مدلسازی زیست شناسی محاسباتی با استفاده از الگوریتم شبکه های پتری

روشهای شبکه پتری به عنوان یک ابزار قدرتمند در مدلساز ی زیست شناس ی محاسباتی ظهور کردهاند. شبکه های پتری مدلهای گرافیکی هستند که می توانند سیستم های پیچیده، مانند مسیرها و شبکه های بیولوژیکی را به روشی واضح و مختصر نشان دهند. آنها یک چارچوب رسم ی برای توصیف پویایی سیستم های بیولوژیکی ارائه می دهند و می توانند برای شبیه سازی و تجزیه و تحلیل رفتار این سیستم ها استفاده شوند. در زیست شناسی محاسباتی ، شبکه ها ی پتری برای مدلسازی طیف وسیعی از فرآیندهای بیولوژیکی ، از جمله مسیرهای متابولیک ، شبکه های تنظیم کننده ژن، مسیرهای انتقال سیگنال و فرآیندهای سلولی استفاده شدهاند. شبکه های پتری می توانند تعاملات پیچیده بین اجزای این سیستم ها را به تصویر بکشند و می توانند برای پیش بینی رفتار سیستم در شرایط مختلف استفاده شوند. روشهای شبکه پتری نسبت به سایر تکنیک های مدلسازی در زیست شناس ی محاسباتی مزایای متعددی دارند. آنها بصری و آسان برای استفاده هستند، می توانند سیستم های بزرگ و پیچیده را مدیریت کنند، و می توانند برای تجزیه و تحلیل جنبه های کم ی و کیفی سیستم های بیولوژیکی استفاده شوند. علاوه بر این ، شبکه های پتری را می توان برای ایجاد فرضیه ها و پیش بینی های قابل آزمایش در مورد رفتار سیستم های بیولوژیکی استفاده کرد. به طور کلی ، روشها ی شبکه پتری به ابزار مهمی در مدلسازی زیست شناسی محاسبات ی تبدیل شدهاند که رویکردی قدرتمند و انعطافپذیر برای درک رفتار سیستم های بیولوژیکی پیچیده ارائه می کنند.زیست شناسی محاسباتی یک رشته به سرعت در حال رشد است که با رویکردهای روش شناختی مختلف مبتنی بر داده و یافته ها و کاربردها در طیف وس یعی از حوزه های بیولوژیکی غنی شده است . اساس این رویکردها، مدلهای ریاضی و محاسبات ی هستند که برای توصیف حالت ها ی مختلف در فرآیندها ی میکروسکوپی (مثلا یک واکنش بیوشیمیایی )، مزوسکوپ ی (اثرات سیگنال دهی در سطح بافت ) و سطوح ماکروسکوپی (اثرات فیزیولوژیکی و پاتولوژیک ) فرآیندهای بیولوژیکی استفاده می شوند. در این مقاله به مشکل ترکیب دو کلاس قدرتمند می پردازیم رو ششناس ی: رو شهای تجزیه و تحلیل تعادل شار ) FBA ( که اکنون انقلابی را دربیوتکنولوژی و پزشکی ایجاد میکنند و شبکه ها ی پتری ) (PNs که امکان تعمیم سیستم را فراهم میکنند و برای درمانهای مختلفریاضی محور هستند، برای مثال مشخصات معادله دیفرانس یل معمولی) (ODE بیوسیستم. تحت مطالعه در حالی که مورد اول محدود بهمدل سازی شبکه های متابولیک است، یعنی رویدادهای سیگنال دهی دینامیکی متناوب را در نظر نمی گیرد ، دومی به دلیل حجم زیا دداده های متابولیک با مشکل مواجه می شود. اولین نتیجه، شناسایی سه نوع گفتگوی متقابل بین رو شهای PN و FBA و وابستگیآنها به دادههای موجود است. ما بینش خود را ما بسط می کنیم که چگونه چارچوب استدلال ما یک تنظیم تصمیم گیری مبتنی بربیولوژیکی و ریاضی را برای ادغام شبکه های نظارت ی، سیگنالینگ و متابولیک فراهم می کند و تا حد زیادی قابلیت تفسیر و استفادهمجدد مدل را افزایش می دهد. ما در مورد اینکه چگونه هایپرپارامترهای PN و FBA را می توان تنظیم و با هم ترکیب کرد تا بر تلاشمحاسباتی مورد نیاز برای انجام این کار تاکید شود، بحث می کنیم . ما با گمان هزنیها و پیشنهادهایی در مورد این جهت پژوهشینویدبخش نتیجه گیری میکنیم.

Keywords:

زیست شناسی محاسباتی , شبکه های پتری , مدلسازی , بیولوژیک