumen tentang apakah sistem biologis tertentu 'benar-benar komputasi' atau tidak. Karena ada perbedaan kesepakatan yang cukup di antara para ilmuwan komputer tentang elemen-elemen penting yang membentuk komputasi, setiap posisi doktriner tentang penerapan ide-ide komputasi tampaknya salah arah. Terkait erat dengan konsep komputasi adalah konsep pemrosesan informasi. Memang, beberapa ilmuwan komputer berpengaruh berpendapat bahwa tidak ada perbedaan mendasar antara kedua konsep tersebut.Saya akan berargumen bahwa meskipun kurang diterima secara luas, definisi umum pemrosesan dan komputasi informasi: (1) pemrosesan informasi dan komputasi tidak sepenuhnya setara dan ada nilai dalam mempertahankan perbedaan di antara keduanya dan (2) bahwa nilai tersebut sangat jelas. dalam aplikasi pemrosesan informasi dan komputasi untuk biologi.

Artikel ini adalah bagian dari masalah tema 'Otak cair, otak padat: Bagaimana arsitektur kognitif terdistribusi memproses informasi'.

1. Pendahuluan: biologi komputasi dan komputasi biologis

Pada tahun 1960, fisikawan Eugene Wigner menerbitkan 'The Unreasonable Effectiveness of Mathematics in the Natural Sciences' yang sekarang klasik di mana ia mengeksplorasi alasan nilai matematika yang tampaknya ada di mana-mana dalam ilmu fisika [1]. Siapa pun yang akrab dengan literatur biologi saat ini mungkin berharap untuk menemukan makalah analog berjudul 'Efektifitas Komputasi yang Tidak Masuk Akal dalam Ilmu Biologi'. Sebagaimana dibuktikan oleh banyak artikel dalam edisi ini dan lainnya di seluruh literatur biologi, ide-ide komputasi dan komputasi menjadi semakin meresap dalam menggambarkan dan menjelaskan fenomena biologis.

Komputer dan komputasi telah menjadi rekan seperjalanan dengan biologi sejak komputer modern ditemukan pada abad yang lalu. Seperti dalam fisika dan sebagian besar ilmu lainnya, komputer dengan cepat menjadi alat penting untuk kontrol eksperimental dan akuisisi data, untuk analisis data, untuk pemodelan dan pengembangan teori, dan untuk komunikasi dan penerbitan (misalnya [2,3]). Bergantung pada 'komputasi' dan 'biologi' mana yang merupakan kata benda dan mana yang merupakan kata sifat, dua sub-disiplin ilmiah yang luas telah berkembang. Meskipun mereka cukup berbeda untuk dibedakan, batas-batasnya tidak jelas dan tidak mendorong upaya apa pun untuk membedakan secara kaku.

Biologi komputasi (termasuk bioinformatika) umumnya mengacu pada penggunaan teknik komputasi dalam pelayanan berbagai cabang ilmu biologi, untuk 'pemahaman dan pemodelan struktur dan proses kehidupan' (https://www.britannica.com/science/ komputasi-biologi) dan untuk 'mengembangkan algoritma atau model untuk memahami sistem dan hubungan biologis (https://en.wikipedia.org/wiki/Computational_biology). Bioinformatika berfokus pada pengembangan dan penerapan basis data informasi biologis skala besar, khususnya basis data dalam biologi molekuler di mana pendekatannya dikembangkan dengan protein dan data genetik [4].

Perhitungan biologis, sebaliknya, berfokus pada penggunaan ide-ide dari perhitungan sebagai konsep teoritis dan penjelasan dalam biologi. Dalam artikulasi paling jelas dari perspektif ini, Melanie Mitchell menyatakan:

istilah komputasi biologis mengacu pada proposal bahwa organisme hidup sendiri melakukan perhitungan, dan, lebih khusus, bahwa ide-ide abstrak informasi dan komputasi mungkin menjadi kunci untuk memahami biologi dengan cara yang lebih terpadu… [I] ini hanya studi biologi komputasi yang menanyakan, secara spesifik, jika, bagaimana, dan mengapa sistem kehidupan dapat dipandang sebagai komputasi yang fundamental di alam [5, hal. 2].

Peran komputasi dalam biologi inilah yang telah terlihat aplikasinya di mana-mana dalam beberapa tahun terakhir dan yang akan menjadi fokus makalah ini.

Baik komputasi dan pemrosesan informasi adalah ide abstrak yang awalnya dikembangkan dalam domain non-biologis, untuk tujuan selain pemahaman yang lebih baik tentang fenomena biologis. Fakta bahwa kedua rangkaian ide telah menemukan aplikasi yang berharga dalam biologi berbicara tentang sifat umum yang melekat pada mereka. Namun, masalah mendasar adalah apakah mereka *terlalu umum*. Artinya, jika setiap fenomena biologis adalah komputasi (atau, sama halnya, jika setiap fenomena biologis adalah pemrosesan informasi), maka tampaknya hanya sedikit yang diperoleh dengan penerapan konsep-konsep tersebut. Saya membedakan antara pemrosesan informasi dan komputasi dalam sistem biologis karena saya percaya ada kasus di mana kita tergoda untuk menghubungkan komputasi dengan fenomena biologis, ketika atribusi yang lebih rendah dari pemrosesan informasi (tanpa komputasi) akan sama efektifnya.

2. Definisi alternatif dari komputasi

Untuk menjawab pertanyaan 'jika, bagaimana, dan mengapa sistem biologis dapat dipandang sebagai komputasi yang fundamental di alam', seseorang memerlukan definisi 'komputasi' yang cukup jelas dan diterima secara umum, dan bagaimana konsep tersebut mirip dan berbeda dari ide-ide terkait informasi dan pemrosesan informasi. 1 Mungkin tidak mengherankan, masih ada perbedaan yang signifikan di antara para ahli ilmu komputer tentang definisi tersebut. Diskusi yang sangat baik tentang berbagai alternatif adalah simposium 'Apa itu komputasi?' yang disponsori dan diterbitkan oleh organisasi ilmu komputer dan teknik terkemuka, Association for Computing Machinery (ACM) [12].

Kontributor simposium ACM, semua ahli dalam ilmu komputer, menawarkan sejumlah definisi komputasi yang berbeda, tidak saling eksklusif tetapi menawarkan fokus dan penekanan yang berbeda.

(a) Definisi formal dari komputasi

Pertengahan tahun 1930-an adalah waktu yang luar biasa dalam sejarah komputer dan ilmu komputer. Hanya dalam beberapa tahun Gödel, Gereja dan Turing masing-masing membuat apa yang akan menjadi kontribusi kunci untuk definisi formal komputasi yang kemudian terbukti setara: fungsi rekursif (Gödel), ekspresi lamda (Gereja) dan yang paling terkenal, urutan keadaan dari sebuah mesin abstrak dengan pita dan unit kontrol ('Mesin Universal' Turing) [13-15]. Karya ini memberikan latar belakang penting untuk definisi buku teks awal tentang komputasi:

Definisi formal standar komputasi, diulang di semua buku teks utama, berasal dari ide-ide awal. Komputasi didefinisikan sebagai urutan eksekusi dari penghentian mesin Turing (atau yang setara). Urutan eksekusi adalah urutan konfigurasi total mesin, termasuk status memori dan unit kontrol. Pembatasan untuk menghentikan mesin ada karena algoritme dimaksudkan untuk mengimplementasikan fungsi: urutan eksekusi yang tidak terputus akan sesuai dengan algoritme yang mencoba menghitung nilai yang tidak ditentukan. [12]

(b) Komputasi sebagai algoritma

Algoritma adalah prosedur langkah demi langkah untuk mencapai tujuan tertentu. Hari ini istilah ini sebagian besar sering ditemui dalam konteks komputasi, tetapi definisi yang lebih umum berlaku secara luas dalam konteks lain. Resep adalah algoritma, misalnya. Mendefinisikan komputasi dalam istilah algoritma terkait erat dengan definisi formal yang baru saja dibahas, dengan penekanan khusus pada algoritma sebagai urutan langkah yang diperlukan untuk memecahkan masalah matematika tertentu atau menyelesaikan tugas yang diberikan [12].

(c) Komputasi sebagai manipulasi simbol

Perspektif ini menekankan bahwa baik masalah maupun solusinya harus dikodekan dalam bentuk simbol, bahwa setiap langkah (transisi keadaan) dalam komputasi merupakan manipulasi simbol yang mengubah satu set simbol (kumpulan masalah) menjadi yang lain (solusi set), dan bahwa banyak transformasi simbol intervensi mungkin diperlukan untuk langkah-langkah perantara [16].

(d) Komputasi sebagai proses

Seperti disebutkan dalam kutipan dari Denning di atas, masalah apakah mesin tertentu berhenti dan apakah mungkin sebelumnya untuk menentukan apakah mesin tertentu akan berhenti atau tidak ('masalah penghentian') merupakan pertimbangan penting dalam formulasi asli Turing [ 15]. Selanjutnya, sejumlah ilmuwan komputer berpendapat bahwa komputasi yang berhenti adalah perspektif yang terlalu terbatas dan bahwa banyak komputasi, seperti sistem operasi, misalnya, secara khusus dirancang TIDAK untuk berhenti tetapi untuk berjalan terus menerus. Memang, untuk sistem seperti itu, penghentian adalah laknat, bukan tanda perhitungan yang diselesaikan dengan benar! Perspektif ini telah menyebabkan proposal bahwa komputasi dipandang sebagai proses:

…program adalah deskripsi proses, komputer adalah pelaksana proses, dan proses adalah apa yang terjadi ketika komputer (atau, lebih tepatnya, prosesor—karena komputer mungkin memiliki banyak prosesor) menjalankan program [ 17].

Pandangan ini secara alami menggabungkan perhitungan non-terminasi dan non-deterministik, yang merupakan keuntungan signifikan dalam pandangan banyak orang.

(e) Komputasi digital versus analog

Dalam berbagai definisi yang dipertimbangkan sejauh ini, komputasi sebagian besar (dan seringkali secara implisit) dianggap sebagai proses diskrit atau digital (biasanya biner). Status diskrit dari mesin Turing adalah contoh yang jelas. Tapi jauh sebelum Gödel, Turing dan Gereja [13–15], banyak aplikasi dari komputasi analog, yaitu komputasi berdasarkan proses berkelanjutan, digunakan untuk memecahkan masalah rekayasa penting. Penganalisis pasang surut Lord Kelvin [18] dan penganalisis diferensial Vannevar Bush [19] adalah contoh awal, dan perkembangan selanjutnya dalam teknik elektro menghasilkan sejumlah pemecah persamaan diferensial. Haruskah contoh-contoh penting pemecahan masalah dengan mesin ini dimasukkan dalam definisi formal komputasi? Seperti yang ditanyakan Denning: 'Mengapa menyelesaikan persamaan diferensial pada superkomputer merupakan komputasi tetapi menyelesaikan persamaan yang sama dengan jaringan listrik bukanlah?' [12, hal. 6]. Dan seperti yang akan kita lihat di bawah, komputasi analog akan menjadi elemen penting dalam mempertimbangkan penerapan konsep komputasi pada biologi.

(f) Komputasi sebagai representasi dan transformasinya

Perspektif ini, yang ditawarkan oleh Denning [12] sebagai ringkasan inklusif dari banyak aspek definisi sebelumnya, menekankan pentingnya representasional peran simbol dan pengolahan atau transformasional peran operasi pada simbol dalam manipulasi simbol.

(g) Komputasi sebagai pemrosesan informasi

Melanjutkan upaya untuk memperluas definisi komputasi, Rosenbloom [20] berpendapat bahwa komputasi harus didefinisikan secara umum sebagai informasi dan transformasi informasi yang bertentangan dengan definisi lain yang menekankan proses, algoritma dan representasi. Hubungan erat antara konsep pemrosesan informasi dan komputasi ini juga terlihat dalam definisi Mitchell tentang komputasi biologis di atas, di mana pernyataan bahwa 'komputasi biologis mengacu pada usulan bahwa organisme hidup sendiri yang melakukan komputasi' diikuti segera dalam kalimat yang sama dengan ' ... lebih khusus, bahwa ide-ide abstrak informasi dan perhitungan mungkin menjadi kunci untuk memahami biologi dengan cara yang lebih terpadu' [5, hal. 2]. Jadi, apakah komputasi dan pemrosesan informasi hanyalah istilah yang berbeda untuk konsep dasar yang sama? Atau apakah mereka berbeda dalam cara yang dapat diidentifikasi dan substantif?

3. Pemrosesan dan komputasi informasi

Mungkin tidak mengherankan bahwa konsep informasi dan pemrosesan informasi, meskipun digunakan di mana-mana dalam sains kontemporer, teknik, perdagangan, dan wacana publik, juga dicirikan oleh kurangnya definisi yang jelas dan disepakati secara umum (Rocchi [21] dikumpulkan lebih dari 25 definisi dari literatur, dan itu pada tahun 2010!).

Claude Shannon, dalam makalahnya yang terkenal tahun 1948, 'A Mathematical Theory of Communication', umumnya dikreditkan sebagai bapak teori informasi (lih. [22,23]). Tapi makalah itu, dan esensi dari kontribusi Shannon [21], adalah tentang teori komunikasi sebagai teori informasi per se [24]. Shannon menekankan bahwa definisinya dalam hal sinyal yang sebenarnya ditransmisikan relatif terhadap ansambel sinyal yang dapat ditransmisikan, hanyalah salah satu dari banyak definisi yang mungkin berguna:

Kata 'informasi' telah diberikan arti yang berbeda oleh berbagai penulis di bidang umum teori informasi. […] Hampir tidak dapat diharapkan bahwa satu konsep informasi akan secara memuaskan menjelaskan berbagai kemungkinan penerapan bidang umum ini ([25], hlm. 180).

Berfokus terutama pada masalah rekayasa merancang perangkat komunikasi yang efektif, Shannon mengambil langkah radikal mendefinisikan informasi dengan cara yang benar-benar menghilangkan makna dari definisi. 'Informasi Shannon' didefinisikan tanpa memperhatikan isi atau arti dari sinyal atau alternatifnya. Pemisahan informasi dari makna, sinyal dari semantik, telah memungkinkan 'Informasi Shannon' menjadi karakterisasi informasi matematis dan ilmiah yang dominan, diterapkan secara luas tidak hanya pada masalah teknik, tetapi juga pada berbagai fenomena dalam fisika, biologi dan ilmu Sosial.

Haruskah kita membiarkan kesamaan dan terkadang tumpang tindih penggunaan pemrosesan informasi dan komputasi mendorong kita untuk memperlakukannya secara sinonim? Terlepas dari saran Rosenbloom [20] bahwa kita mendefinisikan komputasi sebagai pemrosesan informasi, saya berpendapat bahwa kedua konsep tersebut tidak identik dan bahwa ada nilai nyata dalam upaya untuk membedakan di antara keduanya, terlepas dari hubungan dekat mereka.

Hubungan sub-set/super-set yang saya yakini paling mencirikan hubungan antara pemrosesan informasi dan komputasi diilustrasikan pada gambar 1.

Gambar 1. Usulan taksonomi pemrosesan dan komputasi informasi.

Dimulai dengan 'benda fisik' yang membentuk alam semesta secara keseluruhan, setiap tingkat yang lebih rendah dalam diagram membagi tingkat sebelumnya menjadi dua bagian berbeda yang sepenuhnya mencirikan tingkat yang lebih tinggi sebelumnya.

Seluruh alam semesta dibagi menjadi hal-hal fisik yaitu Informasi Potensial dan Informasi Aktual (dan sistem yang memprosesnya). Informasi potensial hanya varians atau entropi: variabilitas dalam beberapa properti dari satu set objek. Seperti yang ditunjukkan Shannon, varians seperti itu di serangkaian objek fisik atau sinyal sangat penting untuk digunakan untuk mengirimkan informasi. Informasi sebenarnya membutuhkan, selain varians yang diperlukan di antara objek atau sinyal, demonstrasi bahwa beberapa sistem atau lainnya benar-benar menggunakan varians itu untuk mengirimkan informasi yaitu, untuk mengurangi ketidakpastian tentang masalah yang sedang dipertimbangkan.

Untuk mengambil contoh yang mungkin sepele, pola batu di lereng bukit di luar kantor saya mungkin atau mungkin bukan informasi dalam pengertian Shannon. Dalam terminologi saya, mereka jelas merupakan informasi potensial (seperti juga atom dan molekul yang membentuk batu, serta lokasi dan ketinggian bukit tempat batu berada). Tetapi apakah itu informasi aktual atau tidak tergantung pada penentuan bahwa beberapa sistem atau lainnya menggunakan batu-batu itu untuk menyampaikan informasi dalam pengertian Shannon.

Pada tingkat berikutnya ke bawah, sub-set alam semesta yaitu Sistem Informasi dan Pemrosesan Informasi Aktual pada gilirannya dibagi menjadi dua komponen lengkap: sistem non-komputasi dan sistem komputasi. Pembagian ini mengungkapkan gagasan kunci bahwa sementara semua sistem komputasi adalah sistem pemrosesan informasi, tidak semua sistem pemrosesan informasi adalah komputasi.

Definisi formal: Apakah ada aspek sistem yang memenuhi definisi formal komputasi?

algoritma: Apakah ada elemen atau properti dari sistem yang dapat dicirikan sebagai algoritmik?

Manipulasi simbol: Apakah ada bukti dalam sistem dan operasinya untuk manipulasi simbol?

Proses: Apakah ada proses atau subproses yang dapat diidentifikasi yang berkelanjutan daripada berhenti (berhenti)?

Representasi dan transformasi: Apakah aspek internal sistem mewakili aspek di luar sistem itu sendiri dan apakah aspek pengoperasian sistem merupakan transformasi dari representasi tersebut?

Sebagian besar tidak mau mengaitkan komputasi dengan mekanika planet (misalnya 'bumi menghitung orbitnya') meskipun sangat mungkin untuk menggunakan teknik komputasi untuk memodelkan dan memprediksi orbit planet dengan presisi tinggi.

Sebagian besar akan bersedia mengaitkan kemampuan komputasi dengan laptop tempat naskah ini ditulis, karena pemahaman kami bahwa baik perangkat keras yang membentuk sistem maupun perangkat lunak yang digunakan untuk memberikan instruksi ke perangkat keras memenuhi banyak kriteria yang tercantum di atas.

4. Sikap komputasi dalam biologi

Tapi bagaimana dengan kasus peralihan yang lebih menarik?

Apakah otak manusia menghitung? Jika demikian, apa dan bagaimana?

Apakah bukit semut menghitung? Apa saja simbol-simbolnya? Apa yang diwakilkan?

Apakah sekawanan burung menghitung? Jika demikian, apa algoritma dan prosesnya?

Seharusnya tidak mengejutkan bahwa semua kasus peralihan ini berasal dari biologi. Semua adalah kasus di mana satu atau lebih peneliti telah mengaitkan properti komputasi ke sistem yang bersangkutan, dengan berbagai tingkat ketegasan dalam pertimbangan apakah dan sejauh mana properti komputasi berlaku. Sementara saya percaya bahwa argumen tentang apakah sistem biologis tertentu 'benar-benar menghitung' dapat menjadi kontraproduktif, saya juga percaya bahwa menghubungkan sifat-sifat seperti itu ke sistem biologis hanya karena itu biologis tidak beralasan dan tidak produktif.

Terinspirasi oleh analisis Dennett tentang fisik, desain, dan 'pendirian' yang disengaja dalam filosofi pikiran [26,27] (lihat juga [28,29]), saya menyarankan bahwa 'pendirian komputasional' dapat menjadi pendekatan yang produktif untuk penerapan ide komputasi dalam biologi.

Apropriasi saya tentang 'sikap pendirian' agak berbeda dalam hal-hal khusus dari pendirian yang disengaja dalam filsafat pikiran. Secara khusus, ini tidak mengangkat isu-isu realisme yang dengan cepat ditawarkan oleh para kritikus Dennett (misalnya [28,30]). Namun demikian, dengan mengesampingkan argumen mendalam apa pun tentang 'realisme komputasional' (yaitu bahwa sistem biologis 'benar-benar menghitung'), saya sadar bahwa beberapa orang mungkin menganggap proposal itu sangat lemah dan pemalu sehingga tidak sepadan dengan usaha mereka.

5. Contoh biologis nyata

Untuk mengilustrasikan nilai mencoba membedakan antara fenomena biologis yang mencerminkan komputasi versus yang lain yang mencerminkan pemrosesan informasi tetapi bukan komputasi, pertimbangkan 'tarian goyangan' lebah madu yang terkenal [31].

von Frisch menunjukkan bahwa lebah madu berkomunikasi dengan pasangan sarangnya lokasi dan jarak sumber makanan yang menarik melalui tarian seperti angka delapan dengan putaran kiri dan kanan bergantian [31]. Pada akhir setiap putaran, lebah madu 'menggoyangkan' tubuhnya sedemikian rupa sehingga sudut goyangan mewakili sudut antara matahari dan arah ke sumber makanan, dan durasi goyangan mewakili jarak ke sumber makanan. .

Banyak yang akan mempertimbangkan perolehan dan penyimpanan informasi tentang sumber makanan, dan komunikasi informasi itu dengan mencari makan lebah madu, contoh klasik dari perhitungan biologis. Dalam hal kriteria untuk perhitungan yang diidentifikasi di atas, perilaku tarian dapat secara efektif digambarkan sebagai algoritmik: ada bukti yang jelas dari representasi simbolis (arah dan jarak dari sarang) dan ada proses yang dapat diidentifikasi terkait dengan komponen tarian yang berbeda.Secara keseluruhan, 'representasi dan transformasi dari representasi tersebut' Denning adalah karakterisasi yang efektif dari fenomena tarian waggle.

Sekarang perhatikan fenomena terkait yang ditunjukkan oleh lebah madu yang sama. Studi yang lebih baru [32] telah menunjukkan bahwa lebah madu lain di dalam sarang dapat campur tangan untuk menghentikan tarian goyangan jika mereka memiliki pengalaman negatif (pemangsa, misalnya) pada sumber makanan di mana tarian goyangan dilakukan. Informasi ini dikomunikasikan oleh kepala-pantat penari, yang menghentikan tarian dan perekrutan pengamat lain ke sumber makanan.

Berbeda dengan tarian waggle, komunikasi sinyal 'bahaya' atau 'berhenti' ini jauh lebih sederhana. Pada tingkat lebah madu individu yang mengeluarkan sinyal 'berhenti', tidak ada representasi simbolis arah atau jarak yang rumit, tidak ada urutan perilaku yang rumit, hanya sinyal kepala-pantat yang menyampaikan informasi tentang tempat makanan potensial. Meskipun orang pasti bisa menggambarkan fenomena sinyal 'berhenti' dalam istilah komputasi, itu cukup dijelaskan pada tingkat lebah madu individu dalam kerangka informasi dan komunikasi di Shannon, dan Shannon dan Weaver indra. Namun, pada tingkat seluruh sarang, Seeley dkk. [33] secara meyakinkan berpendapat untuk akun komputasi.

6. Kesimpulan

Mengingat fokus Edisi Khusus ini, saya tidak berhasil mengidentifikasi cara-cara di mana kriteria perhitungan dapat berkontribusi pada diskusi tentang persamaan dan perbedaan antara otak 'padat' dan 'cair'. Saya menyimpulkan bahwa perbedaan antara 'padat' dan 'cair' mencerminkan perbedaan struktural dan arsitektural—implementasi fisik yang berbeda [34]—lebih dari itu mencerminkan hubungan sistematis apa pun dengan komputasi versus pemrosesan informasi.

Tujuan saya bukan untuk mencapai penentuan berprinsip tentang apakah sistem biologis tertentu menghitung atau tidak, karena saya tidak percaya penentuan berprinsip seperti itu dapat dicapai (maka penekanan saya pada 'sikap komputasi'). Sebaliknya, ini adalah proses pemeriksaan apakah dan sejauh mana sistem biologis tersebut menunjukkan masing-masing kriteria untuk perhitungan yang saya yakini akan membantu untuk memahami dan menjelaskan operasi sistem itu. Pada akhirnya, kriteria utilitas untuk tujuan penjelas itulah yang saya yakini lebih penting daripada mencari penentuan 'apakah itu menghitung atau tidak?'.

Mungkin saja kita sering menemukan diri kita dalam posisi yang diidentifikasi oleh Frailey [17]:

Mungkin sistem biologis melakukan proses yang tidak sesuai dengan pemahaman kita tentang algoritmik, tetapi mereka menunjukkan sifat yang lebih mudah dipahami karena apa yang kita ketahui komputasi.


Perbedaan perangkat keras

Dalam pengantar Visi Biologis dan Komputer, Kreiman menulis, “Saya sangat senang menghubungkan sirkuit biologis dan komputasi. Visi biologis adalah produk dari jutaan tahun evolusi. Tidak ada alasan untuk menemukan kembali roda saat mengembangkan model komputasi. Kita bisa belajar dari bagaimana biologi memecahkan masalah penglihatan dan menggunakan solusinya sebagai inspirasi untuk membangun algoritma yang lebih baik.”

Dan memang, studi tentang korteks visual telah menjadi sumber inspirasi yang hebat untuk visi komputer dan AI. Tetapi sebelum dapat mendigitalkan visi, para ilmuwan harus mengatasi kesenjangan perangkat keras yang sangat besar antara visi biologis dan komputer. Penglihatan biologis berjalan pada jaringan sel kortikal dan neuron organik yang saling berhubungan. Visi komputer, di sisi lain, berjalan pada chip elektronik yang terdiri dari transistor.

Oleh karena itu, teori visi harus didefinisikan pada tingkat yang dapat diimplementasikan di komputer dengan cara yang sebanding dengan makhluk hidup. Kreiman menyebut ini sebagai "resolusi Goldilocks," tingkat abstraksi yang tidak terlalu detail atau terlalu disederhanakan.

Misalnya, upaya awal dalam visi komputer mencoba menangani visi komputer pada tingkat yang sangat abstrak, dengan cara yang mengabaikan bagaimana otak manusia dan hewan mengenali pola visual. Pendekatan tersebut telah terbukti sangat rapuh dan tidak efisien. Di sisi lain, mempelajari dan mensimulasikan otak pada tingkat molekuler terbukti tidak efisien secara komputasi.

"Saya bukan penggemar berat dari apa yang saya sebut 'menyalin biologi,'" kata Kreiman TechTalks. “Ada banyak aspek biologi yang bisa dan harus diabstraksikan. Kita mungkin tidak membutuhkan unit dengan 20.000 protein dan sitoplasma dan geometri dendritik yang kompleks. Itu akan menjadi terlalu banyak detail biologis. Di sisi lain, kita tidak bisa hanya mempelajari perilaku—itu tidak cukup detail.”

Di dalam Visi Biologis dan Komputer, Kreiman mendefinisikan skala Goldilocks dari sirkuit neokorteks sebagai aktivitas neuronal per milidetik. Kemajuan dalam ilmu saraf dan teknologi medis telah memungkinkan untuk mempelajari aktivitas neuron individu pada granularitas waktu milidetik.

Dan hasil penelitian tersebut telah membantu mengembangkan berbagai jenis jaringan saraf tiruan, algoritma AI yang secara longgar mensimulasikan cara kerja area kortikal otak mamalia. Dalam beberapa tahun terakhir, jaringan saraf telah terbukti menjadi algoritma yang paling efisien untuk pengenalan pola dalam data visual dan telah menjadi komponen kunci dari banyak aplikasi visi komputer.


Pembicara dan Pembicara yang Diundang

Nama Afiliasi Surel
Alla Borisyuk Universitas Utah [email protected]
Duan Chen Universitas Carolina Utara di Charlotte [email protected]
Veronica Ciocanel Institut Biosains Matematika [email protected]
Casey Diekman NJIT [email protected]
Enciso Jerman UC Irvine [email protected]
Daniel Forger Universitas Michigan pe[email protected]
Jeff Gaither Rumah Sakit Anak Nasional [email protected]
Juan Gutierrez Universitas Texas San Antonio [email protected]
Wenrui Hao Universitas Negeri Pennsylvania [email protected]
Sam Isaacson Universitas Boston [email protected]
Hye-won Kang UMBC [email protected]
Jae Kyoung Kim KAIST [email protected]
Yangjin Kim Universitas Konkuk [email protected]
Adrian Lam Universitas Negeri Ohio [email protected]
Sean Lawley Universitas Utah [email protected]
Bo Li Universitas California San Diego [email protected]
Tie-Jun Li Universitas Peking [email protected]
Sookkyung Lim Universitas Cincinnati [email protected]
Yoichiro Mori universitas Pennsylvania [email protected]
Jay Newby Universitas Alberta [email protected]
Qing Nie Universitas California, Irvine [email protected]
David Rand Universitas Warwick [email protected]
Alexandria Volkening Universitas Northwestern [email protected]
Martin Wechselberger Universitas Sydney [email protected]

Alla Borisyuk (Univ. Utah): Pengaruh Astrosit di Jaringan Saraf

Astrosit adalah sel glial yang menyusun 50% volume otak, dan memainkan banyak peran penting, mis. kontrol transmisi sinaptik. Kami sedang mengembangkan alat untuk memasukkan astrosit "efektif" dalam model jaringan saraf dengan cara yang mudah diterapkan, dan relatif efisien secara komputasi. Dalam pendekatan kami, pertama-tama kami mempertimbangkan interaksi neuron-astrosit pada skala spasial yang baik, dan kemudian mengekstraksi cara-cara penting di mana jaringan dipengaruhi oleh keberadaan astrosit.

Misalnya, kekencangan pembungkus astrosit (atau "tingkat pelekatan") dan jumlah sinapsis yang terbungkus bervariasi menurut wilayah otak dan pada keadaan penyakit tertentu seperti beberapa bentuk epilepsi. Apakah perubahan sifat pelekatan berkontribusi pada keadaan jaringan yang sakit atau, sebaliknya, memainkan peran protektif?

Untuk menjawab pertanyaan ini, pertama-tama, kami mempertimbangkan sinapsis individu sebagai model DiRT (Diffusion with Recharging Traps): partikel yang menyebar dapat lolos melalui penyerapan bagian batas, atau dapat ditangkap oleh perangkap pada batas. Kami menunjukkan bahwa sinapsis yang diselubungi oleh astrosit membuat koneksi saraf lebih cepat, lebih lemah, dan kurang dapat diandalkan. Pengaruh ini kemudian dapat dimasukkan dalam model jaringan saraf dengan menambahkan astrosit "efektif" yang disederhanakan pada setiap sinaps. Kami menemukan bahwa tergantung pada jumlah sinapsis yang terbungkus, dan kekuatan selubung, astrosit mampu mendorong jaringan untuk sinkron dan menunjukkan pola spasial yang kuat, mungkin berkontribusi pada gangguan epilepsi.

Duan Chen (Univ. Carolina Utara di Charlotte): Algoritma kompresi stokastik cepat untuk Analisis Data Biologis

Pekerjaan kami baru-baru ini dimotivasi oleh dua jenis masalah biologis. Salah satunya adalah menyimpulkan struktur 3D kromatin berdasarkan penangkapan konformasi kromosom (3C), seperti Hi-C, yang merupakan teknik sekuensing throughput tinggi yang menghasilkan jutaan data kontak antara pasangan lokus genom. Masalah lainnya adalah dekonvolusi komputasi data ekspresi gen dari sampel otak yang heterogen, untuk mengekstraksi informasi spesifik tipe sel untuk pasien dengan Penyakit Alzheimer (AD). Kedua masalah melibatkan volume data yang besar, sehingga algoritma cepat sangat diperlukan baik dalam optimasi langsung atau metode pembelajaran mesin. Pendekatan sentral adalah pendekatan matriks tingkat rendah. Metode dekomposisi matriks konvensional seperti SVD, QR, dll, mahal, sehingga tidak cocok untuk implementasi berulang dalam masalah biologis ini. Sebagai gantinya, kami mengembangkan kompresi matriks stokastik cepat berdasarkan teori aljabar linier numerik acak (RNLA). Dalam pembicaraan ini, kami akan menekankan pada algoritma kompresi matriks kernel stokastik yang baru dikembangkan. Dalam algoritma ini, sampel diambil tanpa biaya (atau rendah) dan matriks kernel asli direkonstruksi secara efisien dengan akurasi yang diinginkan. Proses penyimpanan dan kompresi hanya pada kompleksitas O(N) atau O(NlogN). Kompresi matriks stokastik ini dapat digunakan untuk masalah biologis yang disebutkan di atas untuk sangat meningkatkan efisiensi algoritma, mereka juga dapat diterapkan pada algoritma pembelajaran mesin berbasis kernel lainnya untuk masalah komputasi ilmiah dengan interaksi non-lokal (seperti persamaan diferensial fraksional), karena tidak ada formulasi analitik dari fungsi kernel yang diperlukan dalam algoritme kami.

Veronica Ciocanel (Mathematical Biosciences Institute): Pemodelan komputasi dan analisis data topologi untuk saluran cincin biologis

Cincin kontraktil adalah struktur seluler yang terbuat dari filamen aktin yang penting dalam perkembangan, penyembuhan luka, dan pembelahan sel. Dalam sistem reproduksi cacing gelang C. elegan, saluran cincin memungkinkan pertukaran nutrisi antara sel telur yang sedang berkembang dan cacing dan diatur oleh kekuatan yang diberikan oleh protein motorik miosin.

Dalam karya ini, kami menggunakan pemodelan berbasis agen dan kerangka analisis data untuk interaksi antara filamen aktin dan protein motor miosin di dalam sel. Pendekatan ini dapat memberikan wawasan kunci untuk perbedaan mekanistik antara dua motor yang diyakini mempertahankan cincin pada diameter konstan. Secara khusus, kami mengusulkan alat dari analisis data topologi untuk memahami data deret waktu dari interaksi jaringan berserabut. Metode yang kami usulkan dengan jelas mengungkapkan dampak parameter tertentu pada pembentukan lingkaran topologi yang signifikan, sehingga memberikan wawasan tentang pembentukan dan pemeliharaan saluran cincin.

Casey Diekman (NJIT): Metode Asimilasi Data untuk Pemodelan Neuronal Berbasis Konduktansi

Teknik asimilasi data (DA) modern banyak digunakan dalam ilmu iklim dan prediksi cuaca tetapi baru belakangan ini mulai diterapkan dalam ilmu saraf. Dalam pembicaraan ini saya akan mengilustrasikan penggunaan algoritma DA untuk memperkirakan variabel yang tidak teramati dan parameter yang tidak diketahui dari model neuron berbasis konduktansi dan mengusulkan struktur bifurkasi model yang disimpulkan sebagai ukuran kualitatif keberhasilan estimasi. Saya kemudian akan menerapkan DA ke rekaman elektrofisiologis dari neuron nukleus suprachiasmatic untuk mengembangkan model yang memberikan wawasan tentang fungsi jam sirkadian mamalia. Akhirnya, saya akan membingkai pemilihan bentuk gelombang stimulus untuk disuntikkan ke dalam neuron selama perekaman patch-clamp sebagai masalah desain eksperimental yang optimal dan menyajikan hasil awal pada bentuk gelombang stimulus yang optimal untuk meningkatkan pengidentifikasian parameter untuk model tipe Hodgkin-Huxley.

Enciso Jerman (UC Irvine): Pengontrol ketahanan konsentrasi absolut untuk sistem jaringan reaksi kimia stokastik

Dalam karya ini, kami menyediakan kontrol sistematis dari jaringan reaksi biokimia tertentu melalui modul kontrol yang bereaksi dengan sistem jaringan yang ada. Modul kontrol ini dirancang untuk memberikan apa yang disebut ketahanan konsentrasi absolut (ACR) kepada spesies target dalam sistem jaringan terkontrol. Kami menunjukkan bahwa ketika sistem jaringan deterministik dikendalikan dengan pengontrol ACR, konsentrasi spesies yang diinginkan memiliki keadaan tunak pada nilai yang diinginkan untuk jumlah awal apa pun, dan konvergen ke nilai di bawah beberapa kondisi ringan. Untuk rekanan stokastik dari sistem jaringan reaksi, kami selanjutnya menunjukkan bahwa ketika kelimpahan spesies kontrol cukup tinggi, pengontrol ACR dapat digunakan untuk membuat spesies target kira-kira mengikuti distribusi Poisson yang berpusat pada nilai yang diinginkan. Untuk kerangka ini, kami menggunakan teorema defisiensi nol (Anderson et al, 2010) dalam teori jaringan reaksi kimia dan metode reduksi model multiscaling. Modul kontrol ini juga membawa adaptasi sempurna yang kuat, yang merupakan tujuan yang sangat diinginkan dari teori kontrol, untuk spesies target terhadap gangguan sementara dan ketidakpastian dalam parameter model.

Daniel Forger (Univ. Michigan): Matematika dari revolusi yang dapat dikenakan

Jutaan orang Amerika melacak langkah, detak jantung, dan sinyal fisiologis lainnya melalui perangkat yang dapat dikenakan. Skala data ini belum pernah terjadi sebelumnya Saya akan menjelaskan beberapa studi kami yang sedang berlangsung yang masing-masing mengumpulkan data perangkat yang dapat dikenakan dan seluler dari ribuan pengguna, bahkan di > 100 negara. Data ini sangat bising sehingga sering kali tampak tidak dapat digunakan. Sangat membutuhkan teknik matematika baru untuk mengekstrak sinyal kunci yang dapat digunakan dalam pemodelan matematika (ode) yang biasanya dilakukan dalam biologi matematika. Saya akan menjelaskan beberapa teknik yang telah kami kembangkan untuk menganalisis data ini dan mensimulasikan model termasuk celah kuadrat terkecil yang diortogonalisasi, ansatz baru untuk osilator berpasangan yang mirip dengan ansatz populer oleh Ott dan Antonsen, tetapi memberikan kesesuaian yang lebih baik untuk data biologis dan yang baru Filter Kalman level-set yang dapat digunakan untuk mensimulasikan kepadatan populasi. Saya juga akan menjelaskan bagaimana metode ini dapat digunakan untuk memahami dampak jarak sosial dan penguncian COVID pada ketepatan waktu sirkadian dan tidur.

Jeffrey Gaither (Rumah Sakit Anak Nasional): SNPDogg: Fitur-penting dalam identifikasi SNP missense berbahaya

Beberapa tahun terakhir telah melihat ledakan dalam penggunaan algoritma pembelajaran mesin untuk mengklasifikasikan mutasi manusia. Sekarang ada setidaknya 30 skor yang dirancang untuk mengidentifikasi mutasi yang kemungkinan besar akan merugikan manusia, tetapi hampir semuanya adalah "kotak hitam" yang tidak memberikan penjelasan tentang bagaimana mereka sampai pada prediksi mereka. Dalam pembicaraan ini saya akan memperkenalkan skor patogenisitas mutasi baru, SNPDogg, yang transparan, sejauh setiap prediksi dapat diuraikan sebagai jumlah kontribusi dari fitur model. Nilai fitur-penting SNPDogg dihitung melalui pendekatan teori permainan yang diimplementasikan dalam paket python "shap".

Juan B. Gutierrez (Univ. Texas San Antonio): Menyelidiki Dampak Pembawa Tanpa Gejala pada Penularan COVID-19

Penulis:
Jacob B Aguilar, PhD, Universitas Saint Leo.
Jeremy Samuel Faust, MD, Brigham dan Rumah Sakit Wanita
Lauren M. Westafer, MD, Universitas Massachusetts, Sekolah Kedokteran-Baystate
Juan B. Gutierrez, PhD, Universitas Texas di San Antonio

Pada saat-saat kritis ketika matematika dapat bersinar dan memberikan jawaban yang tidak terduga. Penyakit Coronavirus 2019 (COVID-19) adalah penyakit pernapasan manusia baru yang disebabkan oleh virus SARS-CoV-2. Pembawa virus tanpa gejala tidak menunjukkan gejala klinis tetapi diketahui menular. Bukti terbaru mengungkapkan bahwa sub-populasi ini, serta orang-orang dengan ringan, merupakan kontributor utama dalam penyebaran COVID-19. Sub-populasi tanpa gejala sering lolos dari deteksi oleh sistem surveilans kesehatan masyarakat. Karena itu, perkiraan jumlah reproduksi dasar (Ro) virus yang diterima saat ini terlalu rendah. Dalam pembicaraan ini, kami menyajikan model matematika terkotak tradisional dengan mempertimbangkan pembawa asimtomatik, dan menghitung Ro dengan tepat. Hasil kami menunjukkan bahwa nilai awal bilangan reproduksi efektif dapat berkisar dari 5,5 hingga 25,4, dengan perkiraan titik 15,4, dengan asumsi parameter rata-rata. Tidak mungkin patogen dapat menyelimuti planet ini dalam tiga bulan dengan Ro di sekitar 3, seperti yang dilaporkan dalam literatur pada kenyataannya, tidak ada penjelasan masuk akal lain yang ditawarkan untuk profesi cepat penyakit ini. Model ini digunakan untuk memperkirakan jumlah kasus di setiap daerah di Amerika Serikat.

Wenrui Hao (Universitas Negeri Penn): Metode homotopi untuk memecahkan sistem nonlinier yang muncul dari biologi

Banyak sistem nonlinier yang muncul dari biologi seperti pembentukan pola persamaan diferensial nonlinier dan pemodelan berbasis data dengan menggunakan jaringan saraf. Dalam pembicaraan ini, saya akan menyajikan metode homotopi sistematis untuk menyelesaikan sistem nonlinier ini dalam biologi. Secara khusus, saya akan memperkenalkan teknik kelanjutan homotopi untuk menghitung beberapa keadaan tunak dari persamaan diferensial nonlinier dan juga untuk mengeksplorasi hubungan antara jumlah keadaan tunak dan parameter. Dua masalah patokan akan digunakan untuk menggambarkan ide tersebut, yang pertama adalah model Schnakenberg yang telah digunakan untuk menggambarkan pembentukan pola biologis karena ketidakstabilan yang didorong oleh difusi. Yang kedua adalah model Gray-Scott yang diusulkan pada 1980-an untuk menggambarkan reaksi glikolisis autokatalitik. Kemudian saya juga akan memperkenalkan algoritma pelatihan homotopi untuk memecahkan masalah optimasi nonlinier dari pemodelan berbasis data biologis melalui pembangunan jaringan saraf secara adaptif. Contoh penilaian risiko kardiovaskular dengan data gelombang nadi akan digunakan untuk menunjukkan efisiensi algoritme pelatihan homotopi.

Samuel Isaacson (Universitas Boston): Inaktivasi sinyal intraseluler yang kuat menghasilkan pensinyalan yang lebih tajam dan lebih kuat dari membran sel ke nukleus

Agar sinyal kimia dapat menyebar melintasi sel, ia harus menavigasi lingkungan yang berliku-liku yang melibatkan berbagai penghalang organel. Dalam karya ini kami mempelajari model matematika untuk sinyal kimia dasar, waktu kedatangan di membran inti protein yang diaktifkan pada membran sel dan berdifusi ke seluruh sitosol. Permukaan organel dalam sel B manusia direkonstruksi dari gambar tomografi sinar-X yang lembut, dan dimodelkan sebagai penghalang yang mencerminkan difusi molekul.Kami menunjukkan bahwa inaktivasi sinyal mempertajam sinyal, mengurangi variabilitas dalam waktu kedatangan di membran nuklir. Inaktivasi juga dapat mengkompensasi perlambatan yang diamati dalam propagasi sinyal yang disebabkan oleh adanya hambatan organel, yang mengarah ke waktu kedatangan di membran nuklir yang sebanding dengan model di mana sitosol diperlakukan sebagai wilayah terbuka dan kosong. Dalam batas inaktivasi sinyal yang kuat ini dicapai dengan menyaring molekul yang melintasi jalur non-geodesik.

Hye Won Kang (UMBC): Model stokastik untuk pengelompokan enzim dalam metabolisme glukosa

Serangkaian enzim metabolik secara ketat mengatur glikolisis dan glukoneogenesis. Telah dihipotesiskan bahwa enzim-enzim ini membentuk kompleks multienzim dan mengatur fluks glukosa. Dalam karya sebelumnya, diidentifikasi bahwa beberapa enzim pembatas laju membentuk kompleks multienzim dan mengontrol arah fluks glukosa antara metabolisme energi dan biosintesis blok bangunan. Sebuah studi baru-baru ini memperkenalkan model matematika untuk mendukung temuan ini, di mana asosiasi enzim pembatas laju ke dalam kompleks multienzim disertakan. Namun, model ini tidak sepenuhnya memperhitungkan pergerakan dinamis dan acak dari kelompok enzim, seperti yang diamati dalam percobaan.

Dalam pembicaraan ini, saya akan memperkenalkan model stokastik untuk pengelompokan enzim dalam metabolisme glukosa. Model ini akan menjelaskan kinetika enzim dan organisasi spasial kompleks enzim metabolik. Kemudian, saya akan membahas asumsi model yang mendasari dan metode aproksimasi.

Jae Kyoung Kim (KAIST): Analisis data deret waktu dengan komponen tersembunyi

Meskipun kemajuan dramatis dalam teknik eksperimental, banyak aspek dinamika intraseluler tetap tersembunyi, atau hanya dapat diukur secara tidak langsung. Dalam pembicaraan ini, saya akan menjelaskan tiga strategi untuk menganalisis data deret waktu dari sistem biologis dengan bagian tersembunyi: penggantian komponen tersembunyi dengan penundaan waktu, keadaan-tetap atau proses pengaturan acak. Kemudian, saya akan mengilustrasikan bagaimana penyederhanaan dengan waktu tunda dapat digunakan untuk memahami proses sintesis protein, yang melibatkan beberapa langkah seperti transkripsi, translasi, pelipatan dan pematangan, tetapi biasanya protein intermedietnya tidak dapat diukur. Selanjutnya, saya akan mengilustrasikan bagaimana penyederhanaan dengan quasi-steady-state dapat digunakan untuk mengembangkan metode yang akurat untuk memperkirakan pembersihan obat, yang terjadi dalam beberapa langkah metabolisme, yang sangat meningkatkan pendekatan kanonik yang digunakan di lebih dari 65.000 makalah yang diterbitkan untuk 30 tahun terakhir. Akhirnya, saya akan menjelaskan pendekatan pemilihan pemodelan sistematis untuk mengidentifikasi koneksi biokimia regulasi tersembunyi yang mengarah ke data deret waktu yang diamati. Kemudian, saya akan mengilustrasikan bagaimana kami menerapkan pendekatan untuk menemukan hubungan antara jam sirkadian dan pos pemeriksaan siklus sel.

Yangjin Kim (Universitas Konkuk): Infiltrasi seluler, pensinyalan intra dan antar sel, dan mekanika sel dalam biologi tumor: pendekatan multi-skala hibrida

Sel tumor berinteraksi dengan banyak pemain seperti sel stroma (fibroblas, miofibroblas), sel imun (neutrofil N1/N2, makrofag M1/M2, sel NK, sel T), dan matriks ekstraseluler (ECM) dalam lingkungan mikro tumor untuk meningkatkan tingkat kelangsungan hidup dalam menanggapi beberapa tantangan biomekanik dan biokimia. Cukup sering, sel tumor ini bertukar molekul pengatur utama dengan sel lain dan menggunakan jalur sinyal intraseluler untuk regulasi keputusan seluler seperti motilitas sel, proliferasi, apoptosis, dan nekroptosis setelah pengikatan reseptor. Misalnya, astrosit mirip sel punca dan mikroglia M1/M2 berkomunikasi dengan sel glioma untuk mengatur pertumbuhan tumor dan dispersi seluler setelah reseksi bedah inti tumor primer, dan salah satu komponen ECM utama di otak, CSPG, terbukti memainkan peran kunci. peran dalam regulasi penahan sel glioma invasif. Kami mengembangkan model multi-skala hibrida dinamika kanker di mana komponen intraseluler (ODE), molekul difusibel (PDE), dan sel individu terintegrasi dalam domain hibrida. Kami menunjukkan bagaimana regulasi naik atau turun komponen dalam jalur ini dalam sel kanker memengaruhi keputusan seluler utama untuk menyusup atau berkembang biak dengan berinteraksi dengan banyak pemain di lingkungan mikro yang kompleks. Kami mengambil beberapa contoh pada glioblastoma (kanker otak) sebelum dan sesudah operasi, kanker payudara, dan sel tumor sirkulasi metastatik (CTC).

Sean Lawley (Univ. Utah): Waktu Difusi Lintasan Pertama yang Ekstrim

Mengapa 300 juta sel sperma mencari oosit dalam pembuahan manusia padahal hanya satu sel sperma yang diperlukan? Mengapa 1000 ion kalsium memasuki tulang belakang dendritik ketika hanya dua ion yang diperlukan untuk mengaktifkan reseptor Ryanodine yang relevan? Redundansi yang tampak dalam ini dan banyak sistem biologis lainnya dapat dipahami dalam istilah teori waktu perjalanan pertama yang ekstrem (FPT).

Sementara teori FPT sering digunakan untuk memperkirakan rentang waktu dalam biologi, sebagian besar studi berfokus pada waktu yang dibutuhkan seorang pencari tunggal untuk menemukan target. Namun, dalam banyak skenario, skala waktu yang lebih relevan adalah FPT dari pencari pertama yang menemukan target dari sekelompok besar pencari. Apa yang disebut FPT ekstrim ini bergantung pada kejadian langka dan sering kali lebih cepat daripada FPT dari pencari tunggal tertentu. Dalam pembicaraan ini, kami akan menjelaskan hasil terbaru dalam teori FPT ekstrem dan menunjukkan bagaimana mereka memodifikasi gagasan tradisional tentang rentang waktu difusi.

King-Yeung Lam (Universitas Negeri Ohio): PDE dalam Evolusi Penyebaran

Dimulai dengan karya Alan Hastings pada tahun 1983, model PDE telah memainkan peran utama dalam studi matematika evolusi penyebaran. Dalam pembicaraan ini, saya akan membahas dua kelas model PDE yang berasal dari evolusi penyebaran. Pada bagian pertama, saya akan membahas ada/tidaknya strategi evolusioner stabil (ESS) dalam model kompetisi dua spesies, yang dimotivasi oleh pendekatan dinamika adaptif. Pada bagian kedua, saya akan memperkenalkan kelas model baru yang menggambarkan populasi yang terstruktur oleh sifat kuantitatif, yang menggambarkan persaingan spesies dalam jumlah tak terbatas dalam arti tertentu. Kami menunjukkan konvergensi ke ESS dalam model sifat kuantitatif ini, dan menjelaskan bagaimana itu terhubung ke kerangka dinamika adaptif yang disebutkan di atas. Pembicaraan ini berisi proyek-proyek yang bekerja sama dengan R.S. Cantrell, C. Cosner, M. Golubitsky, W. Hao, B. Perthame, Y. Lou, dan F. Lutscher.

Bo Li (Univ. California San Diego): Dinamika Spaiotemporal Pertumbuhan Koloni Bakteri dengan Interaksi Mekanik Sel-Sel

Pertumbuhan koloni bakteri menunjukkan pola kompleks yang mencolok dan hukum penskalaan yang kuat. Memahami prinsip-prinsip yang mendasari pertumbuhan tersebut memiliki konsekuensi yang luas dalam ilmu biologi dan kesehatan. Dalam karya ini, kami mengembangkan teori mekanik interaksi sel-sel dan sel-lingkungan dan membangun model komputasi tiga dimensi hibrida untuk pertumbuhan koloni E. coli pada permukaan agar-agar yang keras. Model kami terdiri dari deskripsi mikroskopis pertumbuhan, pembelahan, dan pergerakan sel individu, dan persamaan difusi makroskopik untuk nutrisi. Pergerakan sel didorong oleh interaksi mekanis seluler. Simulasi dan analisis skala besar kami memprediksi pertumbuhan linier koloni dalam arah radial dan vertikal sesuai dengan pengamatan eksperimental. Kami menemukan bahwa tekuk mekanis dan penetrasi nutrisi adalah faktor kunci dalam menentukan penskalaan pertumbuhan yang mendasarinya. Pekerjaan ini adalah langkah pertama menuju pemodelan komputasi rinci pertumbuhan bakteri dengan interaksi mekanik dan biokimia. Ini adalah kerja sama dengan Mya Warren, Hui Sun, Yue Yan, Jonas Cremer, dan Terence Hwa.

Tiejun Li (Universitas Peking): Inferensi jaringan diferensial melalui kehilangan jejak-D yang menyatu dengan variabel silang

Mendeteksi perubahan jaringan interaksi biologis sangat penting dalam penelitian biologi dan medis. Kami mengusulkan fungsi kerugian sederhana, bernama CrossFDTL, untuk mengidentifikasi perubahan jaringan atau jaringan diferensial dengan memperkirakan perbedaan antara dua matriks presisi di bawah asumsi Gaussian. CrossFDTL adalah perpaduan alami dari kehilangan jejak-D untuk dua jaringan yang dipertimbangkan dengan menerapkan penalti l1 ke matriks diferensial untuk memastikan sparitas. Poin kunci dari metode kami adalah menggunakan variabel silang, yang sesuai dengan jumlah dan selisih dua matriks presisi alih-alih menggunakan bentuk aslinya. Selain itu, kami mengembangkan algoritme minimalisasi yang efisien untuk fungsi kerugian yang diusulkan dan selanjutnya membuktikan konvergensinya secara ketat. Hasil numerik menunjukkan bahwa metode kami mengungguli metode yang ada dalam akurasi dan kecepatan konvergensi untuk data simulasi dan nyata.

Sookkyung Lim (Univ. Cincinnati): Bagaimana cara bakteri berenang? Pemodelan, Simulasi & Analisis

Bakteri berenang dengan flagela heliks adalah perenang mikro yang bergerak sendiri di alam, dan strategi berenang bakteri tersebut bervariasi tergantung pada jumlah flagela dan di mana flagela diposisikan pada badan sel. Dalam pembicaraan ini, saya akan memperkenalkan dua mikroorganisme, multi-flagel E. coli dan berflagel tunggal Vibrio A. Kami menggambarkan badan sel berbentuk batang sebagai benda kaku yang dapat menerjemahkan dan memutar, dan setiap flagel heliks sebagai batang elastis menggunakan teori batang Kirchhoff. Interaksi hidrodinamik bakteri dijelaskan oleh formulasi Stokeslet teratur. Dalam pembicaraan ini, saya akan fokus pada bagaimana bakteri dapat berenang dan mengarahkan kembali arah renang mereka untuk bertahan hidup dan bagaimana Matematika dapat membantu untuk memahami mekanisme berenang dari bakteri tersebut.

