Ақпарат

5С: Модельді байланыстыру жүйелері – Биология

5С: Модельді байланыстыру жүйелері – Биология


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.

үйрену мақсаттары

  • Миоглобин мен гемоглобиннің дезокси және оксиді күйдегі құрылымының ұқсастықтары мен айырмашылықтарын түсіндіру
  • дезоксистатты және оксистатты тұрақтандыратын Hb күйінің құрылымдық ерекшеліктері
  • Mb және Hb үшін (әртүрлі рН-да және Hb үшін СО2 болған кезде) Y және L (немесе pO2) фракциялық қанығу графиктерін салыңыз және олардың айқын ұқсастықтары мен айырмашылықтарын түсіндіріңіз.
  • O2, CO2 және H+ дезокси-Hb және окси-Hb әрекеттесуінің термодинамикалық циклін сызыңыз.
  • Hill Plot талдауы Hb үшін бірлескен байланыстыру қисықтарын қалай есепке алатынын түсіндіріңіз.
  • MWC моделіне қарапайым түсініктеме беріңіз және сол күйлердің сипаттамаларын сипаттай отырып, Hb-ның T және R күйіндегі мультфильмдерін сызыңыз.
  • MWC параметрлерінің (L, KT, KR, c және α) берілген анықтамалары және модельдің болжамдары, бұл модель Hb және диоттегі үшін бірлескен сигмоидальді байланыстыру қисықтарын қалай есептейтінін түсіндіріңіз.
  • мультфильм үлгілерін салыңыз және лигандтарды байланыстыру механизмдері ретінде құлып пен кілт, индукциялық сәйкестік және конформациялық таңдаудағы айырмашылықтарды түсіндіріңіз.
  • Өзіндік ретсіз белоктардың лигандтармен байланысуының биологиялық артықшылықтарын түсіндіріңіз

HEK293T және Jurkat T жасушаларында функционалды Anti-p24 scFv 183-H12-5C экспрессиясы

Мақсаты: Диагностикалық және емдік рекомбинантты ақуыз өндірісінің жартысынан көбі сүтқоректілерге негізделген экспрессия жүйесіне байланысты. Дегенмен, сүтқоректілердің жасушаларында дисульфидті байланыстың түзілуіне және цитоплазманы азайтуға байланысты рекомбинантты антиденелердің генерациясы қиын болып қала береді. Сондықтан, АИВ-1-ге қарсы осындай интраденелерді терапевтік қолдануда қолданар алдында мақсатты жасуша желісінде функционалды рекомбинантты антиденелердің өндірісін бағалау қажет. Әдістері: Жұмыс HEK293T және Jurkat T жасушаларын модель ретінде пайдалана отырып, адамның сүтқоректілеріне негізделген экспрессия жүйесінде HIV-1 Capsid p24 протеиніне қарсы бір тізбекті айнымалы фрагменттің (scFv) антидене экспрессиясын сынау болды. scFv 183-H12-5C экспрессиясының үш экспрессиялық плазмидтік векторы жасалды және HEK293T ішіне енгізілді. scFv экспрессиясы талданды, ал ELISA және иммуноблотингтік талдау оның байланысуын растады. Рекомбинантты антиденені бағалау АИВ-1 репликациясымен және Jurkat T жасушаларында MAGI инфекциялық талдауымен расталды. Нәтижелер: Осы зерттеуде scFv 183-H12-5C өрнектейтін үш плазмидтік вектор сәтті құрастырылды. рекомбинантты антиденелер scFv (

HEK293T цитоплазмасындағы 52 кДа) сәйкесінше pCDNA3.3-mu-IgGk-scFv 183-H12-5C және pCMX2.5-scFv 183-H12-5C-hIgG1-Fv 183-H12-5C-hIgG1-F векторларымен өңделген трансфекцияланған жасушалар арқылы тиімді түрде алынды. scFv және scFv-Fc арнайы байланысқан рекомбинантты p24 және ELISA және Western blot арқылы бағаланған АИВ-1 туындысы p24 (гаг). pCDNA3.3-scFv 183-H12-5C арқылы трансфекцияланған Jurkat T жасушалары репликацияға қабілетті NL4-3 вирустық инфекциясын 60%-ға дейін тежейді. Қорытынды: Генерацияланған анти-p24 scFv 183-H12-5C антиденесі интраденелер ретінде әрекет етуге жарамды және АИВ-1-ге қарсы антидене негізіндегі биотерапевтикалық препараттарды жасау үшін құнды құрал ретінде қызмет етуі мүмкін.

Түйін сөздер: HIV-1 Capsid p24 протеині Интрадене Сүтқоректілерге негізделген өрнек Бір тізбекті айнымалы фрагмент (scFv) scFv-Fc.


Аннотация

P450 цитохромы (CYP) ферменттерінің маңызды мүшесі ретінде CYP17A1 адамның көптеген стероидты гормондарының синтезінде маңызды рөл атқаратын қос функциялы монооксигеназа болып табылады, бұл оны тартымды емдік мақсатқа айналдырады. CYP17A1 туралы жаңа құрылымдық ақпарат және осы ферменттерге арналған ингибиторлар санының өсуі каталитикалық белсенділікті бақылайтын туннельдер арқылы лигандтарды тасымалдау механизмдерін анықтау және жіктеу үшін жүйелі стратегияны талап етеді. Бұл жұмыста лигандтарды байланыстыру және туннельдеу динамикасының механизмін атомдық деңгейде жүйелі түрде зерттеу үшін лигандтар панелі бар әртүрлі CYP17A1 жүйелеріне біріктірілген есептеу стратегиясын қолдандық. Атомдық модельдеу және байланыстырудың бос энергиясының есептеулері басым туннельдердің динамикасын анықтайды және лигандтарды байланыстыруға жауапты сыни қалдықтардың энергетикалық қасиеттерін сипаттайды. S, 3 және 2c туннельдерін қамтитын жалпы тасымалдау жолдары CYP17A1 байланыстыру жүйелерінде анықталған, ал 2c туннель лигандтармен байланысу кезінде жаңадан пайда болған жол болып табылады. Біз бірнеше есептеу тәсілдерін қолдандық және біріктірдік, соның ішінде функционалдық қозғалыстарды талдау және дәйектілікті сақтау, динамикалық қалдық әрекеттесу желілерін атомдық модельдеу және лигандтарды туннельдеу механизмдерін бөлу үшін бұзылу реакциясын сканерлеу талдауы. Нәтижелер туннель динамикасының негізгі функционалдық режимдері ретінде топсамен байланыстыру және сырғанау қозғалыстарын және туннель конформациялық динамикасының және аллостериялық байланыстардың негізгі реттеушілері ретінде делдалдық қалдықтар тобын анықтады. Біз сондай-ақ туннель құрамына, конформациялық динамикаға және ұзақ мерзімді аллостериялық мінез-құлыққа мутациялық әсерлерді зерттедік және сандық түрде анықтадық. Бұл зерттеу нәтижелері эксперименттік деректерге толығымен сәйкес келеді, эксперименттерге жаңа негіздеме береді және арна желілерінің құрылымы мен қызметі арасындағы байланыстар және CYP ферменттеріндегі белсендіру механизмдері мен аллостериялық әрекеттесулердің сенімді атомистикалық моделі туралы құнды түсініктер ұсынады.


Нәтижелер мен пікірталас

Ұғымдарға шолу

Ережеге негізделген модельдеуге өте қысқаша кіріспе алдыңғы фондық бөлімде берілген. Келесіде біз ережеге негізделген көп деңгейлі тәсілдемеде (ML-Rules) қолданатын ұғымдарға тоқталамыз. Олардың көп деңгейлі модельдеуді қолдаудағы сәйкес рөлі келесі үлгі үлгісінде көрсетіледі.

Алғашқы зерттеулер үшін біз ML-Ережелерін үздіксіз уақыт Марков тізбектеріне (CTMCs) негіздейміз. Семантика дискретті популяцияға негізделген, яғни біз нақты бағаланған концентрациялардың орнына бірдей түрлердің табиғи көшірме сандарымен жұмыс істейміз. Стохастикалық семантиканың себебі ұйымның жоғары деңгейлерінде (ұяшықтар сияқты) бұдан былай мол сандар тербелістерді теңестіре алмайтындығын байқауда жатыр, өйткені төменгі деңгейлерде жиі байқалуы мүмкін, мысалы. метаболизм жолдарына қатысатын белоктар. Сондай-ақ иерархияда төменірек деңгейлерге қараған кезде, мысалы. гендердің реттелу процестері, стохастикалық оқиғалар қатысатын түрлердің аз көшірме санына байланысты шешуші рөл атқаруы мүмкін. Демек, стохастика көбінесе жасушалық биологиялық жүйелерді көп деңгейлі модельдеу үшін маңызды қасиет болып табылады [23]. Дегенмен, стохастикалық CTMC үшін міндетті түрде шектелмейтінін атап өткен жөн, өйткені кейде экспоненциалды уақыт кешігулерінен басқа жоғары деңгейлерде талап етіледі, мысалы. қалыпты таралу [24].

Түрлер, атрибуттар және шешімдер

ML-Rules үлгілерінің негізгі құрылыс блоктары кез келген қызығушылық объектісін көрсете алатын түрлер деп аталады, мысалы: шағын химиялық заттар, ақуыздар сияқты макромолекулалар немесе мембранамен байланысқан жасушалық бөлімдер. Әрбір түрдің атауы бар, мысалы. А, және әрбір атауда тұрақты аритет бар ар ∈ ℕ 0 ол түрдің атрибуттарының санын көрсетеді. Атрибуттар соңғы мәндер жиынымен шектелмейді және олар сандық мәннің және мәтіндік жолдың кез келген түрі болуы мүмкін. Осы мақалада конвенция үшін түр атаулары бас әріптен басталады және атрибуттар атаудың артындағы жақша ішінде қалың қаріп түрінде жазылады. Жақшалар алынбайды, егер ар = 0. Мысалы, А, А(1), А(0,1.67), және А(жасыл,-15, рас) түр үшін жарамды мысалдар болып табылады А бірге ар(А) = сәйкесінше 0, 1, 2 және 3. Дегенмен, бұл мысалдар олардың екеуі немесе одан да көпі бір үлгіде қолданылған кезде жарамсыз, өйткені түр атауының аритеті бекітілген және сондықтан бірдей атаулары бар түрлер арасында әр түрлі болмауы мүмкін, яғни. А Бұл жағдайда. Атрибуттардың әрбір анықталған комбинациясы бөлек түр болып табылады, яғни. А(1, 1) және А(1, 2) аты бірдей, бірақ әртүрлі түрлер.

Шешім - түрлердің көп жиынтығы, яғни бір түр немесе бірнеше қосалқы ерітінділердің құрамы болуы мүмкін. '+' бірнеше шешімдерді құруға арналған бөлгіш таңба және шешім де бос жиын болуы мүмкін ∅ . жазамыз нА бірге n ∈ ℕ 0 құрайтын шешімге сілтеме жасау n бірдей көшірмелері А (n қабылданбайды, егер n = 1). Мысалы, [2 A(1) + 4А(2) + B] сәйкесінше саны 2, 4 және 1 болатын үш түрлі түрден тұратын ерітіндіні сипаттайды.

Реакция ережелері, ереже схемалары және олардың инстанциясы

Реакция ережелері модельдің динамикасын сипаттайды, яғни белгілі бір түрлердің берілген шешімнен қалай жойылатынын немесе оған қосылуын анықтайды. Күйдіру кезінде ереже әрекеттесуші ерітіндіні алмастырады С өнім ерітіндісі арқылы С'. Жалпы синтаксис химиялық реакция теңдеулерінің белгілерін және басқа ережеге негізделген модельдеу тілдерінің көпшілігін, мысалы: [8, 9, 16, 17, 25], яғни аралық оң жақ көрсеткінің сол жағында әрекеттесуші заттар және оң жағында өнімдер жазылған:

Қарапайымдылық үшін біздің синтаксис тек бір бағытты ережелерге рұқсат береді. Осылайша, қайтымды реакцияларды модельдеу үшін бір-бірін толықтыратын екі ережені анықтау керек. Дегенмен, қажет болса, синтаксисті қайтымды реакция ережелеріне дейін кеңейту оңай болар еді.

Ереже схемалары реагенттердің атрибуттарын байланыстыру үшін айнымалы мәндерді пайдаланатын шартты ыңғайлылық болып табылады. Осылайша, әрбір ереже схемасы бірнеше ереже данасы, яғни реакциялар үшін кодтауы мүмкін. Түрді түрлендіретін реакцияны алайық А басқа түрге бөлінеді Б. Жағдайды қарастырыңыз, бұл А ариті бар атрибутталған түр болып табылады ар(А) = 1, бірақ атрибут оның реакциясы үшін қызықты емес Б. Схемалық ережелерсіз атрибуттың әрбір мүмкін мәні үшін бір ережені көрсету қажет болады А, ол жалықтырғыш және қате болуы мүмкін.

