- -

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

RiuNet: Repositorio Institucional de la Universidad Politécnica de Valencia

Compartir/Enviar a

Citas

Estadísticas

  • Estadisticas de Uso

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

Mostrar el registro sencillo del ítem

Ficheros en el ítem

dc.contributor.author Picó Marco, Jesús Andrés es_ES
dc.contributor.author Vignoni, Alejandro es_ES
dc.contributor.author Picó i Marco, Enric es_ES
dc.contributor.author Boada Acosta, Yadira Fernanda es_ES
dc.date.accessioned 2020-05-19T06:42:16Z
dc.date.available 2020-05-19T06:42:16Z
dc.date.issued 2015-07-10 es_ES
dc.identifier.issn 1697-7912 es_ES
dc.identifier.uri http://hdl.handle.net/10251/143649
dc.description.abstract [EN] In the last decade we have witnessed a growing application of engineering techniques to biology. Areas such as Systems Biology or, more recently, Synthetic Biology, get more and more attention from the engineers. Specifically, modeling in these fields makes possible the generation of new experimentally verifiable hypothesis, and new ways of biological intervention, as well as more or less mechanistic explanations of experimental results. A model-based approximation requires the consideration of the biochemical reactions dynamics and their regulation. The first part of this tutorial describes the deterministic modeling and model reduction techniques, as applied to the class of biochemical reactions specific to molecular cell biology.Noise plays a crucial role in the biological circuitry dynamics. In the field of automatic control there is a long tradition of modeling using linear stochastic differential equations, under the simplifying assumption that noise has a magnitude independent of the state. This assumption is not valid in biological circuits. The second part of the tutorial describes the most widely used methods for stochastic modeling in molecular cell biology, paying special attention to the so-called linear noise approximation.  es_ES
dc.description.abstract [ES] 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. es_ES
dc.description.sponsorship Este trabajo ha sido realizado parcialmente gracias al apoyo de los proyectos FEDER-CICYT DPI2011-28112-C04-01, y DPI2014-55276-C5-1. Yadira Boada agradece la beca FPI/2013- 3242 de la Universitat Politècnica de València. es_ES
dc.language Español es_ES
dc.publisher Universitat Politècnica de València es_ES
dc.relation.ispartof Revista Iberoamericana de Automática e Informática industrial es_ES
dc.rights Reconocimiento - No comercial - Sin obra derivada (by-nc-nd) es_ES
dc.subject Stochastic systems es_ES
dc.subject Differential equations es_ES
dc.subject Modeling of continuous systems es_ES
dc.subject Model reduction es_ES
dc.subject Simulation es_ES
dc.subject Noise es_ES
dc.subject Biological and biotechnological systems and bioprocesses es_ES
dc.subject Sistemas estocásticos es_ES
dc.subject Ecuaciones diferenciales es_ES
dc.subject Modelado de sistemas continuos es_ES
dc.subject Reducción de modelos es_ES
dc.subject Simulación de sistemas es_ES
dc.subject Ruido es_ES
dc.subject Sistemas biológicos es_ES
dc.subject Biotecnológicos y bioprocesos es_ES
dc.title Modelado de sistemas bioquímicos: De la Ley de Acción de Masas a la Aproximación Lineal del Ruido es_ES
dc.title.alternative Modelling biochemical systems: from Mass Action Kinetics to Linear Noise Approximation es_ES
dc.type Otros es_ES
dc.identifier.doi 10.1016/j.riai.2015.06.001 es_ES
dc.relation.projectID info:eu-repo/grantAgreement/MICINN//DPI2011-28112-C04-01/ES/MONITORIZACION, INFERENCIA, OPTIMIZACION Y CONTROL MULTI-ESCALA: DE CELULAS A BIORREACTORES/
dc.relation.projectID info:eu-repo/grantAgreement/MINECO//DPI2014-55276-C5-1-R/ES/BIOLOGIA SINTETICA PARA LA MEJORA EN BIOPRODUCCION: DISEÑO, OPTIMIZACION, MONITORIZACION Y CONTROL/ /
dc.relation.projectID info:eu-repo/grantAgreement/UPV//FPI%2F2013-3242/
dc.rights.accessRights Abierto es_ES
dc.contributor.affiliation Universitat Politècnica de València. Instituto Universitario de Automática e Informática Industrial - Institut Universitari d'Automàtica i Informàtica Industrial es_ES
dc.contributor.affiliation Universitat Politècnica de València. Escuela Técnica Superior de Ingeniería del Diseño - Escola Tècnica Superior d'Enginyeria del Disseny es_ES
dc.contributor.affiliation Universitat Politècnica de València. Escuela Técnica Superior de Ingenieros Industriales - Escola Tècnica Superior d'Enginyers Industrials es_ES
dc.contributor.affiliation Universitat Politècnica de València. Departamento de Ingeniería de Sistemas y Automática - Departament d'Enginyeria de Sistemes i Automàtica es_ES
