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

Abstract

ResumenDurante 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 estosámbitos 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 elárea 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. Copyright c 2015 CEA. Publicado por Elsevier España, S.L. Todos los derechos reservados.Palabras Clave: Sistemas estocásticos, Ecuaciones diferenciales, Modelado de sistemas continuos, Reducción de modelos, Simulación de sistemas, Ruido, Sistemas biológicos, biotecnológicos y bioprocesos. IntroducciónDurante 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. El diseño y producción clásicos en biotecnología, mediante el uso de organismos genéticamente modificados, ha seguido tradicionalmente una estrategia esencialmente de tipo prueba-y-error.En losúltimos años, esta aproximación estaba prácticamen-te agotada, llevando a un cuello de botella en la generación de nuevos productos biotecnológicos. Es en este punto cuando se ve clara la necesidad de aplicar modelado computacional, de optimizar computacionalmente en lugar de adivinar por pruebay-error cada nueva ruta metabólica (Kwok, 2010). Este proceso * Autor en correspondencia.Correos electrónicos: jpico@ai2.upv.es (Jesús Picó), vignoni@mpi-cbg.de (Alejandro Vignoni), enpimar@isa.upv.es (Enric Picó-Marco), yaboa@upv.es (Yadira Boada) URL: http://sb2cl.ai2.upv.es (Jesús Picó) de incorporación de herramientas de la ingeniería a la biología se ha intensificado tremendamente con el advenimiento de la Biología Sintética. Esta se define como la ingeniería de la biología: el (re)diseño y construcción deliberados de nuevos componentes, dispositivos y sistemas biológicos para realizar nuevas funciones con un propósito utilitario (De Lorenzo, 2014). C...

Análisis de observabilidad e identificabilidad estructural de modelos no lineales: aplicación a la vía de señalización JAK/STAT

“…La relación entre identificabilidad estructural, observabilidad y otras propiedades como la controlabilidad ha sido comentada para modelos lineales en [8,7] y más recientemente para no lineales en [25]. Para una visión más general sobre modelado dinámico en biología de sistemas se puede consultar por ejemplo [9,16].…”

Multi-objective optimization framework to obtain model-based guidelines for tuning biological synthetic devices: an adaptive network case

“…Additionally, the ratio part/device performance may be altered due to the interaction of loads in the combined system, the so-called retroactivity [ 12 ]. Along with this, there is an ever-growing appreciation for biological complexity, which requires new circuit modeling and design principles to overcome barriers such as metabolic load, cross-talk, resource sharing, and gene expression noise [ 5 , 13 – 15 ]. Finally, one must never forget the gap between computational ( dry-lab ) design, and wet-lab implementation.…”