Сонымен қатар, біз атрибут мәндерінің жиынын бекітпейтіндіктен, яғни күй кеңістігі шексіз болуы мүмкін, әрбір потенциалды реакцияны анықтау мүмкін емес. Сондықтан, анықталған реактив түрлерімен ережелерді көрсетудің орнына реактивті анықтаймыз үлгі айнымалыны енгізу арқылы x атрибуты үшін А:

Шартты түрде, біз айнымалы мәндерді қалың емес қаріппен және осы қағазда кіші әріптен бастап жазамыз. Жоғарыдағы ереже схемасын шешіммен салыстыру [2 А(1) + 4А(2)] келесі екі ереже данасын бағалайды:

Осындай өте қарапайым нұсқалардан басқа, ереже схемаларын атрибуттарды көрсету үшін өрнектерді қолдану арқылы да анықтауға болады. Мысалы, реактивтердің үлгісі А(x) + А(2x) кем дегенде екі шешімге сәйкес келеді ретінде бар, олардың біреуінің төлсипатының мәні екіншісінің төлсипатының мәнінен дәл екі есе көп. Өрнектер өнімдердің төлсипатын көрсету үшін де пайдаланылуы мүмкін, мысалы: ереже А(x) → Б(2x) ерітіндіге қолданылады [А(2) + Б(3)] әкеледі [Б(3) + Б(4)]. Назар аударыңыз, ерікті функцияларды өрнектер үшін пайдалануға болады (сонымен қатар орындау бөлімін қараңыз).

Ережелер санын одан әрі қысқартуға түрлер арасындағы байланыстарды көрсету үшін атрибуттарды пайдалану арқылы қол жеткізуге болады, мысалы. ақуыз кешендері ішіндегі ковалентті емес байланыстарды модельдеу. Осылайша, ақуыз кешенінің жеке бөлімшелерін көптеген түр атауларын көрсетудің орнына сақтауға болады, олардың әрқайсысы суббірлік күйлері мен байланыстардың басқа комбинациясын көрсетеді (фондағы тірек протеинінің мысалын еске түсіріңіз). көмегімен толығымен жаңа мәндерді жасауға болады ν-оператор:

Ф еркін байланыстырушы торапты білдіретін тұрақты шама және νx ағымдағы үлгі күйінде болмаған саусақ ізіне ұқсас бірегей мән жасайды. Ол ереженің оң жағындағы өнімдерге айнымалы арқылы тағайындалады x, яғни ереженің инстанциясында, x осы нақты байланыстыру үшін идентификатор ретінде қызмет ететін жаңадан жасалған бірегей мәнмен ауыстырылады. Түрлердің байланысын көрсетудің бұл әдісі π-есептегі жеке арналармен бірдей [6, 26] және күрделі түзілу туралы анық түсініктері бар ережеге негізделген тілдермен жасауға болатындай молекулалық кешендерді модельдеуге мүмкіндік береді, мысалы. [16, 17]. Оның үстіне, жасалғаннан кейін бірегей мәндерді жоғары икемді түрде пайдалануға болады, мысалы: екіден астам байланыстырушы серіктестер (графиктегі гипержиектер сияқты) немесе деңгей шекаралары арқылы бөлісетін облигацияларды сипаттау үшін (бірнеше деңгей түсінігі төменде енгізіледі). Жеке тұлғалардың динамикасын байқау үшін түрлерді бірегей индентификатормен белгілеуге де болады.

Дегенмен, бұл тәсілдің молекулалық байланыстардың айқын түсініктерімен салыстырғанда кейбір кемшіліктері бар екенін ескеріңіз: біріншіден, терең білімсіз немесе үлгіні лайықты аннотациясыз түрлердің белгілі бір атрибуттары байланыстыру орындарын білдіретінін анықтау қиын болуы мүмкін. Бұл тәсіл тек бір түрді оның бұрынғы байланыстырушы серіктесі өзгеріссіз қалған кезде оның байланыспаған күйіне қайтаруға мүмкіндік береді. Сондықтан модельдеуші мұндай шынайы емес динамикасыз дұрыс модельді сипаттауға жауапты. Сонымен қатар, кем дегенде, ML-Ережелерін ағымдағы енгізуде түрлер арасындағы байланыстарды модельдеу үшін идентификаторларды пайдалану әртүрлі түрлердің саны артқан сайын модельдеуді баяулатуы мүмкін, сондықтан сәйкес реактивтер айтарлықтай көп уақытты алуы мүмкін (іске асыру бөлімін қараңыз).

Кинетикалық жылдамдықтар мен шектеулер

Әрбір реакция ережесіне r ∈ ℝ 0 + стохастикалық кинетикалық жылдамдығы тағайындалады:

Ереженің жылдамдығы неғұрлым жоғары болса, ереже осы жылдамдыққа сәйкес есептелген уақытта іске қосылуы ықтимал. Кинетикалық жылдамдық қарапайым тұрақты сандық шама болуы мүмкін, мысалы, тұрақты жылдамдықпен химиялық реакцияны сипаттау үшін, яғни жылдамдығы кез келген химиялық түрлердің санына тәуелсіз нөлдік ретті реакция. Дегенмен, биологиялық жүйелерді сипаттайтын реакция ережелерінің көпшілігі дұрыс жүйе динамикасын көрсету үшін бір немесе бірнеше әрекеттесуші түрлердің мөлшерін ескеруі керек. Мүмкін, көп жағдайда ереженің кинетикасы массалық әсер ету заңына бағынады, бірақ жүйелер биологиясында балама кинетика, т.б. Ферментативті реакциялар үшін Михаэлис-Ментен кинетикасы және кооперативтілікті сипаттау үшін Хилл функциялары да жиі қолданылады [27]. Сондықтан математикалық өрнектерді пайдалана отырып, ерікті реакция жылдамдығына жол береміз. Теріс емес сандық мәнге бағаланатын математикалық өрнектің кез келген түріне рұқсат етіледі, сонымен қатар [28] қараңыз.

Түр идентификаторы берілген ерітіндідегі түрлердің мөлшерін көрсету үшін қолданылады. Біз реактивті тағайындаймыз А түр идентификаторы а, яғни. А(. ) а , ол түрлердің санына қарай бағаланады А(. ) ерітіндіде. Массалық әсер ету кинетикасын алсақ, бірінші ретті реакцияның жылдамдығы АБ тұрақты жылдамдықпен к онда келесідей дұрыс сипаттауға болады:

Оны шешуге картаға түсіруді бағалау [2А(1) + 4А(2)] әртүрлі бейімділіктері бар екі ереже данасына әкеледі:

сияқты атрибутталған π-есеп [29] және React(C) [15], реакция шектеулері модель динамикасын неғұрлым күшті басқаруға мүмкіндік береді.

Мысалы, біз алдыңғы ережені тек саны болғанда ғана шектей аламыз А(x) белгілі бір шекті мәннен асып кетті Т:

сомасы болса А(x) берілген ерітіндіде аспайды Т, if-then-else өрнегі ереженің іске қосылмайтынын анықтайтын 0-ге тең кинетикалық жылдамдықпен бағаланады.

Осындай шектеулермен ережелердің оқылуын жақсарту үшін біз қосымша белгілерді қолданамыз. if өрнегінен тұратын күрделі жылдамдықтың орнына e содан кейін r басқа 0 болса, шартты өрнек жазамыз e негізгі кинетикалық жылдамдық тағайындалған көрсеткі астында r:

Алдыңғы мысал енді келесідей көрінеді:

Көп деңгейлі ереже схемалары

Осы уақытқа дейін тізімделген мүмкіндіктер жаңа емес. Атрибуттары мен схемалық ережелері бар түрлер жүйелік биология саласындағы барлық дерлік ережеге негізделген тілде табуға болатын стандартты белгілер болып табылады, мысалы. [11, 15, 16]. Массалар әрекетінің заңына бағынатындардан өзгеше жылдамдық кинетикасы бар биологиялық жүйелерді модельдеу талабы да қазіргі уақытта кеңінен қабылданған сияқты. BIOCHAM [9], LBS [8] және React(C) [15], мысалы, ерікті реакция жылдамдығын қолдайды. Сондай-ақ, BioNetGen тіліне арналған соңғы әзірлемелер енді пайдаланушы анықтайтын жылдамдық заңының функцияларын анықтауға, сонымен қатар басқарудың логикалық тізбектерін құруды қолдау үшін шартты өрнектерді модельдеуге мүмкіндік береді [30]. Барлығы бірге көп деңгейлі модельдеуді қолдауда рөл атқарады.

Дегенмен, көп деңгейлі модельдеудің нағыз маңызды ерекшелігі иерархиялар болып табылады. Иерархиялық құрылымдау күрделі биологиялық жүйелерді олардың құрамдас бөліктері мен олардың арасындағы өзара әрекеттесу тұрғысынан анықтау арқылы модельдеуді жеңілдетеді. Иерархиялар берілген жүйе туралы білімді құрылымдауға көмектеседі [31]. Сонымен қатар, олар биологиялық жүйелерде кездесетін бірнеше бөлінген реакция бөлімшелеріне ұқсас бірнеше кірістірілген ерітінділерді сипаттауға мүмкіндік береді, мысалы. жасушалар, органеллалар және везикулалар.

Иерархиялық үлгі құрылымдарының қажеттілігін шешу үшін біз ұялы түрлер түсінігін енгіземіз. Бұл түрлер тек атаулармен және олардың атрибуттарымен ғана емес, сонымен қатар келесі түрлердің ықтимал жабық шешімімен сипатталуы мүмкін дегенді білдіреді. Қай жерде мысал келтірейік А, Б, C, D, және Е түрлердің әртүрлі атауларын білдіреді. S ерітіндісі екі түрден тұрады А және Б олардың екеуінде де басқа түрлері бар ерітінділер бар. Түрлер А қосалқы шешімнен тұрады С А= [C + 2 D[С D]], яғни бір атомдық түр C және ұяшық түрінің түрі D[С D] саны екі және қосалқы шешіммен С D= [Е]. Бірдей СD, қосымша шешіммен қоса берілген Б атауы бар түрлерден де тұрады Е, бірақ мұнда үш санымен: С Б= [3Е]. Барлық кірістірілген шешімді келесідей жазуға болады:

Тым көп жақшалармен шатастырмау және ұя салу туралы жылдам көрнекі әсер алу үшін келесіде кірістірілген түйіндердің графикалық көрінісін қолданамыз:

Ұя салынған түрлердің әлі де тағайындалған атрибуттары болуы мүмкін екенін ескеріңіз (сонымен қатар 1A және 1B суретін қараңыз). Мәтіндік синтаксисте атрибуттар мен жабық шешім жақшалардың әртүрлі түрлерімен қамтылған, яғни. А(0)[С А] жоғарыда салынған түрлер үшін 0 атрибутының бар екенін білдіреді А. Графикалық синтаксис қарапайым:

Кірістірілген үлгі құрылымы. Иерархиялық модельдеу тұжырымдамасының иллюстрациясы. Түйіндердің әртүрлі пішіндері әртүрлі түр атауларына сәйкес келеді, ал атрибуттар түспен кодталған. Бірдей түйіндердің қабаттасуы белгілі бір түрдің мөлшерін бейнелейді. (A) Кірістірілген түйіндер арқылы иерархиялық үлгі құрылымының графикалық көрінісі. (B) Бағытталған ағаш графигі ретінде балама түрде бейнеленген бірдей үлгі құрылымы.Атомдық түрлерден (үшбұрыштар мен гауһарлардан) басқа, әр деңгейде әр түрдің өз күйі болуы үшін қосалқы ерітіндісі (квадраттары) бар түрлер де жатқызылуы мүмкін екенін ескеріңіз. (C) Иерархиялық үлгі құрылымындағы әртүрлі реактивтердің үлгілерін сәйкестендіру мысалдары. Екінші және үшінші үлгідегі кемпірқосақ реңктері анықталған түстердің, яғни атрибуттардың орнына айнымалыны бейнелейді.

Ұяланған түрлерге атрибуттарды тағайындау мүмкіндігі әрбір иерархиялық деңгейді тек жабық түрмен анықталмаған жеке күймен жабдықтауға мүмкіндік береді. Мұндай жоғары деңгейлі күйлер көп деңгейлі модельдеу үшін ерекше қызығушылық тудырады, өйткені олар ұйымның әртүрлі деңгейлерінде орындалатын бақылауларға ұқсас динамикалық әрекетті сипаттауға мүмкіндік береді. Кейінгі үлгі үлгісі мұны егжей-тегжейлі көрсетеді.