dc.description.bibliographicCitation Picó Marco, JA.; Vignoni, A.; Picó I Marco, E.; Boada Acosta, YF. (2015). Modelado de sistemas bioquímicos: De la Ley de Acción de Masas a la Aproximación Lineal del Ruido. Universitat Politècnica de València. https://doi.org/10.1016/j.riai.2015.06.001 es_ES
dc.description.accrualMethod OJS es_ES
dc.relation.publisherversion https://doi.org/10.1016/j.riai.2015.06.001 es_ES
dc.description.upvformatpinicio 241 es_ES
dc.description.upvformatpfin 252 es_ES
dc.type.version info:eu-repo/semantics/publishedVersion es_ES
dc.description.volume 12 es_ES
dc.description.issue 3 es_ES
dc.identifier.eissn 1697-7920 es_ES
dc.relation.pasarela OJS\9358 es_ES
dc.contributor.funder Universitat Politècnica de València
dc.contributor.funder Ministerio de Ciencia e Innovación es_ES
dc.contributor.funder Ministerio de Economía y Competitividad es_ES
dc.description.references 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. es_ES
dc.description.references Blanchini, F., & Franco, E. (2011). Structurally robust biological networks. BMC Systems Biology, 5(1), 74. doi:10.1186/1752-0509-5-74 es_ES
dc.description.references 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. es_ES
dc.description.references Chakrabarti, A., Miskovic, L., Soh, K. C., & Hatzimanikatis, V. (2013). Towards kinetic modeling of genome-scale metabolic networks without sacrificing stoichiometric, thermodynamic and physiological constraints. Biotechnology Journal, 8(9), 1043-1057. doi:10.1002/biot.201300091 es_ES
dc.description.references 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. es_ES
dc.description.references Chen, W. W., Niepel, M., & Sorger, P. K. (2010). Classic and contemporary approaches to modeling biochemical reactions. Genes & Development, 24(17), 1861-1875. doi:10.1101/gad.1945410 es_ES
dc.description.references 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. es_ES
dc.description.references De Lorenzo, V., 8 2014. Biología sintética: la ingeniería al asalto de la complejidad biológica. Arbor 190 (768), a149. es_ES
dc.description.references Del Vecchio, D. (2013). A control theoretic framework for modular analysis and design of biomolecular networks. Annual Reviews in Control, 37(2), 333-345. doi:10.1016/j.arcontrol.2013.09.011 es_ES
dc.description.references ERASynBio, 2014. Next steps for european synthetic biology: a strategic vision. Tech. rep., ERASynBio. URL: https://www.erasynbio.eu. es_ES
dc.description.references Gillespie, D. T. (2007). Stochastic Simulation of Chemical Kinetics. Annual Review of Physical Chemistry, 58(1), 35-55. doi:10.1146/annurev.physchem.58.032806.104637 es_ES
dc.description.references Higham, D.J., 1 2008. Modeling and simulating chemical reactions. SIAM Review 50 (2), 347-368. es_ES
dc.description.references Khalil, H.K., 2011. The Control Handbook. CRC Press, Ch. Two Timescale and Averaging Methods. es_ES
dc.description.references 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(6), 1147-1155. doi:10.1016/j.automatica.2011.01.013 es_ES
dc.description.references Kwok, R. (2010). Five hard truths for synthetic biology. Nature, 463(7279), 288-290. doi:10.1038/463288a es_ES
dc.description.references Llaneras, F., Picó, J., 1 2008. Stoichiometric modelling of cell metabolism. J Biosci Bioeng 105 (1), 1-11. es_ES
dc.description.references 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. doi:10.1098/rsif.2014.0054 es_ES
dc.description.references 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. es_ES
dc.description.references 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. es_ES
dc.description.references Differential algebra for control systems design: Constructive computation of canonical forms. (2013). IEEE Control Systems, 33(2), 52-62. doi:10.1109/mcs.2012.2234965 es_ES
dc.description.references 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. es_ES
dc.description.references Scott, M., Ingalls, B., Kaern, M., 6 2006. Estimations of intrinsic and extrinsic noise in models of nonlinear genetic networks. Chaos 16 (2), 026107. es_ES
dc.description.references 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. es_ES
dc.description.references Villaverde, A. F., & Banga, J. R. (2014). Reverse engineering and identification in systems biology: strategies, perspectives and challenges. Journal of The Royal Society Interface, 11(91), 20130505. doi:10.1098/rsif.2013.0505 es_ES
dc.description.references Wallace, E. W. J., Petzold, L. R., Gillespie, D. T., & Sanft, K. R. (2012). Linear noise approximation is valid over limited times for any chemical system that is sufficiently large. IET Systems Biology, 6(4), 102-115. doi:10.1049/iet-syb.2011.0038 es_ES
dc.description.references 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. es_ES


Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem