Modelado de sistemas bioquímicos: De la Ley de Acción de Masas a la Aproximación Lineal del Ruido

Jesús Picó, Alejandro Vignoni, Enric Picó-Marco, Yadira Boada

Resumen

Durante la ultima década hemos vivido una creciente aplicación de técnicas propias de las ingenierías a la biología. Áreas como la Biología de Sistemas o, más recientemente, la Biología Sintética, reciben una atención cada vez mayor por parte de los ingenieros. En particular, el modelado en estos ámbitos permite la generación de nuevas hipótesis contrastables experimentalmente, y de nuevas formas de intervención biológica, así como explicaciones más o menos mecanicistas de los resultados experimentales. Una aproximación basada en modelo requiere considerar la dinámica de las reacciones bioquímicas y su regulación. En la primera parte de este tutorial se introducen el modelado determinista y reducción de modelos de la clase de reacciones bioquímicas propias de la biología molecular celular.

El ruido juega un papel crucial en la dinámica de los circuitos biológicos. En el área de control automático hay una larga tradición de modelado mediante ecuaciones diferenciales estocásticas lineales, bajo la hipótesis simplificadora de asumir que el ruido tiene una magnitud independiente de la del estado. Esta hipótesis no es válida en los circuitos biológicos. En la segunda parte del tutorial se describen los métodos de modelado estocástico más usados en biología molecular, con especial atención a denominada aproximación lineal del ruido.


Palabras clave

Sistemas estocásticos; Ecuaciones diferenciales; Modelado de sistemas continuos; Reducción de modelos; Simulación de sistemas; Ruido; Sistemas biológicos; biotecnológicos y bioprocesos

Texto completo:

PDF

Referencias

Alberts, B., Bray, D., Hopkin, K., Johnson, A. D., Johnson, A., Roberts, K., Lewis, J., Raff, M., Walter, P., 2009. Essential Cell Biology, 3rd Edition. Garland Science.

Arpino, J. A. J., Hancock, E. J., Anderson, J., Barahona, M., Stan, G.-B. V. B., Papachristodoulou, A., Polizzi, K., 7 2013. Tuning the dials of synthetic biology. Microbiology 159 (Pt 7), 1236–53.

Astrom, K. J., 2006. Introduction to Stochastic Control Theory. Dover.

Blanchini, F., Franco, E., 2011. Structurally robust biological networks. BMC Systems Biology 5 (1), 74.

Boada, Y., Vignoni, A., Navarro, J. L., Picó, J., 2015. Improvement of a cle stochastic simulation of gene synthetic network with quorum sensing and feedback in a cell population. In: Proceedings ECC 15.

Chakrabarti, A., Miskovic, L., Soh, K., Hatzimanikatis, V., 2013. Towards kinetic modeling of genome-scale metabolic networks without sacrificing stoichiometric, thermodynamic and physiological constraints. Biotech. J. 8 (9), 1043.

Chellaboina, V., Bhat, S., Haddad, W., Bernstein, D., 8 2009. Modeling and analysis of mass-action kinetics. IEEE Control Systems Magazine 29 (4), 60–78.

Chen, W. W., Niepel, M., Sorger, P. K., 2010. Classic and contemporary aproaches to modeling biochemical reactions. Genes & development 24, 1861– 1875.

Church, G. M., Elowitz, M. B., Smolke, C. D., Voigt, C. A., Weiss, R., 4 2014. Realizing the potential of synthetic biology. Nat Rev Mol Cell Biol 15 (4), 289–94.

De Lorenzo, V., 8 2014. Biología sintética: la ingeniería al asalto de la complejidad biológica. Arbor 190 (768), a149.

Del Vecchio, D., 2013. A control theoretic framework for modular analysis and design of biomolecular networks. Annual Reviews in Control 37 (2), 333– 345.

ERASynBio, 2014. Next steps for european synthetic biology: a strategic vision. Tech. rep., ERASynBio. URL: https://www.erasynbio.eu

Gillespie, D. T., 2007. Stochastic simulation of chemical kinetics. Annu Rev Phys Chem 58, 35–55.

Glad, T., Ljung, L., 2000. Control Theory. Multivariable and Nonlinear Methods. Taylor & Francis.

Higham, D. J., 1 2008. Modeling and simulating chemical reactions. SIAM Review 50 (2), 347–368.

Hinch, E. J., 1991. Perturbation Methods. Cambridge Texts in Applied Mathematics. Cambridge U. Press.

Jayanthi, S., Nilgiriwala, K. S., Del Vecchio, D., 2013. Retroactivity controls the temporal dynamics of gene transcription. ACS synthetic biology.

Khalil, H. K., 2011. The Control Handbook. CRC Press, Ch. Two Timescale and Averaging Methods.

Kiparissides, A., Koutinas, M., Kontoravdi, C., Mantalaris, A., Pistikopoulos, E. N., 2011. Closing the loop in biological systems modeling: From the in silico to the in vitro. Automatica 47, 1147–1155.

Kokotovic, P., Khalil, H., O’Reilly, J., 1986. Singular perturbation methods in control: analysis and design. Academic Press.

Kwok, R., 2010. Five hard truths for synthetic biology. Nature 463, 288–290.

Llaneras, F., Picó, J., 1 2008. Stoichiometric modelling of cell metabolism. J Biosci Bioeng 105 (1), 1–11.

Mélykúti, B., Hespanha, J. P., Khammash, M., 2014. Equilibrium distributions of simple biochemical reaction systems for time-scale separation in stochastic reaction networks. Journal of The Royal Society Interface 11 (97), 20140054.

Milo, R., Jorgensen, P., Moran, U., Weber, G., Springer, M., 1 2010. Bionumbers–the database of key numbers in molecular and cell biology. Nucleic Acids Res 38 (Database issue), D750–3.

Munsky, B., Khammash, M., 2008. The finite state projection approach for the analysis of stochastic noise in gene networks. Automatic Control, IEEE Transactions on 53 (Special Issue), 201–214.

Picó-Marco, E., 2013. Differential algebra for control systems design. computation of canonical forms. Control Systems Magazine 33 (2), 52–62.

Scott, M., Hwa, T., Ingalls, B., 5 2007. Deterministic characterization of stochastic genetic circuits. Proc Natl Acad Sci U S A 104 (18), 7402–7.

Scott, M., Ingalls, B., Kaern, M., 6 2006. Estimations of intrinsic and extrinsic noise in models of nonlinear genetic networks. Chaos 16 (2), 026107.

Sundararaj, S., Guo, A., Habibi-Nazhad, B., Rouani, M., Stothard, P., Ellison, M., Wishart, D. S., 1 2004. The cybercell database (ccdb): a comprehensive, self-updating, relational database to coordinate and facilitate in silico modeling of escherichia coli. Nucleic Acids Res 32 (Database issue), D293–5.

Villaverde, A. F., Banga, J. R., 2014. Reverse engineering and identification in systems biology: strategies, perspectives and challenges. J. Royal Soc. Interface 11:20130505.

Wallace, E., Gillespie, D., Sanft, K., Petzold, L., 2012. Linear noise approximation is valid over limited times for any chemical system that is sufficiently large. IET Systems Biology 6 (4), 102–115.

Zagaris, A., Kaper, H. G., Kaper, T. J., 1 2004. Analysis of the computational singular perturbation reduction method for chemical kinetics. Journal of Nonlinear Science 14 (1), 59–91.

Abstract Views

1176
Metrics Loading ...

Metrics powered by PLOS ALM


 

Citado por (artículos incluidos en Crossref)

This journal is a Crossref Cited-by Linking member. This list shows the references that citing the article automatically, if there are. For more information about the system please visit Crossref site

1. Hierarchical control for microalgae biomass production in photobiorreactors
I. Fernández, M. Berenguel, J.L. Guzmán, F.G. Acién, G.A. de Andrade, D.J. Pagano
Control Engineering Practice  vol: 54  primera página: 246  año: 2016  
doi: 10.1016/j.conengprac.2016.06.007



Creative Commons License

Esta revista se publica bajo una Licencia Creative Commons Attribution-NonCommercial-CompartirIgual 4.0 International (CC BY-NC-SA 4.0)

Universitat Politècnica de València     https://doi.org/10.4995/riai

e-ISSN: 1697-7920     ISSN: 1697-7912