Кірістірілген иерархиялық үлгі құрылымы жоғарыда сипатталғандай ереже схемаларын көрсету арқылы ғана емес, яғни анықталған төлсипат мәндерінің орнына айнымалылары бар реактив түрлерін көрсету арқылы үлгі күрделілігін азайтуға есік ашады. Қажетті ережелер санын бірнеше ерітінділерге ережелерді қолдану арқылы да азайтуға болады, осылайша әрекеттесуші заттарды әртүрлі деңгейлерде және әртүрлі түр түрлерімен қоршалған ерітінділер ішінде сәйкестендіруге болады (1С-сурет). Дегенмен, бұл семантика үшін маңызды салдары бар. Ерітінділерге ережелерді қолдану және реакцияның бейімділігін есептеу кезінде жоғары деңгейдегі түрлер санымен берілген осы қолданбаның контекстін ескеру қажет (2-сурет). Ереженің бейімділігін жоғарыдағы бүкіл иерархияға сәйкес реттеу керек, өйткені реакцияның орын алу ықтималдығы жоғарырақ, шешімдер неғұрлым көп болса, оның ықтимал орын алуы мүмкін.

Ережелердің иерархиясына тәуелді инстанциясы. Түрлердің популяциялық жинақталуына байланысты ережені құру бейімділігі (ату жылдамдығы) тек схемалық ереженің нақты жылдамдығымен (мұнда жасыл үшбұрыштар мен көк гауһар тастар саны) анықталмайды, сонымен қатар ол контекстке де тәуелді, яғни ол қоршалған түрлердің санына пропорционал. Сондықтан ереже данасын санау сәйкес келетін реактив түрлерінің үстіндегі бүкіл иерархияға тәуелді p бейімділігін есептеуді талап етеді. Мысалы, ең оң жақ сәйкестік бейімділігі 2·2·1·2 = 8-ге пропорционал, мұндағы алғашқы екі фактор үшбұрыштар мен гауһар тастардың мөлшеріне сәйкес келеді, үшіншісі жалғыз қоршаушы тіктөртбұрышты сипаттайды, ал соңғы фактор сәйкес келеді ең шеткі қоршау түрінің мөлшері (дөңгелек бұрыштары бар ашық көк).

Иерархиялық үлгінің әртүрлі деңгейлерінің бір-бірімен әрекеттесуі үшін ереже кірістірілген реактивтерді және/немесе өнімдерді қамтуы мүмкін. Мұндай ережелер тегіс модельдердің ережелерімен бірдей көрінеді. Негізінде, мұндай ережелердің тізімі де ұқсас жұмыс істейді. Мысалы, ереже

реакциясын сипаттайды А(0) дейін А(1) шартымен А кем дегенде бір түрді қамтиды C. Назар аударыңыз, бұл ереже қай жерде түрлерге сәйкес келуі мүмкін А(0) басқа түрлері бар C (қайсысы және қанша болса да), мысалы, алдыңғы мысалдағыдай. Дегенмен, бұндай қосалқы шешім ереже іске қосылғанда жоғалады, себебі өнім түрі тек біреуін қамтиды C. Бұл әлеуетті қосалқы шешімге де қатысты C реактив үлгісі әр түрге сәйкес келеді, мұнда a C қосалқы шешімінің бөлігі болып табылады А(0), бірақ оның ішкі шешімі туралы ештеңе айтылмайды C. Демек, егер әрекеттесуші түр C басқа түрлерді қамтыса, олар да жоғалып кетер еді.

Мұның алдын алу үшін шешімді айнымалыға байланыстыру арқылы біз мұны анық көрсетуіміз керек. x, реакция үшін қорғаушыны анықтау, яғни. Cx, және енгізу x өнімге:

Шешімнің қалған бөлігін сақтауды қалайтынымыз жиі болатындықтан, айнымалы шешімнің барлық қалған бөлігіне (келесі мысалдағы үзік тіктөртбұрыш) байланыстырылатын және оны пайдалануға болатын осы жағдай үшін арнайы ереже схемасын береміз. осы шешімді ереженің өнім жағына қайта енгізу үшін. Жоғарыдағы ережені қазір келесідей көрсетуге болады:

Мұндай байланыстырылған шешімдерді өнімдерді анықтау үшін еркін қайта пайдалануға болады, яғни шешімдерді тасымалдау, көшіру және біріктіру оңай міндеттер. Бөлу мәселесі басқа мәселе, ол үшін шешімдер бойынша нақты операциялар қажет, мысалы. ерітіндіні екі жаңа шешімге тең бөлу. ML-Rules және оның ағымдағы симуляторы атрибуттарда ерікті функцияларды пайдалануға мүмкіндік берсе, шешімдерде функцияларды қолдануға әлі қолдау көрсетілмейді. Дегенмен, ML-Rules-ке интеграция синтаксис пен семантиканың аз ғана бейімделуін талап етеді, сондықтан жақын болашаққа жоспарлануда.

Кейінірек біз нақты биологиялық жүйеге негізделген көп деңгейлі көзқарасымызды егжей-тегжейлі түсіндіреміз. Осы мысалдың көмегімен біз көп деңгейлі модельдеу қажеттілігін тағы да дәлелдейміз және жоғары және төмен себептік байланыстың қалай жүзеге асатынын көрсетеміз.

Іске асыру

ML-Rules үшін модельдеу және имитациялау ортасы JAMES II модельдеу және имитациялық шеңберде жүзеге асырылды [32]. 3А суретінде JAMES II құрылымына қысқаша шолу берілген, ол мынадан тұрады негізгі және әртүрлі үлкен жиынтығы плагиндер. ML-Rules үшін жаңа қосылатын модульдер жинағы енгізілді: синтаксисті бөлектеуді қолдайтын ML-Rules үлгілерін жасауға және өңдеуге мүмкіндік беретін редактор (соның ішінде синтаксистік және семантикалық сәйкестікті тексеру) және Тікелей реакция әдісіне негізделген симулятор. Gillespie [33] және осылайша дәл стохастикалық модельдеу алгоритмін (SSA) жүзеге асырады. Сонымен қатар, модельді оқуға және жазуға және үлгіні бақылауға арналған плагиндер іске асырылды (сонымен қатар 3B суретін қараңыз). Бұл JAMES II-ге жаңа формализм қосылған жағдайда іске асырылуы керек типтік плагиндер. Басқа плагиндерді жай ғана қайта пайдалануға болады, мысалы: кездейсоқ сандарды генерациялау және оқиғалар кезегі үшін. Сондай-ақ (параллельді) оңтайландыру, валидация, бақылауды талдау, деректерді сақтау және т.б. үшін плагиндерді толық модельдеу зерттеулерінің орындалуын қолдау үшін қайта пайдалануға болады [34].

ML-Rules архитектурасы және JAMES II шеңбері. (A) JAMES II модельдеу және имитациялық құрылым архитектурасына негізгі шолу. Негізгі бөлім эксперименттерді іске қосу үшін қажетті қосылатын модуль түрлері мен қосылатын модульдердің негізгі жинағын анықтайды, сонымен қатар басқа қосылатын модульдерде қайта пайдалануға болатын құралдардың бай жинағын қамтамасыз етеді. Сондай-ақ, ядроның бір бөлігі, тізілім қосылатын модуль түрлері мен қосылатын модульдерді басқаруға жауап береді, ал эксперимент қабаты симуляциялық эксперименттерді жүзеге асырады, мысалы. қарапайым модельдеу орындалу, параметрлерді сканерлеу, оңтайландыру және сезімталдық талдаулары. (B) Негізгі ML-Rules плагиндеріне және олардың бір-бірімен байланысына оңайлатылған шолу. Көрсеткілер деректер ағынын көрсетеді.

Төменде біз модельдеу алгоритмінің негізгі сипаттамасын береміз. JAMES II модельдеу алгоритмдері монолитті блоктар ретінде жасалмағанын ескеріңіз. Плагиндерді пайдалану арқылы балама қосалқы алгоритмдерді оңай пайдалануға және біріктіруге болады. Алгоритмдердің өнімділігі мен жарамдылығы көп дәрежеде нақты модельге байланысты екені, бөлшектердің (яғни қосалқы алгоритмдер) маңызды екені және қолайлы конфигурация модельдеуді айтарлықтай жылдамдатуы мүмкін екендігі көрсетілді [35]. Сұраныс бойынша симуляторларды автоматты түрде таңдауға және конфигурациялауға көмектесетін әдістермен үйлесімде модельдеу дизайнының бұл түрі көп деңгейлі үлгілерді орындау үшін жоғары икемділікті қолдайды. Сондықтан симулятор келесідей құрылымдалған.

талап ету: S, ережелер

үшін ruережелер істеу

rtsMatchReactants(ру, S)

rctsrcts | Реакцияларды жасау(ru, rts, С)

үшін r ∈ rcts істеу

r тірекCalcPropensity(r)

реакцияSSA(rcts)

үшін реактивреакция істеу

Реактивті жою(реактив)

үшін өнімреакция істеу

PutProduct(өнім)

Сәйкестікреактивтер таңдалған ереже схемасының барлық сәйкес реактивтерін таңдайды ru. Келесі қадам ереже схемасын жасау болып табылады ru және реакцияларды есептеу арқылы эквивалентті ереже даналарын топтау rtcs. Енді әрбір реакцияға бейімділік есептеледі r. Назар аударыңыз, қазір әрекеттесуші заттардың саны (қолданылатын) реакцияның бөлігі болып табылады, бейімділікті есептеу тек тәуелді r. Сондай-ақ, барлық қажетті ақпарат әрқайсысы үшін тікелей қол жетімді өнім жылы r, ереженің өнім жағында пайдаланылатын байланыстырылған төлсипат мәндері немесе шешімдер сияқты. Осыдан кейін SSA шақырылады. Біз осы уақытқа дейін Гиллеспидің тікелей реакция әдісін біріктірдік. Таңдалған реакция әрекеттесуші заттарды алып тастау және өнімдерді қосу арқылы орындалады.

күрделілігі Сәйкестікреактивтер әрекеттесуші затты сәйкестендіру үшін O n + m k мұндағы n ерітіндідегі түрлердің санын білдіреді, м бір контексте түрлердің саны және к әрекеттесуші заттың ұя салу тереңдігі. күрделілігі Реакцияларды жасау - O ( l n ) мұндағы l - ереженің әрекеттесуші заттардың саны. Кейбір оңтайландырулар қолданылады, мысалы. сәйкес реагенттерді іздеу кеңістігін шектеу үшін. Мысалы, ережені бағалау кезінде А(4) → B, барлық АҚағидадағы әрекеттесуші заттарды ерітіндіге сәйкестендіру үшін атрибуты 4-ке тең емес s қарастырылмайды. Дегенмен, модельдеу әрекеттерінің көпшілігі әлі де есептеуге кетеді rts, яғни ережелерге сәйкестік (жалпы есептеудің 50% дөрекі). Сондықтан қазіргі күш-жігер сәйкестендірудің балама тәсілдерін әзірлеуге бағытталған, мысалы. арнайы индекстік әдістерді біріктіру. Барлық ықтимал реакциялардың уақытты қажет ететін инстанциясын болдырмау үшін, бірдей түрлердің популяцияларына емес, жеке бөлшектерге негізделген балама кинетикалық Монте-Карло модельдеу тәсілі [30, 36, 37] ML-Rules модельдерін имитациялау үшін зерттеуге тұрарлық болуы мүмкін.

бірге CalcPropensity әрбір түзілген реакцияның бейімділігі көрсетілген өрнекті пайдаланып және сәйкес шешімнің контекстін ескере отырып есептеледі. Бұл бейімділік сәйкес шешім бөлігі болып табылатын ықтимал контексттер санына сәйкес түзетілетінін білдіреді (алдыңғы бөлімді және 2-суретті қараңыз). Java рефлексиясының негізінде қазіргі уақытта Java қамтамасыз ететін функцияларды өрнектер ішінде пайдалануға болады. Болашақта плагин ретінде өз функцияларының кітапханасын біріктіру жүзеге асырылатын болады.

Орындау кезінде популяциялардың бірізділігін сақтау Реактивті жою және PutProduct модельдеу кезінде шешуші бөлік болып табылады және ұя салынған түрлерді ескере отырып, ерекше назар аударуды талап етеді. Бұл ерітіндіден s түрінің жойылғанын білдіреді С субжалпы шешімнен С, ішіндегі популяциялар С сәйкес жаңарту қажет. Кейде популяциялық құндылықты төмендету жеткіліксіз болуы мүмкін с жылы С суб, себебі s-ді алып тастау арқылы С суб, С суббасқа түрге айналады, яғни оны бұрынғы популяциядан бөлу керек және сол түрдің бұрыннан бар популяциясымен біріктіру қажет (төмендегі мысалды қараңыз). Бөлу мен біріктіру қажет болмайынша, бұл іс жүзінде иерархия бойынша жоғары көтерілуі керек. Келесі мысалда бөлу және біріктіру көрсетілген. Шешім берілген:

Біреуін алып тастау Б бастап А[3Б], алдымен халықтың екіге бөлінуіне алып келеді А[3Б] және нәтижесінде шешім шығады

қайда А[2Б] бұрыннан бар 2 популяциясымен біріктірілуі керекА[2Б], сондықтан дұрыс шешім болады

Ағымдағы симулятор негізінен дискретті оқиға симуляторы ретінде жұмыс істейді. Сондықтан экспоненциалды түрде таралмаған оқиғаларды қолдау үшін тек шамалы бейімделулер қажет. Бұл ерекшелік маңызды, өйткені жоғары деңгейдегі көптеген биологиялық құбылыстар [38] дәлелдегендей экспоненциалды түрде таратылмайды. Сондай-ақ, көп деңгейлі модельдер әртүрлі уақытша масштабтарда жиі жұмыс істейтіндіктен, бұл үлгілерді таза дискретті оқиға әдісімен имитациялауға арналған есептеу әрекеті оңай тыйым салуы мүмкін. Сондықтан гибридті модельдеу тәсілдері, мысалы. [23, 39], болашақта пайдаланылуы тиіс.

Қосымша 1 файлымен біз үлгі редакторы, симулятор, қарапайым сызықтық диаграмма визуализациясы және модельдеу деректерін экспорттаудан тұратын прототиптік демонстрациялық бағдарламалық құралды ұсынамыз. Келесі мысалдарды, сондай-ақ қосымша үлгі үлгілерін жүктеуге және ML-ережелерінің нақты синтаксисін көрсетуге болады. Оның бастапқы коды http://www.jamesii.org сайтында келесі JAMES II шығарылымының бөлігі ретінде ашық бастапқы лицензия бойынша қолжетімді болады.

Үлгі үлгі

Біз көп деңгейлі көзқарасымызды бөліну ашытқысының дерексіз көпжасушалы моделімен дәлелдегіміз және суреттегіміз келеді (Schizosaccharomyces pombe) жасушаішілік басқару тізбегіне байланысты жасушаның бөлінуі және жұптасу типінің ауысуы. Бұл өзара әрекеттесетін белоктардың жасушаішілік реттеуші желісі өз кезегінде жасушаның өлшеміне және ерекше феромон молекулаларына байланысты. Жұптастыруға дайындалу үшін бөлінетін ашытқы жасушалары қарама-қарсы жұптасу түрі бар жасушалардың бөліну циклін тоқтататын феромондарды шығаруы мүмкін. Сонымен, көптеген деңгейлердегі модельдің әртүрлі бөліктері бір-бірімен өте тығыз байланысты және бір-біріне әртүрлі жолдармен әсер етеді (4-суретті қараңыз). Сонымен қатар, феромон сигналдары мен жасушалардың орналасуы арасындағы байланысты зерттеу үшін модель сонымен қатар феромондардың диффузиясын және көп шоғырланған жерлерден жасушалардың ығысуын қамтитын қарапайым кеңістіктік динамикадан тұрады.

Үлгінің схемалық сипаттамасы. Мысал үлгісі үш түрлі иерархиялық деңгейден тұрады. Төменгі деңгейде өзара әрекеттесетін ақуыздар бөлінетін ашытқы жасушасының жасушаішілік динамикасын сипаттайды (1-5 реакциялар). Молекулалық түрлер мен реакциялар [46] сипатталғандарға ұқсас. Аралық деңгей бүкіл жасуша күйлерінің динамикасын сипаттайды, яғни жасушаның өсуі (6), жасуша циклінің фазалық ауысуы (7-9) және жұптасу түрін ауыстыруды (9) қоса алғанда, бөліну. Сонымен қатар, жасушалар жасушадан тыс ортаға феромон молекулаларын (Р-фактор және М-фактор) бөле алады (10). Аралық және төменгі деңгей арасындағы әртүрлі деңгей аралық себепті байланыстар жоғары (7-9) және төмендеу (4,11-12) бағыттағы процестерге әсер етеді. Жоғарғы деңгей жасушалардың феромондар диффузиясы мен орын ауыстыруының кеңістіктік динамикасын зерттеу үшін жасушалардың ортасын бірнеше ойдан шығарылған бөліктерге бөледі (13-14). Модельдегі түрлерді атау үшін қолданылатын қысқартулар: Ы (циклин), Ы П(фосфорланған циклин), D (cdc2), М I(белсенді емес MPF), М А(белсенді MPF), C (бөлінетін ашытқы жасушасы), Ф П(Р-фактор феромоны), Ф М(М-факторлы феромон), Г (кеңістіктік тордың воксельі).

Ұсынылған модель жасуша биологиясындағы белгілі бір құбылыстарды модельдеу үшін ұйымдастырудың әртүрлі деңгейлерін қарастырудың маңыздылығын көрсетеді және жұмыста бұрын енгізілген тұжырымдамаларды көрсетеді. Атап айтқанда, үлгіні бір ұяшықтан бірнеше ұяшықтарға кеңейту ұсынылған ережеге негізделген көп деңгейлі тәсілдің артықшылықтарын көрсетеді.

Модель бөліну ашытқылары туралы ғылымға үлес ретінде арналмағандықтан, ол әр аспектіде дұрыс болмауы және осы жүйе туралы білімнің ағымдағы деңгейін көрсетпеуі мүмкін. Сондай-ақ белгілі бір параметрлер жай ғана бағаланады. Дегенмен, біз ML-Rules сияқты ережеге негізделген көп деңгейлі тәсілдің мұндай жүйелерді модельдеуді қалай жеңілдететінін көрсететін нақты жағдайлық зерттеуді ұсынуға назар аудардық.

Жасушаның бөліну циклі

Эуркариот жасушасының циклі төрт ерекше фазадан тұрады: Г1, С, Г2, және M. Алғашқы үш фазада жасуша мөлшері ұлғаяды және оның ДНҚ репликацияланады. Циклдың соңында жасуша М фазасына (митоз) еніп, соңында екі аналық (немесе ағайынды) жасушаға бөлінеді. Жасушаның бөліну циклінің бұл негізгі оқиғалары белгілі ақуыздармен бақыланады және бөлінетін ашытқылардағы негізгі реттеу процестері кеңінен зерттелген [40-45].

Біздің мысал моделімізде ақуыз деңгейіндегі реттеу Тайсонның ертедегі үлгісіне негізделген [46]. Бұл детерминирленген үздіксіз модель екі ақуыздан тұрады, циклин және cdc2, олар жетілуді ынталандыратын фактор (MPF) деп аталатын кешен құрайды, ол өз кезегінде жасуша циклі арқылы өтуді бақылайды. Бүгінгі таңда бұл жүйенің салыстырмалы түрде қарапайым Тайсон моделіне қарағанда әлдеқайда егжей-тегжейлі үлгілері бар, мысалы. [43, 47–49]. Дегенмен, мұндағы мақсат ашытқы жасушаларының циклін басқарудың ең дәл үлгісін беру емес, көп деңгейлі модельдеудің жасуша бөлінуінің кейбір аспектілерін зерттеу үшін неліктен маңызды екенін және оны қалай жүзеге асыруға болатынын көрсету. Бұл тұрғыда Тайсон моделі өте қолайлы, өйткені ол қарапайым, бірақ сонымен бірге маңызды динамикаға ие.

Бұл модельдің реакцияларының көпшілігі массалық әрекет заңына бағынады және біз мұнда әрбір ережені егжей-тегжейлі қарастырмаймыз. Оның орнына біз барлық модельді табуға болатын қосымша материалға сілтеме жасағымыз келеді (қосымша 2 файл). Біздің көзқарасымыз бойынша қызықты реакциялар MPF активтенуі және осы кешеннің кейінгі диссоциациясы болып табылады. Белсенді емес MPF активтенуі, яғни оның cdc2 суббірлігінің дефосфорлануы автокаталитикалық процесс болып есептеледі:

Белсендірілген MPF мөлшері неғұрлым жоғары болса (М А), белсендіру жылдамдығы соғұрлым жоғары болады D тотcdc2 жалпы санын білдіретін модель параметрі.

Тайсон екі параметр үшін аймақты анықтады (автокаталитикалық MPF белсендіру жылдамдығының тұрақтылары және оның диссоциациясы), онда белсенді емес және белсендірілген MPF кешенінің мөлшерінің жарылыстарымен тұрақты циклдік тербелістерді байқауға болады. Стохастикалық процестерге байланысты ауытқуларды құраса да, біздің үлгі үлгісінің жасушаішілік реакциялары ұқсас тербеліс әрекетін көрсетеді (5А-сурет). Екі шыңның арасындағы шамамен 30 минуттық кезең жабайы түрдегі бөліну ашытқысының 116 минуттық орташа екі еселену уақытынан әлдеқайда қысқа [50]. Ұзақ тербеліс кезеңіне жету үшін, жасуша өлшемін ұлғайту үшін, Тайсон MPF-ның cdc2 және циклин-Р-ге ыдырауын катализдейтін ферментті сұйылтуды болжайды. Сондықтан бастапқы модель цикл кезінде жылдамдық константасын пропорционал болатындай етіп реттейді Exp(-0.693т/Т г), мұндағы t – уақыт және Т гжасуша мөлшерінің екі еселену уақыты. Жасуша ішілік ақуыздардың мөлшерімен салыстырғанда, жасушаның мөлшері (немесе көлемі) жасуша деңгейінде жоғары деңгейдегі ақпаратты белгілеудің жақсы үлгісі болып табылады. Демек, жанама төмен себептілік пен жүйенің көп деңгейлілігі Тайсон үлгісімен ескеріледі.

Жеке бөлінетін ашытқы жасушасының жасушалық цикл динамикасы. Үш түрлі жасушалық цикл моделінің модельдеу нәтижелері. Белсенді емес MPF қою жасыл қисық сызықтармен бейнеленген, ал ашық жасыл белсендірілген MPF-ны білдіреді. (A) [46] ұсынылған жасушалық цикл моделінің стохастикалық нұсқасы. Модельдеу параметрлері [46] 3а суретін шығару үшін пайдаланылған параметрлерге ұқсас, яғни. к3 = 180 мин -1 және к4 = 0,9 мин -1 . (B) Модель ұяшық көлемінің ұлғаюына байланысты MPF диссоциациясының жылдамдығын динамикалық реттеу арқылы төмендеу себепті байланысты қамтиды.Параметрлер қосымша 2-файлдағы 1-үлгі үшін берілгендерге тең. (C) Төмен және жоғары себепті байланыстан тұратын көп деңгейлі модель. MPF диссоциациясы жасуша көлеміне байланысты және сонымен бірге жасуша циклінің бір фазасынан екіншісіне өту белсенді және белсенді емес MPF жасушаішілік мөлшеріне байланысты. Толық үлгіні, сондай-ақ бастапқы шешім мен параметрлерді қосымша 2-файл, 1-модельде табуға болады.

Біз осы бірнеше деңгейлерді және олардың өзара байланысын қазір анық көрсеткіміз келеді. Сондықтан біз атрибутталған түр атауын енгіземіз C бұл ұяшықты және оның ағымдағы көлемін, яғни оның өлшемін сипаттайды. Осылайша, біз әртүрлі ұяшық даналары үшін ұяшық ішіндегі MPF диссоциациясының жылдамдығын динамикалық және жеке реттей аламыз:

Назар аударыңыз, циклиннен айырмашылығы (Ы және Ы П), біз фосфорланған және фосфорланбаған cdc2 (D). Бұл бастапқы үлгіге сәйкес жеңілдету, өйткені cdc2 фосфорлану және фосфорлану реакциялары басқаларымен салыстырғанда өте жылдам, сондықтан оларды елемеуге болады. Қосымша назар аударыңыз, шектеу (а > 1) мұны қамтамасыз етеді М Акез келген уақытта белсендірілген MPF-тің кем дегенде бір молекуласы болуы үшін ешқашан толығымен бұзылмайды. Бұл болжам қажет, өйткені басқа жағдайда MPF белсендіруінің жоғарыда көрсетілген ережесін қосу мүмкін емес. М Анөлге тең. Балама түрде, қоршалғанның ағымдағы санын білдіретін қосымша ұяшық төлсипатын енгізуге болады М Ажәне автокаталитикалық реакцияны сипаттау үшін жоғары деңгейлі ақпарат ретінде қызмет етеді:

MPF диссоциациясының әртүрлі жылдамдықтарымен жасуша циклінің динамикасын аяқтау үшін әлі жетіспейтін жалғыз процесс - бұл жасушаның өсуі, яғни уақыт өте келе оның көлемінің ұлғаюы және жасушаның бөлінуін имитациялайтын көлемнің күрт төмендеуі. Сондықтан біз көлемнің өсімін 1/ұлғайту үшін дискреттейміз.Т гтұрақты жылдамдықпен к6 = минутына 1, мұнда Т горташа еселеу уақыты:

Мұндағы ұяшық көлемі салыстырмалы мән болып табылады, мұнда 1 және 2 сәйкесінше туу және бөліну кезіндегі типтік көлемдерді білдіреді. Сондықтан жасушаның өсуіне қатысты жоғарыда аталған ереже тек қана көлем 2-ден, яғни туған кездегі типтік көлемнің екі еселенген мәнінен төмен болғанша ғана отпен шектеледі. Демек, жасушаның бөлінуі, яғни жасуша көлемінің екі есе азаюы көлемнен асқаннан кейін немесе 2-ге тең болғаннан кейін жүреді:

Ереженің оң жағындағы екі ұяшықты қою арқылы мұнда ұяшықтар санын көбейту оңай болатынын ескеріңіз. Кейінірек біз модельді осылай кеңейтеміз. Дегенмен, жоғары деңгейлі күй мен төменгі деңгейдегі процестер арасындағы өзара әрекеттесу бұл жерде бізді қызықтыратын нәрсе болғандықтан, біз ұяшық санын тұрақты түрде сақтаймыз және жасуша көлемін екі есе азайту арқылы жасушаның бөлінуіне еліктейміз. Бұл кезеңде модель [46]-да көрсетілген жасушаішілік процестерді және жасушаның күйі (оның көлемі) төменгі деңгейдегі процеске әсер ететін айқын төмен себеп-салдарлық байланысты қамтиды. Дегенмен, 5В суретте көрсетілгендей, орташа тербеліс кезеңі бұрынғыға қарағанда ұзағырақ және осылайша байқалған жасуша циклінің ұзақтығына жақынырақ болса да, қазір ол өте айнымалы және массаның екі еселену уақытынан айтарлықтай қысқа (Т г) 116 минут. Сонымен қатар, бұл белсенді MPA жарылыстары мен жасушаның бөліну уақытының сәйкес келмеуіне әкеледі. Демек, шынайы тербелмелі мінез-құлықты алу үшін және ақуыз шыңдары мен бөліну уақыты арасындағы жақсы сәйкестікке қол жеткізу үшін біз модельді одан әрі кеңейтуіміз керек. Сондықтан төмен деңгейлі күйлердің жасуша деңгейіндегі динамикаға қалай әсер ететінін, яғни жасуша ішілік динамиканың жасуша әртүрлі жасушалық цикл фазалары арқылы өтуі үшін жоғары деңгейдегі оқиғаларды қалай іске қосатынын қарастырайық.

Белсенді емес MPF жинақталуы, яғни циклин және cdc2 екі суббірлігі де фосфорланатын кешен, ДНҚ синтезінің басталуын білдіреді, яғни белсенді емес MPF G-ден өтуді бақылайды.1 S фазасына дейін. Сондықтан біз алдымен ұяшықты жабдықтаймыз C осындай ауысуларды модельдеу үшін жасушалық циклдің ағымдағы фазасына арналған қосымша атрибутпен. ДНҚ репликациясы (S фазасы) әрбір жасушалық цикл үшін біршама тұрақты уақытты алатындықтан, бізді G-ны бақылау көбірек қызықтырады.1 және Г2 бақылау нүктелері, біз S және G біріктіреміз2 фазалардан бір фазаға дейін S/G2. Содан кейін біз G үшін ережені анықтаймыз1-S/G2 мөлшері болса ғана отпен шектелген көшу М Iбелгілі бір шекті мәннен асады т7:

Сол сияқты, ауысу Г2 М фазасы шекпен қорғалған т8 белсенді MPF мөлшері:

Жасуша циклінің соңғы ауысуы фазаны M-дан G-ге ауыстырады1, ал шын мәнінде, бір уақытта жасуша екі еншілес жасушаға бөлінеді. Дегенмен, біз әлі де тек жоғары және төменгі деңгейдегі мемлекеттердің өзара әрекеттестігіне мүдделіміз. Осылайша, біз ұяшықтардың мөлшерін тұрақты түрде сақтаймыз, бірақ жоғарыда көргендей ұяшық көлемін азайтамыз. Бөлу белсенді MPF екінші шекті мәннен төмен түскеннен кейін орын алады т9 қарағанда әлдеқайда төмен т8:

Фазалық ауысулардың барлық үш жағдайда да жасушаның мазмұны өзгеріссіз қалады, өйткені ережелермен реттелетін жалғыз өзгеріс жасуша циклінің фазаларына арналған. Ережелер жоғары себепті байланыстың типтік мысалдарын сипаттайды, яғни төмен деңгейлі күйлер (белгілі бір ақуыз кешендерінің мөлшері) жоғары деңгейлерде (жасуша) динамикасын анықтайды. Олар сондай-ақ деңгей аралық себеп-салдарлықты модельдеу үшін икемді реакция шектеулерінің қажеттілігін көрсетеді.

Енді модельде жасуша циклінің әртүрлі фазалары үшін күйлер анықталғандықтан, оның көлемі екі есеге дейін өскенше жасушаның өсуін шектеудің қажеті жоқ. Оның орнына біз жасушаның кез келген уақытта өсуіне мүмкіндік береміз, бірақ M фазасында емес:

Осы көпдеңгейлі модельдің имитациялық нәтижелері тербелістердің орташа периоды енді массаның екі еселену уақытына сәйкес келетінін көрсетеді. Т г(5С-сурет). Жасушаның бөлінуі 2-ден үлкен көлемде болуы мүмкін, демек, жасушалық циклге қарағанда көбірек уақыт қажет болуы мүмкін. Т г, бірақ егер солай болса, бұл келесі циклге әсер етеді. Туған кездегі ерекше үлкен көлемге байланысты MPA белсендіру салыстырмалы түрде тез жүреді, сондықтан келесі цикл қалыптыдан сәл қысқарақ болады. Осылайша, жоғары және төмен себептілік жасуша циклінің ұзақтығын және жасуша мөлшерінің гомеостазын реттейді.

Нәтижелер жасушалардың бөлінуі сияқты құбылыстарды зерттеудегі көп деңгейлердің рөлін және олардың өзара байланысын атап көрсетеді. Сондықтан, ML-Rules шектеулерге негізделген ерікті кинетикамен түрлер мен жылдамдықтардың ұя салуын қамтамасыз етеді. Әзірге модель басқа аз мәнерлі модельдеу тәсілдерінде басқаруға болатын сияқты. Дегенмен, келесі қадам, яғни бір ұяшық үлгісінен көп жасушалы динамикаға көшу, бірнеше деңгейлерді және олардың деңгей аралық себептік байланыстарын анық және икемді түрде көрсете білудің маңыздылығын көрсетеді.

Жасушаның бөлінуі және жұптасу типінің ауысуы

Біржасушалы бөлінетін ашытқы қоршаған орта жағдайы нашарлағанда жыныстық көбеюге ұшырауы мүмкін, мысалы. жасушалар аштыққа ұшыраған кезде. Тек қарама-қарсы типтегі жасушалардың бірігуін қамтамасыз ететін әр түрлі жұптасу түрлері (P және M) бар [51]. Біріктіру өнімі спора түзу процесіне тез енетін диплоидты зигота болып табылады. Кейінірек, қоршаған орта жағдайлары жақсарған кезде, споралар гаплоидты жасушаларға уылдырық шашып, содан кейін қайтадан қалыпты жыныссыз пролиферацияға ұшырайды. Жасуша бөліну кезінде көбейетін жасушалардың жұптасу түрі сподикалық ауысады. Бұл құбылыс гендік деңгейде күрделі механизмдермен реттеледі [52-57]. Дегенмен, ауысудың біршама тұрақты феноменологиялық заңдылықтарын байқауға болады [58]. Маңызды сипаттамалардың бірі жасушалардың P немесе M жұптасатын екі түрінің біреуін көрсетіп қана қоймайды, сонымен қатар олардың түрін ауыстыра алатын және ауыстырмайтын жасушаларға жіктелуі мүмкін (6А-сурет).

Бірнеше деңгейлерден тұратынымен, үлгі үлгісі осы уақытқа дейін тек бір ұяшықтың динамикасын сипаттайды. Көп жасушалы жүйені модельдеу үшін біз алдыңғы жасушаның бөліну ережесін кеңейтеміз (жасуша циклінің M фазасынан G фазасына өтуі)1) екі түрлі жасуша түзеді. Бұл ретте генетикалық деңгейде егжей-тегжейлі процестерді модельдеудің орнына, 6А-суретте көрсетілген заңдылықтарға сәйкес жасушаның жұптасу типінің қарапайым феноменологиялық өзгерістері тағайындалады. Сондықтан С түрі екі қосымша атрибуттармен жабдықталған:

Жұптасу түрін ауыстыру. (A) Бөлінетін ашытқы жасушаларының тегінің жұптасу түрлерінің ауысуы. M түріндегі ұяшықтар қызыл түспен белгіленген, көк түс P жұптау түрін білдіреді. Ауыспалы және ауыстырылатын күйлер сәйкесінше U және S арқылы белгіленеді. Сурет [58] бастап қайта сызылған. (B) P типті жұптасатын ауыстырылмайтын ұяшықтардың 100 бастапқы популяциясы бар модельдеу траекториялары. Жасушалар жылдамдық тұрақтысымен өледі. к өлім= 0,006 мин -1 . Массаның екі еселену уақыты Т г= 116 мин.

Жоғарыдағы ереже ауыстырылмайтын ұяшықтың жасушаның бөлінуін сипаттайды (белгіленген У атрибут). Ауыстырылатын ұяшықтарды бөлудің қосымша схемасы бірдей көрінеді, сондықтан мұнда көрсетілмеген. Жалғыз айырмашылықтар әрекеттесуші заттың соңғы атрибутына әсер етеді (С орнына У) және ауыстырылмайтын өнім ұяшығының жұптық түріне тағайындау: шартты өрнек, егер т = П содан кейін М басқа ПP және M жұптау түрлеріне сәйкес ережені жарамды ететін тағайындалады.

Енді біз ұяшықтардың бірнеше даналарын (әрқайсысының әлеуетті өзіндік мінез-құлқы бар) енгізгеннен кейін, мұндай жүйелерді модельдеу ереже схемаларын көрсету мүмкіндігінің арқасында ғана өміршең болатыны анық болды. Әйтпесе, әрбір потенциалды түр үшін, яғни жасушалық атрибуттардың әрбір комбинациясы мен жасушаішілік ақуыз мөлшері үшін анықталған реакция ережелерін көрсету қажет болады. Бұл соңғы күй кеңістігі бар кішірек жүйелер үшін өте мүмкін емес және ұсынылған сияқты жүйелер үшін мүмкін емес. Ол көп деңгейлі модельдеуді қолдау үшін ереже схемаларының маңыздылығын көрсетеді.

Жоғарыда келтірілген ереже сонымен бірге шешімдерді айнымалыларға байланыстыру қажеттілігін көрсетеді, осылайша бүкіл ерітінділер әрекеттесуші түрлер үшін ғана сақталуы мүмкін емес, сонымен қатар кез келген басқа айнымалылар сияқты өңделуі және осылайша бірнеше өнім түрлеріне көшірілуі және орналастырылуы мүмкін. Бөлінетін ұяшықтың көлемінен айырмашылығы және алдыңғы бөлімдегі бір ұяшықты бөлу ережесіне ұқсас, ұяшықтың мазмұны екі еншілес ұяшық арасында бөлінбейді және таратылмайды. Құрамындағы қосалқы шешім оның орнына толығымен көшіріледі, өйткені (бастапқы Тайсон үлгісіне сәйкес) cdc2 ақуызының жалпы мөлшері, яғни түрлер санының қосындысы. D, М I, және М А, әрбір ұяшықта тұрақты деп есептеледі. Дегенмен, белгілі бір функцияларды қолдану арқылы шешімді белгілі бір шектеулерге сәйкес бөлуге болады. Жақын болашақта мұндай функционалдылықты ML-Rules-ке біріктіру жоспарлануда.

Жұптастыру түрінің ауысуы ұзақ мерзімді перспективада екі түрдің де жасушалар популяциясында бірдей болуын қамтамасыз етеді. Жасушалардың тек бір түрінен тұратын бастапқы популяция жұптасу түрінің басқа комбинацияларын және ауысу мүмкіндігін қамтитын жасушалардың алғашқы пайда болуының нақты уақыт нүктелерін жақсы көрсетеді (6В-сурет). Сондай-ақ бірнеше бөліну циклінен кейін бірдей бөлінген ұяшық түрлеріне калибрлеуді байқауға болады.

Феромон секрециясы және реакциясы

Қарама-қарсы жұптасатын жасушалармен шектелуден басқа, бөлінетін ашытқы жасушаларының конъюгациясы диффузиялық феромон молекулаларымен де реттеледі [59]. Азоты аз ортада өскен кезде жасушалар аштыққа ұшырайды және жасушадан тыс ортаға бөлінетін жұптық типті ерекше феромондарды синтездей бастайды. Жұптасатын Р типті жасушалар бөлетін феромон Р-фактор деп аталады, ал М-типті жасушалар М-фактор феромонын шығарады. Әр түрлі жұптасатын ашытқы жасушалары бір-бірімен феромон молекулалары арқылы байланыса алады. Қарама-қарсы түрмен бөлінетін феромондарды сезіну жасушаларды жұптастыруға дайындайтын бірнеше реттеу процестерін тудырады. Негізгі әсерлердің бірі - G-де бөліну циклінің тоқтауы1 кезең [60]. Біз жасуша моделін феромон молекулалары арқылы байланыс және сәйкес жауаптар арқылы кеңейткіміз келеді, осылайша G1 қамауға алуды байқауға болады.

Алдымен біз феромон секрециясы мен деградациясының (жүйеден диффузия) бірнеше қарапайым ережелерін қосамыз. Мысалы, М типті жұптасатын әрбір жасуша М-факторлы феромонды шығарады Ф М:

М-фактор молекулалары сол ерітіндідегі P-типті жасушалардың динамикасына әсер етуі мүмкін. Керісінше, жұптасатын P типті жасушалар Р-фактор молекулалары арқылы М типті жасушалармен байланыса алады (Ф П). М-фактордан басқа, М типті жасушалар P-факторға тән протеазаны (Sxa2) шығарады және шығарады, бұл P-түрінің жасушаларының М жасушаларына әсерін төмендетеді [59, 61].

Рецепторларды байланыстыруды қоса алғанда, егжей-тегжейлі феромондық жауап сигнал беру каскадын модельдеудің орнына, біз сәйкес молекулалардың мөлшерін өлшеп, бұл ақпаратты жасушаішілік басқару тізбегінің динамикасын өзгерту үшін есепке алғымыз келеді. Жоғарыда айтылғандай, феромондар G. тудыруы мүмкін1 жасушалық циклді тоқтату. Бұл процесс үшін циклин-cdc2 кешенінің тежелуінің шешуші маңызы бар екені көрсетілді [60]. Сондықтан біз жаңа түрді енгіземіз М Рбелсенді емес MPF белсендіруіне жол бермейтін репрессияланған MPF кешенін білдіреді (7А суретін қараңыз). MPF репрессиясының реакция жылдамдығы жасушадан тыс феромон мөлшеріне байланысты. Мұны сипаттау тәсілі жасуша ішілік протеин мөлшері жоғары себеп-салдарлық жолмен есепке алынатын жасушалық циклдің өту ережелеріне ұқсас. Алайда, бұл жерде бізде төмендеу себепті байланыс бар, өйткені MPF феромондарға қарағанда төмен деңгейде орналасады. Сондай-ақ алдыңғы мысалдардан айырмашылығы, бұл жерде деңгей аралық себепті байланыс тек атрибутталған түр мен оның жабық шешімі арасында емес, ұялы түрдің шекарасында, яғни жасуша мембранасы арқылы әрекет етеді:

Феромонға тәуелді жасуша циклінің динамикасы. (A) Феромон молекулаларының жасушадан тыс мөлшеріне байланысты MPF репрессиясының схемасы. М-фактор молекулалары (қызыл шеңберлер) жұптасатын Р жасушаларына әсер етеді, ал Р-фактор (көк гауһар) тек М типті жасушалардың жасушаішілік динамикасына әсер етеді. P-фактор феромоны тек М типті жұптасатын жасушалардан шығарылатын Sxa2 арқылы каталитикалық ыдырайды. (B) Феромондарсыз орындалатын модельдеудің MPF траекториялары және жасушалық цикл фазалары. Массаның екі еселену уақыты Т г= 232 мин. (C) 200 молекуладан тұратын жасушадан тыс феромон мөлшері MPF және жасушалық цикл динамикасының айтарлықтай айырмашылығын көрсетпейді. (D) Феромонның көп мөлшері (600 молекула) МФҚ репрессиясына және жасуша мөлшерінің ұлғаюына байланысты кейіннен бейімделуге әкеледі. Жасуша циклінің ұзақтығы G-ның тұтқындалуына байланысты айтарлықтай артады1 жасуша циклінің фазасы.

Шындығында, жоғарыда аталған ереже бір уақытта екі түрлі төмендеу себептіктерді қамтиды. Біріншісі H = k 1 1 жылдамдық коэффициентіне кіретін жасушадан тыс феромон мөлшері. f 3 k 1 1 3 + f 3 MPF репрессиясы үшін Hill типті сигмоидальды жауап қисығын сипаттайды. Екінші төмендеу себептілік - бұл қайтадан көлемге тәуелділік. Бұл МФҚ белсенділігінің тежелуі жасуша мөлшерінің ұлғаюына байланысты ішінара жоғалатынын байқауды көрсетеді [60], бұл, мысалы, тартылған (бірақ бұл жерде қарастырылмаған) ферменттердің сұйылтуының салдары болуы мүмкін.

7-суретте келтірілген бір ұяшықты модельдеу эксперименттері қосылған реакция ережелері жасушаішілік процестерге қалай әсер ететінін және сол арқылы жасуша деңгейіндегі динамикаға, яғни жасушалық цикл фазалары арқылы прогрессияға әсер ететінін көрсетеді. Феромонның бөлінуі және жұптасуы нашар тамақтану кезінде жүзеге асатындықтан, массаның екі еселену уақыты Т г232 минутқа дейін ұлғайтылды. Феромонсыз жасуша циклінің ұзындығы шамамен 200 минутқа дейін артады (7В-сурет). Ұқсас динамика жасушадан тыс феромонның аз мөлшерімен де байқалады (7С-сурет). Репрессияланған MPF молекулаларының мөлшері MPF белсендірілуіне айтарлықтай әсер ету үшін жеткіліксіз. Бұл жоғары феромон концентрациясымен ерекшеленеді. 7D суреті репрессияланған нұсқамен белсенді емес MPF күшті басылуын көрсетеді. Жасуша мөлшерінің ұлғаюымен (көрсетілмеген) репрессия жартылай жоғалады, яғни жасуша өсу кезінде бейімделеді және 600 минуттан астам уақыттан кейін жасуша циклін аяқтайды. G ұзақтығының күрт ұлғаюына назар аударыңыз1 фазасы кезінде S/G2 және M фазасы феромонды сезінусіз қарағанда сәл ғана көп уақытты алады.

Кез келген феромондар әсер етпейтін популяцияның экспоненциалды өсуімен салыстырғанда, өзара әрекеттесетін жасушалармен көп жасушалы модельдеу жасушалар санының айтарлықтай азайғанын көрсетеді, яғни жасуша циклінің орташа ұзақтығы артады (8-сурет). Феромон концентрациясының жоғарылауымен G-де жасушалардың үлкен фракцияларын байқауға болады1 олардың жасушалық циклінің фазасы. 1000 минуттан кейін бұл фазада жасушалардың жартысына жуығы ұсталады. Осы уақытта феромондардың мөлшері 400 (Р-фактор) және 800 (М-фактор) молекулаларының арасында болады. Дегенмен, P-фактор-спецификалық протеаза Sxa2 P-фактор феромонының мөлшерін азайтып, осылайша М жасушаларына әсерін төмендетсе де, жұптасу типін ауыстыру P және M жұптасатын типтері бар жасушалардың бірдей таралуын қамтамасыз етеді.

Жасуша популяциясының өсуі және феромон реакциясы. Жасушаның бөлінуін жұптасу типінің ауысуымен және феромондық реакциямен біріктіретін көп жасушалы модельдің имитациялық нәтижелері. Массаның екі еселену уақыты Т г= 232 мин. (A) Феромондар өндірісі және реакциясы болмаған кездегі популяцияның экспоненциалды өсуі. B) Феромондардың түзілуі және реакциясы Г1 тұтқындау және халықтың өсу қарқынын төмендету.

Кеңістіктік қабат

Модель осы уақытқа дейін барлық жасушаларды, сондай-ақ бір ерітіндіде тұратын әрбір секрецияланған феромон молекуласын болжайды, яғни әртүрлі орындар арасында ешқандай айырмашылық жоқ. Бұл болжам көптеген жағдайларда орынды болуы мүмкін. Дегенмен, әсіресе жасушадан жасушаға тікелей әрекеттесу арқылы немесе диффузиялық молекулалар арқылы байланыстан тұратын көп жасушалы жүйелерді модельдеуге келетін болсақ, әртүрлі түрлердің орналасуын түсіру маңызды болуы мүмкін [62]. Сондықтан, біртекті емес ерітіндідегі жасушаның бөлінуін және феромон сигналын зерттеу үшін біз феромондардың диффузиясын және жасушалардың әртүрлі орналасуын қамтитын кейбір қарапайым кеңістіктік динамика арқылы модельді кеңейтеміз.

Біз дискреттелген түрде кеңістікті қосу үшін Next Subvolume әдісі [63] идеясын қабылдаймыз. Ережелер мен реакция жылдамдығы молекулалар арасындағы реакцияларды және олардың кеңістіктік тордағы басқа воксельге диффузиясын сипаттауға жауапты. Жаңа атрибутталған түр Г екі өлшемді тордағы виртуалды реакция бөлімдерін бейнелейтін енгізілген. Әрбір воксель Г бұрынғыдай біркелкі таралуы бар жасушалар мен феромон молекулаларының ерітіндісін қамтуы мүмкін, бірақ түрлер белгілі бір ережелерге сәйкес көрші воксельдерге көшуі мүмкін (кеңістіктік орнатудың схемалық сипаттамасын 4-суретті қараңыз).

Бастапқы шешім мыналарды қамтиды x макс× ж макс(мен x макс, ж макс ∈ ℕ ) түрлер Г, әрқайсысы төлсипат мәндерінің бірегей тіркесімі бар Г(x, y) бірге x ∈ <1. x макс> және ж ∈ <1. ж макс>. Осылайша, әр түрдің арасындағы қарым-қатынас анықталған Г екі өлшемді тордың кеңістіктік координаталарын көрсету үшін көрсетілген. Молекулалардың диффузиясын түрді бір воксельден көршіге жылжыту арқылы сипаттауға болады. Екі түрдің координаталарын салыстыратын шектеу Г көші-қон тек көршілес орындар арасында жүзеге асатынына кепілдік береді. Фон Нейман төңірегінде Р-факторлы феромонның диффузиясының ереже схемасы келесідей көрінеді:

бірге nb(x1, ж1, x2, ж2) = егер (x1 = x2 ∧ (ж1 = ж2 + 1 ∨ ж1 = ж2 - 1)) ∨ (ж1 = y2 ∧ (x1 = x2 + 1 ∨ x1 = x 2 - 1)) содан кейін рас басқа жалған.

Бұрынғыдай, модель әлі де жүйеден тыс диффузияны қамтуы керек, яғни бөлшектердің диффузиясы үшін тор ашық жүйе болуы керек. Сондықтан, басқа ереже белгілі бір воксель тордың шекарасының бөлігі болып табылатынын тексереді. Олай болса, феромон молекуласы белгілі бір ықтималдықпен жойылады:

Феромондардың диффузиясынан басқа, біз жасушалардың әртүрлі орналасуын да сипаттағымыз келеді. Алайда, біз кездейсоқ диффузияның орнына қандай да бір үлгі алғымыз келеді алынып тасталған көлемдік әсер тым көп жасушалар воксельді алып кетпеу үшін. Сондықтан, егер орын толып кетсе, ұяшықтар көршілес азырақ толып кеткен воксельге итерілуі мүмкін. Негізінде, адамдар көп шоғырланған жерлерден мұндай орын ауыстыру ережесі диффузияны сипаттайтын ережелерге өте ұқсас көрінеді. Шектеулер тек белгілі бір жағдайларда қозғалуға кепілдік береді, мысалы: тек көрші дауысты дыбысқа, ал кинетикалық жылдамдық түрлердің, яғни жасушалардың санына байланысты. Негізгі айырмашылық мынада, жасушалардың әдетте әртүрлі атрибуттары мен қосалқы шешімдері болғандықтан, шешімдегі ұяшықтардың жалпы санын алу үшін түр идентификаторын пайдалана алмаймыз. Сондықтан қосымша атрибуты Г Әрбір воксельдегі ұяшықтардың ағымдағы санын ұстайтын енгізілген:

Ұяшықтар саны жоғары деңгейлі қасиеті болып табылады Г және ұяшықтың көрші орынға жылжыту ықтималдығын көрсету үшін пайдаланылуы мүмкін. Жоғарыда көрсетілген ереженің қарқыны адам көп шоғырланған жерлерге қарағанда бос орындарға көшу ықтималдығын арттырады. Мәндердің тағайындалуына назар аударыңыз (n1 - 1 және n2 + 1) ереже іске қосылған кезде әрбір воксельдің ағымдағы ұяшық нөмірін жаңартуға арналған. Жасушалардың саны жасушалардың бөлінуіне және өлуіне байланысты өзгеруі мүмкін болғандықтан, сәйкес ережелер олардың атрибуты болатын кеңейтілген контекстке ие болатындай кеңейтілуі керек. Г анық манипуляциялауға болады. Мысалы, ауыстырылмайтын ұяшық үшін ұяшықтарды бөлу ережесі келесідей көрінеді:

Жоғарыда аталған стратегияға талғампаз балама шешімдерге функцияларды қолданудың бұрыннан талқыланған тұжырымдамасы болар еді, осылайша берілген шешімдегі ұяшықтардың санын жай ғана санауға болады. Қалай болғанда да, мысалдар диффузия және алынып тасталған көлем сияқты кеңістіктік әсерлерді арнайы түрде қалай модельдеуге болатынын көрсетеді, дегенмен ML-Ережелері кеңістік туралы нақты түсініктерсіз жасалған. Кеңістіктік ережеге негізделген модельдеуге бағытталған тәсілдер мұндай проблемаларды нақты қарастырады және үлкен нысандар үшін кеңістіктік құбылыстарды сипаттау қажеттілігін атап көрсетеді [64, 65].