Yoichiro Mori (Univ. Pennsylvania): Ketidakstabilan depan planar dari Persamaan Allen-Cahn Bidomain

Model bidomain adalah model standar yang menggambarkan aktivitas listrik jantung. Kami membahas stabilitas solusi depan planar dari persamaan bidomain dengan nonlinier bistable (persamaan Allen-Cahn bidomain) dalam dua dimensi spasial. Dalam persamaan Allen-Cahn bidomain, operator pengali Fourier yang simbolnya adalah fungsi rasional homogen positif derajat dua (operator bidomain) menggantikan Laplacian dalam persamaan Allen-Cahn klasik. Stabilitas front planar mungkin tergantung pada arah propagasi mengingat sifat anisotropik dari operator bidomain. Kami menetapkan berbagai kriteria untuk stabilitas dan ketidakstabilan front planar di setiap arah propagasi. Analisis kami mengungkapkan bahwa front planar dapat menjadi tidak stabil dalam persamaan Allen-Cahn bidomain yang sangat kontras dengan persamaan Allen-Cahn klasik atau anisotropik. Kami mengidentifikasi dua jenis ketidakstabilan, satu sehubungan dengan gangguan panjang gelombang panjang, yang lain sehubungan dengan gangguan panjang gelombang menengah. Menariknya, apakah bagian depan stabil atau tidak stabil di bawah gangguan panjang gelombang panjang tidak bergantung pada nonlinier bistabil dan sepenuhnya ditentukan oleh sifat konveksitas dari diagram Frank yang ditentukan dengan tepat. Di sisi lain, stabilitas di bawah gangguan panjang gelombang menengah tidak bergantung pada pilihan nonlinier bistable. Ketidakstabilan panjang gelombang menengah dapat terjadi bahkan ketika diagram Frank cembung, selama operator bidomain tidak tereduksi menjadi Laplacian. Kami juga akan memberikan contoh yang luar biasa di mana bagian depan planar tidak stabil ke segala arah. Jika waktu memungkinkan, saya juga akan membahas sifat-sifat persamaan bidomain FitzHugh Nagumo. Ini adalah kerja sama dengan Hiroshi Matano, Mitsunori Nara dan Koya Sakakibara.

Jay Newby (Univ. Alberta) Menyelesaikan heterogenitas spasial sitoplasma dalam sel hidup

Meskipun menjadi salah satu struktur sel fundamental, kita hanya tahu sedikit tentang sitosol. Sifat fisiknya sulit diukur karena tantangan teknis: sarana untuk mengatasi viskositas, elastisitas, aliran, kepadatan, dan kurungan di dalam sel yang berfluktuasi dan tumbuh secara spasial. Perubahan crowding makromolekul dapat secara langsung mempengaruhi difusi protein, laju reaksi, dan pemisahan fase. Saya akan membahas alat pelacak partikel baru dan bagaimana kami menggunakannya untuk mengukur secara kuantitatif keadaan fisik sitosol dengan mempelajari gerakan stokastik tiga dimensi dari nanopartikel fluoresen (GEM) yang diekspresikan secara genetik. Menggunakan probe partikel ini, kami menemukan bahwa sifat fisik sitosol bervariasi secara signifikan di dalam dan di antara sel, menunjukkan bahwa keadaan dasar sitosol adalah sumber utama heterogenitas dalam sel yang identik secara genetik.

Qing Nie (Univ. California, Irvine): Inferensi multiskala dan pemodelan nasib sel melalui data sel tunggal

Sel membuat keputusan nasib sebagai respons terhadap rangsangan lingkungan dan patologis yang dinamis serta komunikasi sel ke sel. Terobosan teknologi terbaru telah memungkinkan untuk mengumpulkan data dalam jumlah yang sebelumnya tidak terpikirkan pada tingkat sel tunggal, mulai menunjukkan bahwa keputusan nasib sel jauh lebih kompleks, dinamis, dan stokastik daripada yang diketahui sebelumnya. Interaksi multiskala, terkadang melalui komunikasi sel-sel, memainkan peran penting dalam pengambilan keputusan sel. Membedah dinamika seluler yang muncul dari skala molekuler dan genomik dalam sel tunggal menuntut alat komputasi baru dan model multiskala. Dalam pembicaraan ini, melalui beberapa contoh biologis, kami akan mempresentasikan upaya terbaru kami di pusat untuk menggunakan data RNA-seq sel tunggal dan data pencitraan spasial untuk mengungkap wawasan baru dalam pengembangan, regenerasi, dan kanker. Kami juga akan menyajikan beberapa alat komputasi baru dan metode pemodelan matematika yang diperlukan untuk mempelajari proses nasib sel yang kompleks dan dinamis melalui lensa sel tunggal.

David Rand (Univ. Warwick): TimeTeller: Alat Baru untuk Pengobatan Sirkadian Presisi dan Prognosis Kanker

Penelitian terbaru menunjukkan bahwa jam sirkadian memiliki efek yang jauh lebih besar pada kesehatan manusia daripada yang diperkirakan sebelumnya. Saya akan menyajikan pendekatan pembelajaran mesin untuk mengukur fungsionalitas jam sirkadian dari tingkat ekspresi gen kunci dalam sampel jaringan tunggal dan kemudian menerapkan ini untuk mempelajari kelangsungan hidup dalam jejak klinis kanker payudara.

Tujuan utama dari pengobatan sirkadian adalah untuk mengembangkan teknik dan metode untuk mengintegrasikan relevansi waktu biologis ke dalam praktik klinis. Namun, sulit untuk memantau keadaan fungsional jam sirkadian dan target hilirnya pada manusia. Akibatnya, ada kebutuhan kritis akan alat untuk melakukan hal ini yang praktis dalam konteks klinis dan pendekatan kami menangani hal ini. Kami menerapkan algoritme kami untuk kanker payudara dan menunjukkan bahwa dalam kohort besar pasien dengan kanker payudara non-metastasis, metrik disfungsi yang dihasilkan merupakan faktor prognostik untuk bertahan hidup yang memberikan bukti bahwa itu tidak tergantung pada faktor lain yang diketahui. Sementara pekerjaan sebelumnya di bidang ini difokuskan pada gen individu, pendekatan kami secara langsung menilai fungsionalitas sistemik dari sistem pengaturan utama, jam sirkadian, dari satu sampel.

Alexandria Volkening (Universitas Barat Laut): Pemodelan dan analisis dinamika berbasis agen

Dinamika berbasis agen muncul di seluruh aplikasi dunia alam dan sosial termasuk swarming dan berkelompok, gerakan kerumunan pejalan kaki, dan self-organization sel selama perkembangan awal organisme. Meskipun berbeda dalam penerapannya, banyak dari pola yang muncul dan dinamika kolektif ini memiliki fitur yang serupa (misalnya komunikasi jarak jauh, kebisingan, fluktuasi ukuran populasi, dan berbagai jenis agen) dan menghadapi beberapa tantangan pemodelan dan analisis yang sama. Dalam pembicaraan ini, saya akan fokus pada contoh interaksi sel pigmen selama pembentukan pola ikan zebra untuk mengilustrasikan berbagai cara memodelkan perilaku agen. Kami akan membahas bagaimana model berbasis agen terkait dengan pendekatan lain (misalnya, otomat seluler dan model kontinum) dan menyoroti metode untuk menganalisis dinamika berbasis sel menggunakan teknik topologi.

Martin Wechselberger (Univ. Sydney): Teori gangguan singular geometris di luar bentuk standar

Dalam pembicaraan ini saya akan meninjau teori gangguan singular geometrik, tetapi dengan twist— saya fokus pada pengaturan teori yang tidak bergantung pada koordinat. Kebutuhan akan teori seperti itu di luar bentuk standar dimotivasi dengan melihat reaksi biokimia, model osilator elektronik dan mekanik yang menunjukkan perilaku tipe relaksasi. Sementara model yang sesuai menggabungkan proses lambat dan cepat yang mengarah ke beberapa dinamika skala waktu, tidak semua model ini mengambil bentuk sistem lambat-cepat standar secara global. Jadi dari sudut pandang aplikasi, diinginkan untuk menyediakan alat untuk menganalisis sistem yang terganggu secara tunggal dengan cara yang tidak bergantung pada koordinat.

Padi Fuster Aguilera (Universitas Tulane): Model PDE untuk kemotaksis dengan sensitivitas logaritmik dan pertumbuhan logistik

Kami mempelajari model tertentu yang berasal dari model kemotaksis dengan sensitivitas logaritmik dan pertumbuhan logistik. Kami memperoleh keberadaan dan keunikan solusi serta hasil untuk difusi batas solusi dengan kondisi batas Neumann.

Yonatan Ashenafi (Institut Politeknik Rensselaer): Sifat Mobilitas Statistik Koloni Choanoflagellata

Kami mempelajari hidrodinamika stokastik dari agregat random walker (ARWs) yang dicirikan oleh organisme yang disebut Choanoflagellata. Tujuannya adalah untuk menghubungkan dinamika skala sel dengan dinamika skala koloni untuk roset dan rantai Choanoflagellata. Kami menggunakan sintesis proses stokastik autoregresif linier untuk menjelaskan dinamika statistik yang efektif dari koloni Choanoflagellata dalam hal parameter koloni. Kami memodelkan dan mengkarakterisasi reaksi kemotaktik non-linier dari agregat ke gradien kimia lokal dalam hal parameter koloni.

Hari Judy (Unv. dari Tennessee): Pemodelan infeksi antraks inhalasi: perjalanan penelitian

Dari pekerjaan yang dimulai di Institut Biosains Matematika, model matematika diterbitkan pada tahun 2011 yang menyelidiki respon imun terhadap infeksi antraks inhalasi. Publikasi itu mengarah pada kolaborasi dengan Badan Perlindungan Lingkungan AS yang berkembang menjadi upaya Kelompok Kerja Investigasi yang didukung oleh Institut Nasional untuk Sintesis Matematika dan Biologis. Kelompok ini termasuk para ahli baik dari komunitas penelitian antraks maupun pemodel matematika. Selama beberapa tahun, anggota kelompok ini mengeksplorasi kegunaan pemodelan matematika dalam memahami risiko infeksi antraks inhalasi dosis rendah. Poster ini menggambarkan perjalanan penelitian yang diilhami oleh peristiwa-peristiwa ini dan membahas hasil dan hubungan yang dihasilkannya.

Dan Dougherty (Amyris, Inc.): Teknik untuk Mendorong Kemajuan dalam Bioteknologi Industri

Amyris (NASDAQ: AMRS) adalah pemimpin ilmu pengetahuan dan teknologi dalam penelitian, pengembangan, dan produksi bahan-bahan murni dan berkelanjutan untuk pasar Kesehatan & Wellness, Kecantikan Bersih dan Flavours & Fragrances.Amyris menerapkan teknologi eksklusif dan canggihnya, termasuk pembelajaran mesin canggih, robotika, dan kecerdasan buatan untuk merekayasa ragi, yang bila dikombinasikan dengan sirup tebu melalui fermentasi, diubah menjadi molekul yang sangat murni untuk bahan khusus. Amyris memproduksi bahan-bahan yang bersumber secara berkelanjutan pada skala industri untuk mitra B2B dan distribusi lebih lanjut ke lebih dari 3.000 merek top dunia, menjangkau lebih dari 200 juta konsumen. Amyris mendukung janji No Compromise® bahwa segala sesuatu yang dibuatnya lebih baik bagi manusia dan planet ini. Dalam presentasi ini, kami memberikan contoh teknik komputasi yang digunakan selama fase desain, pembuatan, pengujian, dan pembelajaran dari penelitian dan pengembangan. Kami akan menyoroti aspek-aspek penting dari biologi alami ragi dan bagaimana mereka menginformasikan pendekatan komputasi yang digunakan. Ukuran efisiensi statistik dan komputasi akan diberikan dan kami akan menyimpulkan dengan beberapa rekomendasi untuk pengembangan di masa mendatang.

Paul Hurtado (Univ. Nevada, Reno): Memperluas model ODE menggunakan Generalized Linear Chain Trick: Contoh Model SEIR

Linear Chain Trick (LCT) telah lama digunakan untuk membangun model ODE (khususnya, model transisi keadaan medan rata-rata) dengan mengganti asumsi implisit dari waktu lintasan yang terdistribusi secara eksponensial melalui setiap keadaan dengan gamma yang lebih "berbentuk punuk" (atau lebih khusus lagi, Erlang ) distribusi. Baru-baru ini, kami memperkenalkan Generalized Linear Chain Trick (GLCT) di mana kami menunjukkan bahwa ada cara langsung untuk menuliskan ODE bidang rata-rata untuk keluarga yang lebih luas dari asumsi distribusi "waktu tinggal" yang dikenal sebagai distribusi tipe Fase. Ini pada dasarnya adalah distribusi waktu-waktu atau penyerap-waktu untuk Continuous Time Markov Chains (CTMCs), dan termasuk distribusi Erlang, Hypoexponential, Coxian, dan terkait. Metode untuk menyesuaikan distribusi eksponensial matriks ini ke data telah dikembangkan untuk aplikasi teori antrian, memungkinkan lebih banyak fleksibilitas daripada hanya memasukkan distribusi Gamma yang paling sesuai ke dalam asumsi model ODE. Dalam presentasi ini, saya akan mengilustrasikan bagaimana model SEIR dapat diperluas menggunakan LCT dan GLCT, dan bagaimana struktur model yang dihasilkan, jika dilihat melalui lensa GLCT, dapat dimanfaatkan dalam analisis analitis dan komputasi berikutnya.

Wasiur KhudaBukhsh (Mathematical Biosciences Institute): Sistem Dinamis Kelangsungan Hidup: analisis kelangsungan hidup tingkat individu dari model epidemi tingkat populasi

Termotivasi oleh model epidemik Susceptible-Infected-Recovered (SIR) klasik yang diusulkan oleh Kermack dan Mckendrick, kami mempertimbangkan kelas sistem dinamik kompartemen stokastik dengan gagasan pemesanan parsial di antara kompartemen. Kami menyebut sistem seperti itu uni-directional Mass Transfer Models (MTMs). Kami menunjukkan bahwa ada cara alami untuk menafsirkan MTM satu arah sebagai Sistem Dinamis Bertahan (SDS) yang dijelaskan dalam hal fungsi kelangsungan hidup alih-alih jumlah populasi. Interpretasi SDS ini memungkinkan kami untuk menggunakan alat dari analisis kelangsungan hidup untuk mengatasi berbagai masalah dengan pengumpulan data dan inferensi statistik MTM searah. Kami menggunakan model SIR sebagai contoh berjalan untuk mengilustrasikan ide. Kami juga membahas beberapa kemungkinan generalisasi dari metode ini.

Jinsu Kim (Univ. California, Irvine): Sistem epigenom stokastik dengan lokasi pengikatan TF yang berbeda sebagai prediktor parameter in vivo untuk aksesibilitas nukleosom

Dalam respons imun seluler, ligan inflamasi mengaktifkan faktor transkripsi yang bergantung pada sinyal (SDTF), yang dapat menampilkan profil temporal yang kompleks. SDTF adalah efektor sentral untuk ekspresi gen inflamasi. Namun, informasi yang terkandung dalam sinyal SDTF juga harus didekodekan oleh epigenom dengan cara spesifik stimulus, untuk memungkinkan plastisitas terkontrol dalam keadaan epigenetik seluler sebagai respons terhadap pertemuan lingkungan. Mekanisme dan prinsip biofisik yang menghasilkan epigenom berbeda sebagai respons terhadap pensinyalan SDTF yang berbeda masih belum jelas. Di sini, kami mengembangkan dan menganalisis model stokastik aksesibilitas nukleosom untuk mempelajari bagaimana sinyal SDTF mengubah dinamika epigenom. Menariknya, respons model epigenom kami terhadap sinyal SDTF membantu kami memprediksi kooperatifitas nukleosom skala genom in vivo. Dua hipotesis alternatif tetapi masuk akal tentang kooperativitas parameter dalam langkah membuka bungkus nukleosom diuji secara eksperimental dengan sekuensing ATAC. Pada skala genom, lokasi pengikatan SDTF adalah prediktor aksesibilitas nukleosom karena dinamika epigenom bergantung pada situs pengikatan SDTF secara berbeda di bawah parameter kooperatif dan non-kooperatif. Kami dapat membandingkan hasil numerik kami dengan pengukuran eksperimental untuk menguji prediksi kami. Pekerjaan kami mengusulkan kerangka kerja yang memungkinkan pemahaman prediktif tentang bagaimana nukleosom merespons pensinyalan SDTF di lokasi genom tertentu untuk menghasilkan perubahan kromatin dalam kondisi kesehatan dan penyakit.

Ruby Kim (Universitas Duke): Model matematika ritme sirkadian dan dopamin

Inti superchiasmatic (SCN) berfungsi sebagai jam sirkadian (24 jam) utama pada mamalia, dan dikenal untuk mengontrol fungsi fisiologis penting seperti siklus tidur-bangun, ritme hormonal, dan regulasi neurotransmitter. Hasil percobaan menunjukkan bahwa beberapa fungsi ini secara timbal balik mempengaruhi ritme sirkadian, menciptakan jaringan yang kompleks dan sangat homeostatik. Di antara produk hilir jam, reseptor nuklir yatim REV-ERB dan ROR sangat menarik karena mereka secara terkoordinasi memodulasi sirkuit jam inti. Bukti eksperimental terbaru menunjukkan bahwa REV-ERB dan ROR tidak hanya penting untuk metabolisme lipid, tetapi juga terlibat dalam sintesis dan degradasi dopamin (DA), yang dapat memiliki implikasi klinis yang berarti untuk kondisi seperti penyakit Parkinson dan gangguan mood.

Kami membuat model matematika yang mencakup jam sirkadian, REV-ERB dan ROR dan umpan balik mereka ke jam, dan pengaruh REV-ERB, ROR, dan BMAL1-CLOCK pada sistem dopaminergik. Kami membandingkan prediksi model kami dengan data eksperimental pada komponen jam dalam kondisi terang-gelap yang berbeda dan dengan adanya gangguan genetik. Hasil model kami konsisten dengan hasil eksperimen pada REV-ERB dan ROR dan memungkinkan kami untuk memprediksi osilasi sirkadian dalam dopamin ekstraseluler dan asam homovanillat yang sesuai dengan pengamatan.

Prediksi model matematika konsisten dengan berbagai pengamatan eksperimental. Perhitungan kami menunjukkan bahwa mekanisme yang diusulkan oleh eksperimentalis di mana REV-ERB, ROR, dan BMAL1-CLOCK mempengaruhi sistem DA cukup untuk menjelaskan osilasi sirkadian yang diamati dalam variabel dopaminergik. Model matematika kami dapat digunakan untuk penyelidikan lebih lanjut tentang efek jam sirkadian mamalia pada sistem dopaminergik. RR

Bismark Oduro (Univ California Pennsylvania): Strategi pengobatan agresif awal untuk mengendalikan penyakit yang ditularkan melalui vektor seperti Chagas

Penyakit Chagas adalah masalah kesehatan utama di pedesaan Amerika Selatan dan Tengah di mana diperkirakan 8 hingga 11 juta orang terinfeksi. Ini adalah penyakit yang ditularkan melalui vektor yang disebabkan oleh parasit Trypanosoma cruzi, yang ditularkan ke manusia terutama melalui gigitan vektor serangga dari beberapa spesies yang disebut serangga berciuman. Salah satu upaya pengendalian untuk mengurangi penyebaran penyakit tersebut adalah dengan penyemprotan insektisida pada unit-unit perumahan untuk mencegah infestasi vektor. Namun, re-infestasi unit oleh vektor telah terbukti terjadi sedini empat sampai enam bulan setelah intervensi pengendalian berbasis insektisida. Saya akan menyajikan diferensial biasa

model persamaan tipe SIRS yang menjelaskan efektivitas biaya jangka panjang dari strategi tertentu untuk mengendalikan infestasi ulang oleh vektor. Hasilnya menunjukkan bahwa tingkat penyemprotan yang awalnya sangat tinggi dapat mendorong sistem ke wilayah ruang negara dengan tingkat infestasi endemik rendah yang dapat dipertahankan dalam jangka panjang dengan biaya yang relatif moderat.

Taman Jeungeun (Univ. Cincinnati): Strategi berenang bakteri flagela melalui pembungkusan flagela di sekitar badan sel

Pengarang
Yongsam Kim (Chung-Ang University), Wanho Lee (National Institute for Mathematical Sciences), Sookkyung Lim (University of Cincinnati), dan Jeungeun Park (University of Cincinnati)

Bakteri berflagel berenang dengan memutar flagela yang terhubung ke motor putar di dinding selnya. Arah rotasi dan kecepatan masing-masing motor, dan sifat elastis dari flagel mencirikan pola renang mereka, pola membantu mereka bergerak menuju lingkungan yang menguntungkan secara efisien. Dalam poster ini, kami menyajikan salah satu pola renang yang diamati dari spesies flagellar polar yang hidup di lingkungan alam yang terhalang seperti Pseudomonas putida dan Shewanella putrefaciens. Ketika spesies ini dalam lintasan lurus mencoba mengubah arah, mereka dapat menjalani fase berenang lambat dengan membungkus flagela di sekitar badan sel. Kami secara numerik menyelidiki mekanisme gerakan pembungkus. Kami secara khusus menunjukkan faktor apa yang memfasilitasi pembentukan mode pembungkus, dan membandingkan contoh numerik kami dengan pengamatan eksperimental dalam literatur.

Marissa Renardy (Univ. Michigan): Analisis temporal dan spasial granuloma TB untuk memprediksi hasil jangka panjang

Mycobacterium tuberculosis (Mtb), agen penyebab tuberkulosis (TB), membunuh lebih banyak orang di seluruh dunia per tahun daripada agen infeksi lainnya. Sebagai ciri khas TB, granuloma paru adalah struktur kompleks yang terdiri dari sel imun yang berinteraksi dengan dan mengelilingi bakteri, sel yang terinfeksi, dan inti nekrotik. Interaksi ini mengarah pada hasil granuloma yang beragam sepanjang waktu, mulai dari sterilisasi bakteri hingga pertumbuhan bakteri yang tidak terkontrol, serta struktur spasial yang beragam. Saat ini, tidak ada metode kuantitatif yang sistematis untuk mengklasifikasikan pembentukan, fungsi, dan karakteristik spasial granuloma. Jenis analisis ini akan memungkinkan pemahaman dan prediksi yang lebih baik tentang perilaku granuloma yang telah diketahui berhubungan dengan hasil klinis yang buruk untuk pasien TB. Di sini, kami mengembangkan kerangka kerja analisis temporal dan spasial untuk granuloma TB menggunakan pendekatan biologi sistem yang menggabungkan: dalam silikon pemodelan granuloma, sistem informasi geografis, analisis data topologi, dan pembelajaran mesin. Kami menerapkan kerangka kerja ini untuk granuloma yang disimulasikan untuk memahami dinamika granuloma temporal, mengukur struktur spasial granuloma, dan memprediksi hubungan antara struktur granuloma dan pertumbuhan bakteri. Sebagai bukti konsep, kami menerapkan dalam silikon prediksi untuk in vivo data turunan untuk menguji kerangka kerja kami untuk aplikasi masa depan dan sebagai intervensi obat yang dipersonalisasi.

Adam Rhodes (Univ. Alberta): Pemodelan Matematika dari Teori Metastasis yang Dimediasi Kekebalan Tubuh

Pengarang
Adam Rhodes, Departemen Ilmu Matematika dan Statistik, Universitas Alberta
Prof. Thomas Hillen, Departemen Ilmu Matematika dan Statistik, Universitas Alberta

Mengumpulkan bukti eksperimental dan klinis menunjukkan bahwa respon imun terhadap kanker tidak secara eksklusif anti-tumor. Memang, peran pro-tumor dari sistem kekebalan - sebagai pemasok faktor pertumbuhan dan pro-angiogenik atau pertahanan terhadap serangan kekebalan sitotoksik, misalnya - telah lama dihargai, tetapi relatif sedikit karya teoretis yang mempertimbangkan efeknya. Terinspirasi oleh teori metastasis "dimediasi kekebalan" baru-baru ini, kami mengembangkan model matematika untuk interaksi tumor-imun dalam pengaturan metastasis, yang mencakup efek kekebalan anti dan pro-tumor, dan plastisitas fenotipik yang diinduksi tumor yang diamati secara eksperimental sel imun (tumor “pendidikan” sel imun). Setelah konfrontasi model kami dengan data eksperimental, kami menggunakannya untuk mengevaluasi implikasi dari teori metastasis yang dimediasi kekebalan. Kami menemukan bahwa pendidikan tumor sel imun dapat menjelaskan kinerja imunoterapi yang relatif buruk, dan bahwa banyak fenomena metastasis, termasuk ledakan metastasis, dormansi, dan metastasis ke tempat cedera, juga dapat dijelaskan oleh teori metastasis yang dimediasi imun. . Hasil kami menunjukkan bahwa pekerjaan lebih lanjut diperlukan untuk sepenuhnya menjelaskan efek pro-tumor dari sistem kekebalan pada kanker metastatik.

Suzanne L. Robertson (Universitas Persemakmuran Virginia): Pengendalian lingkungan dari penyakit yang ditularkan melalui vektor

Wabah penyakit yang ditularkan melalui vektor seperti virus Zika dapat terjadi setelah individu yang terinfeksi memasukkan virus ke lingkungan perumahan setelah bepergian. Strategi manajemen untuk mengendalikan penyakit yang ditularkan melalui vektor biasanya melibatkan aplikasi larvasida atau dewasa dengan truk atau pesawat dalam skala besar, serta upaya pengendalian dari pintu ke pintu yang memerlukan izin untuk mengakses properti pribadi. Keberhasilan upaya terakhir sangat tergantung pada kepatuhan penduduk setempat. Kami menyajikan model penularan penyakit tular vektor di suatu lingkungan, mengingat jaringan rumah yang terhubung melalui penyebaran nyamuk. Kami menggunakan model ini untuk membandingkan efektivitas berbagai strategi pengendalian dan menentukan seberapa optimal penggunaan kontrol dari pintu ke pintu dan penyemprotan udara tergantung pada tingkat kepatuhan penduduk serta pergerakan nyamuk. Ini adalah kerja sama dengan Jeffery Demers, Sharon Bewick, Folashade Agusto, Kevin Caillouet, dan Bill Fagan.

Deena R. Schmidt (Univ. Nevada, Reno): Dinamika penularan pada jaringan adaptif: Norovirus sebagai studi kasus

Model penularan klasik, seperti SIR, dan model penyakit menular lainnya biasanya mengasumsikan proses kontak yang tercampur dengan baik. Ini mungkin tidak realistis untuk penyebaran penyakit menular di mana struktur kontak berubah karena respons individu terhadap penyakit menular. Misalnya, individu yang menunjukkan gejala mungkin mengisolasi diri mereka sendiri, atau individu yang menyadari epidemi yang sedang berlangsung dalam populasi dapat mengurangi atau mengubah kontak mereka. Di sini kami menyelidiki dinamika penularan dalam konteks jaringan adaptif, yang berarti bahwa jaringan kontak berubah dari waktu ke waktu karena individu menanggapi penyakit menular dalam populasi. Kami menganggap norovirus sebagai contoh spesifik dan menyelidiki pertanyaan yang terkait dengan dinamika penyakit dan penerapannya pada kesehatan masyarakat.

Alessandro Maria Selvitella (Univ Purdue Fort Wayne) & Kathleen Lois Foster (Univ Negeri Ball): Mengungkap Dampak Lingkungan dalam Biomekanika Kadal: dari metode klasik hingga pembelajaran statistik modern

Pengarang
Prof. Kathleen Lois Foster, Departemen Biologi, Ball State University
Prof. Alessandro Maria Selvitella, Departemen Ilmu Matematika, Universitas Purdue Fort Wayne

Kemajuan luar biasa dalam daya komputasi telah memfasilitasi pengembangan dan penerapan analisis statistik canggih untuk bidang biologis seperti genomik, ekologi, dan evolusi. Namun, bahkan sekarang, ketika perangkat keras dan perangkat lunak yang kuat tidak pernah lebih mudah diakses dan meskipun ada kemajuan signifikan dalam teori statistik, cabang fisiologis biologi, seperti biomekanik, tampaknya terjebak di masa lalu, dengan penggunaan univariat klasik di mana-mana dan hampir eksklusif. statistik. Dalam poster ini, kita akan membahas bagaimana metode pembelajaran mesin yang lebih modern berdampak dan merevolusi ekstraksi dan analisis data biomekanik. Ini akan dibahas dalam konteks penggerak kadal dan dikontraskan dengan hasil analisis univariat klasik.

Shuying Sun (Universitas Negeri Texas): Analisis komparatif dari beberapa algoritme perakitan haplotype

Pengarang
Shuying Sun, Sherwin Massoudian, dan Allison Bertie Johnson

Informasi haplotipe penting untuk lebih memahami proses genetik penyakit. Oleh karena itu, sangat penting untuk mendapatkan haplotipe untuk studi penyakit. Dengan perkembangan teknologi next generation sequencing (NGS), sekarang dimungkinkan untuk mendapatkan haplotype menggunakan pembacaan sequencing. Proses penentuan haplotipe berdasarkan urutan bacaan disebut perakitan haplotipe. Sulit untuk melakukan perakitan haplotipe karena kumpulan data NGS sangat besar dan memiliki fitur genetik dan teknologi yang kompleks. Meskipun sejumlah besar pendekatan atau paket perangkat lunak telah dikembangkan, tidak jelas seberapa baik kinerja program ini. Kebanyakan dari metode tersebut tidak dievaluasi dengan baik karena hanya dapat dibandingkan dengan sejumlah kecil (misalnya, 1 atau 2) metode lain dan divalidasi berdasarkan kumpulan data yang berbeda. Dalam proyek ini, kami melakukan analisis komprehensif untuk membandingkan beberapa paket perangkat lunak perakitan haplotype yang tersedia saat ini. Kami akan menilai mereka berdasarkan metode statistik atau komputasi, komponen algoritmik, dan fitur evaluasinya juga. Kami akan menampilkan hasil perbandingan kami berdasarkan kumpulan data yang tersedia untuk umum. Dengan hasil perbandingan kami, kami akan memberikan masukan terperinci kepada pengguna tentang kinerja metode saat ini dan perspektif baru tentang perakitan haplotype, yang akan membantu untuk mengembangkan algoritma yang lebih akurat dan efisien.

Nayana Wanasingha (Univ. Cincinnati): Model Matematika untuk Demultiplikasi Frekuensi dalam Neurospora Crassa

Ritme sirkadian adalah fitur yang ditemukan di banyak organisme, yang memainkan peran penting dalam mempertahankan aktivitas sehari-hari

24 jam. Studi terbaru menemukan bahwa gangguan ritme sirkadian menyebabkan berbagai penyakit neurologis dan metabolisme. Entrainment to environment cycles adalah properti yang menentukan ritme sirkadian, dan entrainment ritme ini dengan siklus yang berulang dua kali atau lebih per hari, yang dikenal sebagai entrainment subharmonik atau demultiplikasi frekuensi, juga merupakan karakteristik yang telah digunakan untuk memahami arsitektur. dari sistem sirkadian. Cetak biru mekanistik sistem sirkadian Neurospora Crassa, yang merupakan jamur berfilamen mirip dengan sistem mamalia. Oleh karena itu, temuan di Neurospora dapat ditransfer ke sistem mamalia. Eksperimen menunjukkan bahwa Neurospora menunjukkan demultiplikasi frekuensi ke siklus suhu eksternal dengan periode singkat. Dalam penelitian ini, saya berencana untuk membuat model matematika yang mewakili komponen inti sistem sirkadian Neurospora dan secara teoritis memprediksi profil molekuler ekspresi gen frq di bawah kondisi entrainment yang berbeda untuk menunjukkan bahwa konidiasi ritmik Neurospora adalah refleksi langsung dari respons molekuler di bawah berbagai entrainment rejimen.


Tonton videonya: 5 EKSPERIMENT PERSILANGAN M4NUSIA DAN HEW4N (Februari 2023).