Сипатталған кеңістік жағдайында популяцияның өсуін модельдеу әр түрлі жұптау түрлері арасындағы жалпы арақатынас уақыт өте дерлік тұрақты болып қалатынын көрсетеді. Дегенмен, P және M типті ұяшықтар көлеміндегі жергілікті айырмашылықтарды байқауға болады (қосымша 2 файлды қараңыз).

Қатысты жұмыс

Бұл жұмыстың мақсаты ережеге негізделген көп деңгейлі модельдеу үшін маңызды тұжырымдамаларды анықтау, олардың ML-Rules жүйесінде жүзеге асырылуын көрсету және кейс зерттеу негізінде олардың рөлін көрсету болды. ML-Rules экологиялық жүйелерді [66] көп деңгейлі модельдеу үшін ережеге негізделген тәсілде әзірленген идеяларға негізделуі мүмкін, мұнда атрибуттар, нақты түрлердің құрамдастары және интерфейстер жеке нысандарға тағайындалады. Тәсіл иерархиялық кірістіру мен шектелген динамиканың сипаттамасын ереже схемалары тұрғысынан біріктіреді. ML-Rules сонымен қатар реакция жылдамдығын икемді анықтау үшін кез келген түрдегі атрибут мәндері бар және реакция шектеулері бар молекулаларды қолдайтын React(C) ережеге негізделген формализммен орталық мүмкіндіктерді бөліседі [15]. Ерікті түрге ие бола отырып, атрибуттар шешімдерді және осылайша иерархиялық кірістірілген нысандарды кодтай алады. Дегенмен, React(C) жүйесінде ұя салу туралы түсінік жоқ: ережелерді шешімге қолдану мүмкін емес ішінде ұялаған субъект. Оның орнына ережелерді тек нысанға қолдануға болады -мен жатқызылғаннақты шешім, яғни жоғарыдан төмен. Кірістірілген иерархиялар динамикалық түрде өзгеруі мүмкін екенін ескере отырып, мысалы: мембраналармен қосылатын везикулаларды сипаттайтын модельдерде бұл көп деңгейлі модельдеуге қатысты React(C) экспрессивті қуатын шектейді.

Жақында Оури мен Плоткин стохастикалық көп деңгейлі мультисеттік қайта жазу тілін ұсынды [67], онда ережелерді жүйе биологиясында көп деңгейлі модельдеуді қолдау үшін кірістірілген түрлерге қолдануға болады. Дегенмен, төмен және жоғары себепті байланысты оңай білдіру мүмкін емес, өйткені атрибуттар мен реакциялардағы сәйкес шектеулер әлі қолдалмаған. Дегенмен, бұл келесі орындалатын қадамдар арасында жарияланды.

Жоғарыда талқыланғандай, ML-Rules байланыс туралы нақты түсінік бермейді, мысалы. белоктық комплекстердегі байланыстарды сипаттау. Жиектерінің бірнеше түрі бар иерархиялық графиктер иерархиялық үлгі құрылымдарында мұндай байланыстырулардың табиғи және айқын көрінісін ұсынады. Бұл контексте HNauty [68] сияқты жалпыланған график изоморфизмі және таңбалау алгоритмі ерекше маңызды болуы мүмкін. Бастапқыда жалпақ ережеге негізделген модельдердің құрылымдық аннотациясы үшін әзірленгенімен, иерархиялық графиктер және HNauty алгоритмі графиканы қайта жазу ережелеріне негізделген тиімді көп деңгейлі тәсілді дамытудың перспективалы әдістері болып табылады.

Модельдердің кеңістіктік құрылымы көп деңгейлі модельдеумен жалпы ұғымдарды бөліседі, өйткені әртүрлі деңгейлер кең мағынада бір-бірінен бөлу арқылы анықталады. Жүйелік биологияда кеңістіктің кең таралған көрінісі қарапайым бөліктерге бөлу арқылы жүзеге асырылады, яғни әртүрлі химиялық ерітінділерді бір-бірінен бөлу және молекулалардың орналасуын өзгерту үшін негізгі тасымалдау ережелеріне мүмкіндік беру, мысалы: қараңыз. БИОХАМ [69] және кішкентай b [70]. Мембраналық тасымалдау және өзара әрекеттесу ережелері үшін неғұрлым күрделі мүмкіндіктер бастапқы BioNetGen тілінің [11] кеңейтімі болып табылатын cBNGL [71] арқылы қолдайды. cBNGL-дегі құрылымдар мен ережелер бөлімдер мен мембраналар тұжырымдамасымен тығыз байланысты, мысалы. тіл үш өлшемді (бөлім көлемі) және екі өлшемді (беттік, яғни мембраналық) бөлімдерді ажыратады.

Басқа тәсілдер динамикалық бөлімше құрылымдарын қолдауға бағытталған. BioAmbients [72], мысалы, π-есепке [26] негізделген, қоршаған орта деп аталатын процестерді орауды қолдайды. Процестер мен қоршаған ортаның екеуіне басқа орталарға кіруге немесе шығуға рұқсат етіледі және екі орта бір ортаға біріктіруге рұқсат етіледі. Сол сияқты, биоκ-есеп [73] сонымен қатар бірнеше мембраналарды біріктіруге мүмкіндік береді, нәтижесінде бір бөлік пайда болады. Ол ережеге негізделген модельдеуді Brane Calculi [74] және P жүйелері [75] сияқты динамикалық мембраналық формализмдермен біріктіруге бағытталған. Дегенмен, ережеге негізделген доменде тамырланғанымен, биоκ ережеге негізделген басқа тілдермен салыстырғанда биохимиялық жүйелерді модельдеу үшін шектеулі экспрессивтілікті көрсетеді, мысалы. the κ-есептеу [7]. Динамикалық кірістірілген үлгі құрылымдары үшін айқын құралдары бар ережеге негізделген формализмнің тағы бір түрі - оралған бөлімдердің есебі [76, 77]. Бұл тәсілдердің ешқайсысы бөлімшелерді күймен жабдықтамайды және бөлімдер деңгейіндегі өз динамикасының әрекеті жабық процестермен немесе ережелермен «төменнен жоғары» жолмен басталады.

Биграфтар [78] жоғарыда келтірілген формализмдерден ерекшеленеді, өйткені модельдің құрылымдық және мінез-құлық элементтері арасында ешқандай айырмашылық жоқ, сондықтан ұстанатын тәсіл ML-Rules-ге өте ұқсас. Биграфтың әрбір түйіні басқа түйінмен қоршалуы мүмкін және одан әрі түйіндердің өзін қамтуы мүмкін. Демек, ұя салу биографиялық құрамдас бөліктерге тән қасиет. Стохастикалық семантикамен жабдықталған [79], реактивті биграфтар жасушаның биологиялық жүйелерін модельдеу үшін сәтті қолданылды. Дегенмен, түйіннің күйі оның тек басқа түйіндермен байланысы арқылы анықталады. Сондай-ақ реакциялардағы шектеулердің болмауы деңгей аралық себеп-салдарлықты модельдеуді шектейді.

Кәдімгі бөлімше тәрізді кеңістіктік тәсілдерден басқа (оларға біз ML-ережелерін де санайтын едік, бірақ оның мәнерлілігі басқа кеңістіктік қатынастарды сипаттау үшін қолдану мүмкіндігін кеңейтеді), неғұрлым күрделі кеңістіктік құбылыстарды модельдеу және модельдеу үшін әртүрлі әдістер әзірленді. Смолдин, мысалы, диффузиялық молекулалармен, мембраналық өзара әрекеттесулермен және алынып тасталған көлемдік әсерлерімен кеңістіктік бөлімдерді модельдеуді қолдайды [80]. Соңғысы иерархиялық ұя салуды қолдайтын және әртүрлі кеңістіктік рұқсаттарды көрсету үшін жеке бөлшектермен популяцияға негізделген реакция-диффузия жүйелерін біріктіретін модельдеу және модельдеу тәсілі ML-Space-тің маңызды ерекшелігі болып табылады [65]. Meredys - бірнеше бөлімдерде өтетін реакция-диффузия оқиғаларын қолдайтын тағы бір тренажер. Дегенмен, Meredys-тің басты ерекшелігі - молекулалар мен молекулалық кешендердің екі және үш өлшемде шынайы пішіндері болуы мүмкін [81].

Кеңістіктік масштабтардың кең ауқымын қамтитын көп деңгейлі модельдер, мысалы. молекулярлық тіннен немесе тіпті орган масштабына дейін жиі әртүрлі деңгейлерде әртүрлі кеңістіктік қатынастарды қарастыру қажет. Мысалы, молекулярлық деңгейде жақсы араластырылған бөлімдер немесе гетерогенді түрде таралған реакция-диффузия жүйелері сәйкес көріністер болғанымен, тін деңгейінде динамикалық модельдеу өзара әрекеттесетін жасушалардың физикалық механикасын ескеру қажет болуы мүмкін. Қолданбалы әдістердің күшті әртүрлілігі мұндай көп масштабты модельдерде әдетте біріктіруші формальды модельдеу тілі болмауының бір себебі болып табылады. Оның орнына әртүрлі үлгі бөліктері сипатталады және әртүрлі түсіндіріледі. Осы әртүрлі бөліктерді тиімді біріктіру үшін үлгі сипаттамалары мен симуляторлардың монолитті қоспалары нөлден бастап бағдарламаланады немесе белгілі бір қолданбалар үшін әзірленген арнайы көп масштабты бағдарламалық платформалар пайдаланылады, мысалы: қараңыз. [82–86].

MGS жалпы біркелкі жағдайдағы кеңістіктің айқын сипаттамаларын біріктіруді қамтамасыз етеді [87, 88]. Тәсіл ережеге негізделген модельдеуді топологиялық жинақтармен біріктіреді, қай модель нысандары бір-бірімен өзара әрекеттесе алатынын көрсетеді. Әртүрлі топологиялық жинақтар жеке тұлғалардың әртүрлі жергілікті қатынастарын анықтайды, мысалы. кәдімгі мультисеттер немесе Делонай триангуляциясы. MGS-де ұя салудың өзіндік түсінігі болмаса да, оның негізгі тұжырымдамалары көп деңгейлі модельдерді жан-жақты және әртүрлі кеңістіктік масштабта сипаттауға мүмкіндік береді.

Әртүрлі деңгейлердегі жүйелерді сипаттау қажеттілігі Петри торларының тәсілдерімен де қарастырылды, мысалы: қараңыз. [89–91]. Мысалы, HORNETS (Жоғары ретті анықтамалық торлар) Петри торларының токендері ретінде Петри торларын алуға мүмкіндік беретін формализм [91]. Дегенмен, HORNETS бірдей қашықтықтағы уақыт қадамдарымен орындалады, өйткені олар бағдарламалық жүйелерді модельдеуге бағытталған, мысалы: биохимиялық жүйелерден гөрі жұмыс процестері.


Филиалдар

Раш Альцгеймер ауруы орталығы, Раш университетінің медициналық орталығы, Чикаго, IL, АҚШ

Шинья Тасаки, Крис Гайтери және Янлин Ванг

Британдық Колумбия университеті, Ванкувер, BC, Канада

Сондай-ақ бұл авторды PubMed Google Scholar қолданбасында іздеуге болады

Сондай-ақ бұл авторды PubMed Google Scholar қолданбасында іздеуге болады

Сондай-ақ бұл авторды PubMed Google Scholar қолданбасында іздеуге болады

Сондай-ақ бұл авторды PubMed Google Scholar қолданбасында іздеуге болады

Үлестер

С.Т. зерттеудің тұжырымдамасы мен дизайнына үлес қосты. С.Т. есептеу талдауын жүргізді. С.Т., Ц.Г., С.М. және Ю.В. нәтижелерін түсіндірді. С.Т. қолжазбаның алғашқы нобайын жазды. Барлық авторлар қолжазбаны қайта қарауға үлес қосты, содан кейін ұсынылған нұсқаны оқып, мақұлдады.

Корреспондент автор


Жүйе биологиясы метамфетаминді сенсибилизациядан туындаған транскрипциялық өзгерістерге мидағы АИВ-1 тат экспрессиясының антагонизаторлық әсерлерін талдау

Метамфетаминді (мет) теріс пайдалану иммун тапшылығы вирусы (АИТВ) бар адамдар арасында жиі кездеседі. АИТВ-1 реттеуші ақуызы, транскрипцияның транс-активаторы (Tat) ми генінің транскрипциясында өзгерістерді тудыратыны сипатталған, бұл сыйақы айналымының бұзылуына, сондай-ақ қабыну процестеріне әкелуі мүмкін. Миында доксициклинмен индукцияланған Тат протеинінің экспрессиясы бар трансгенді тышқандарда, яғни нейроАИТВ-ның тінтуір үлгісінде біз Мет сенсибилизациясы арқылы туындаған жаһандық ген экспрессия үлгілерін сынадық. Метпен индукцияланған тірек-қимыл сенсибилизациясы жеті күн бойы қайталанатын күнделікті Мет немесе тұзды инъекцияларды және жеті күндік абстиненция кезеңінен кейін Мет шақыруын қамтиды. Ми үлгілері Meth сынақтан кейін 30 минуттан кейін жиналды. Біз құйрықты путамендердегі жаһандық ген экспрессиясының өзгерістерін зерттедік, бұл мінез-құлық пен АИТВ патогенезінде маңызды аймақ, және жүйелік биология стратегияларын пайдалана отырып, жолды және транскрипциялық факторды пайдалану болжамын орындадық. Біз тек Tat экспрессиясының Meth сынынан кейін ген транскрипциясына өте шектеулі әсер еткенін анықтадық. Керісінше, Tat болмаған кезде метпен индукцияланған сенсибилизация ген транскрипциясының жаһандық басылуын тудырды. Бір қызығы, Tat және Meth арасындағы өзара әрекеттесу реттеу жолдарын сақтай отырып, метпен индукцияланған жаһандық транскрипцияның басылуына кеңінен жол бермеді және нәтижесінде бақылауға ұқсас гендік экспрессия профильдері пайда болды. Митохондриялық денсаулыққа, транскрипция мен трансляцияны бастауға, сондай-ақ эпигенетикалық бақылауға байланысты жолдарға Мет қатты әсер етті және оның Татпен өзара әрекеттесу бағытына қарсы тәсілдермен болды. Жүйелік стратегиялар сериясы осы өзара әрекеттесулер әсер ететін бірнеше құрамдастарды болжады, соның ішінде митохондриялық жолдар, mTOR/RICTOR, AP-1 транскрипция факторы және транскрипция мен трансляцияға қатысатын эукариоттық бастама факторлары. Таттың антагонизаторлық әсеріне қарамастан, тиісті гендік желілерде анықталған бірнеше гендер сиртуин 1 және амилоидты прекурсорлық ақуыз (APP) сияқты төмендетілген күйде қалды. Қорытындылай келе, мидағы Tat экспрессиясы төмен жедел транскрипциялық әсерге ие болды, бірақ жаһандық транскриптомдағы әсерлерді өзгерту үшін Мет сенсибилизациясымен қатты әрекеттесті.

Түйін сөздер: метамфетамин транскриптомы трансгенді Тат тышқан.

Мүдделер қақтығысы туралы мәлімдеме

Авторлар мүдделер қақтығысы жоқ деп мәлімдемейді.

Фигуралар

Метамфетаминнің (мет) әсері…

Метамфетаминнің (мет) және транскрипцияның трансактиваторының (Tat) транскрипцияға әсері ...

Санды көрсететін Венн диаграммасы…

Тағайындалған салыстырулардағы эксклюзивті және қайталанатын қолдардың санын көрсететін Венн диаграммасы,…

арасындағы өзара әрекеттесуді модельдеу…

Болжамды басым транскрипция факторлары мен олардың мақсаттары арасындағы өзара әрекеттесулерді модельдеу. Гендер…

Митохондриялық дисфункцияның жолы. Гендер…

Митохондриялық дисфункцияның жолы. Бір-бірінің әрекеті байқалған гендер ( А ) Tat−/Meth…

Тотығу фосфорлану жолы. Гендер…

Тотығу фосфорлану жолы. Бір-бірінің әрекеті байқалған гендер ( А ) Tat−/Meth…

Эукариоттық инициация факторы 2 (EIF2)…

Эукариоттық инициация факторы 2 (EIF2) сигнал беру жолы. Қайталанатын әрекеттері бар гендер…

Сиртуиннің сигналдық жолы. Гендер…

Сиртуиннің сигналдық жолы. Бір-бірінің әрекеті байқалатын гендер ( А ) Tat−/Meth…

Эукариоттық инициацияның реттелуі...

Эукариоттық инициация факторы 4 (eIF4) және p70S6K сигнализациясының реттелуі. Гендер…

Негізгі гендердің ПТР валидациясы…

Tat экспрессиясы арасындағы өзара әрекеттесу әсер етпейтін негізгі гендердің ПТР валидациясы…

Жүйелердің жиынтық суреті…

Жүйе биологиясынан туындаған гипотезаның жиынтық суреті. Транскрипциялық үлгілерді зерттеу, жолды талдау,…


Әдістері

Көп айнымалы көпмүшелік интерполяция

Енді бір логикалық функцияның көп айнымалы көпмүшелік интерполяциясының әдістемесін түсіндіреміз Б мен. Сондықтан мен ∈ <1, 2, . Н> тіркелген және қарапайымдылық үшін жазылу мен алынып тасталады. Біз бұл жерде ескертеміз Б <0, 1> бірлік текшесінің шыңдарында кез келген нақты мәнді функция болуы мүмкінН , яғни логикалық функция болуы міндетті емес. Идеясы, көпмүшені табу: ℝ Н → ℝ бұл жалғасы болып табылады Б менбарлығы үшін деген мағынада.

Бұл мәселенің бірегей шешімі жоқ екенін оңай көруге болады. Сондықтан, біз қосымша көпмүшенің дәрежесі минималды болуын талап етеміз, мұнда кейбір көпмүшенің дәрежесі

барлығына дерлік (м1, м2, . м Н) ∈ ℕ Н , ретінде анықталады


Ақпаратты ашу

Авторлар келесі бәсекелес қаржылық мүдделерді мәлімдейді: MKG компаниясы VeraChem LLC компаниясының тең құрылтайшысы және ғылыми кеңесшісі болып табылады. JDC OpenEye Scientific Software ғылыми-консультативтік кеңесінің мүшесі болып табылады. Chodera зертханасы көптеген көздерден қаржы алады немесе алды, соның ішінде Ұлттық денсаулық сақтау институттары, Ұлттық ғылыми қор, Паркер ісік иммунотерапиясы институты, релелік терапия, Entasis терапиясы, кремний терапиясы, EMD Serono (Merck KGaA), AstraZeneca, XtalPi. , Молекулярлық ғылымдар бағдарламалық қамтамасыз ету институты, Старр қатерлі ісік консорциумы, Open Force Field консорциумы, Cycle for Survival, Луи В. Герстнер атындағы жас тергеуші сыйлығы, Эйнштейн қоры және Слоан Кеттеринг институты. Chodera зертханасын қаржыландырудың толық тарихын http://choderalab.org/funding сайтынан табуға болады.


Автор туралы ақпарат

Филиалдар

Биоинженерия бөлімі, Калифорния университеті Лос-Анджелес, Лос-Анджелес, CA, 90095, АҚШ

Джованни Квинес-Вальдес және Синшу Сяо

Биоинформатика кафедрааралық бағдарламасы, Калифорния университеті Лос-Анджелес, Лос-Анджелес, CA, 90095, АҚШ

Стивен С. Тран және Синшу Сяо

Интегративті биология және физиология кафедрасы, Калифорния университеті, Лос-Анджелес, Лос-Анджелес, CA, 90095, АҚШ

Хён-Ик Джун, Джэ Хун Бан, Эй-Вэн Ян, Аннеке Брюммер және Синшу Сяо

Генетика және геном ғылымдары бөлімі, Жүйелік геномика институты, UConn Health, Farmington, CT, 06030, АҚШ

Лицзюнь Чжан, Синтао Вэй және Брентон Р.Гравли

Жасушалық және молекулалық медицина кафедрасы, Сан-Диего Калифорния университеті, Ла Джолла, CA, 92093, АҚШ

Эрик Л. Ван Ностранд, Габриэль А.Пратт және Джин В. Йо

Геномдық медицина институты, Калифорния университеті Сан-Диего, Ла Джолла, CA, 92093, АҚШ

Эрик Л. Ван Ностранд, Габриэль А. Пратт және Джин В. Йео

Биоинформатика және жүйелер биологиясы магистратура бағдарламасы, Калифорния университеті Сан-Диего, Ла Джолла, CA, 92093, АҚШ

Габриэль А. Пратт және Джин В. Йео

Молекулярлық биология институты, Калифорния университеті Лос-Анджелес, Лос-Анджелес, CA, 90095, АҚШ

Сандық және есептеу биология институты, Калифорния университеті Лос-Анджелес, Лос-Анджелес, CA, 90095, АҚШ

Сондай-ақ бұл авторды PubMed Google Scholar қолданбасында іздеуге болады

Сондай-ақ бұл авторды PubMed Google Scholar қолданбасында іздеуге болады

Сондай-ақ бұл авторды PubMed Google Scholar қолданбасында іздеуге болады

Сондай-ақ бұл авторды PubMed Google Scholar қолданбасында іздеуге болады

Сондай-ақ бұл авторды PubMed Google Scholar қолданбасында іздеуге болады

Сондай-ақ бұл авторды PubMed Google Scholar қолданбасында іздеуге болады

Сондай-ақ бұл авторды PubMed Google Scholar қолданбасында іздеуге болады

Сондай-ақ бұл авторды PubMed Google Scholar қолданбасында іздеуге болады

Сондай-ақ бұл авторды PubMed Google Scholar қолданбасында іздеуге болады

Сондай-ақ бұл авторды PubMed Google Scholar қолданбасында іздеуге болады

Сондай-ақ бұл авторды PubMed Google Scholar қолданбасында іздеуге болады

Сондай-ақ бұл авторды PubMed Google Scholar қолданбасында іздеуге болады

Сондай-ақ бұл авторды PubMed Google Scholar қолданбасында іздеуге болады

Үлестер

G.Q.V., S.S.T., E.W.Y., A.B., X.W., E.L.V.N. және Г.А.П. биоинформатикалық талдаулар жүргізді. H.I.J., J.H.B. және Л.З. молекулярлық биологиялық тәжірибелер жүргізді. X.X. G.W.Y-мен бірлесіп зерттеуді әзірледі және оған жетекшілік етті. және B.R.G. Мақаланың жазылуына барлық авторлар үлес қосты.

Корреспондент автор


Ашық Access Бұл мақала Creative Commons Attribution 4.0 халықаралық лицензиясы бойынша лицензияланған, ол кез келген құралда немесе форматта пайдалануға, бөлісуге, бейімдеуге, таратуға және көбейтуге рұқсат береді, егер сіз түпнұсқа автор(лар) мен дереккөзге тиісті анықтама берген болсаңыз, Creative Commons лицензиясына сілтеме жасаңыз және өзгертулер енгізілгенін көрсетіңіз.

Осы мақаладағы кескіндер немесе басқа үшінші тарап материалдары, егер материалға несиелік жолда басқаша көрсетілмесе, мақаланың Creative Commons лицензиясына кіреді. Егер материал мақаланың Creative Commons лицензиясына қосылмаса және сіздің мақсатты пайдалануыңызға заңмен рұқсат етілмесе немесе рұқсат етілген пайдаланудан асып кетсе, сізге авторлық құқық иесінен тікелей рұқсат алу қажет болады.


Бейнені қараңыз: Учимся учиться. Методики эффективного обучения детей. Правильная система обучения как запоминать (Мамыр 2022).