Desarrollo de un algoritmo y software para la inferencia de modelos de redes booleanas. Aplicación en sistemas biológicos

Abstract

[ES] Los sistemas biológicos en teoría pueden ser modelados a través de sistemas de ecuaciones diferenciales. No obstante, este planteamiento es completamente inviable por la cantidad de agentes que participan en estos sistemas, lo que ocasiona un gran número de parámetros en los modelos. Por ejemplo, en una red de regulación genética (GRN) podemos encontrar más de 400 genes involucrados. Para incluir un número tan grande de parámetros, existen distintos procedimientos alternativos de representación. Como las redes booleanas, simplificaciones lógicas de sistemas de ecuaciones diferenciales. La dificultad de este enfoque radica en que mucha de la información dada en el sistema de ecuaciones original no es expresada directamente a través de las redes. Por ejemplo, la dependencia temporal de la red con respecto a sus propias variables. Como consecuencia, dado un conjunto de restricciones, existen diferentes redes que pueden representar al mismo sistema. En la práctica, el desarrollo de modelos de redes booleanas es complejo debido al hecho de que 1) el coste computacional para generar todas las potenciales funciones es elevado, y 2) se requiere una revisión por parte de expertos de cada red para validar su viabilidad desde el punto de vista biológico. En este trabajo se propone un algoritmo para estandarizar y agilizar el desarrollo de este tipo de modelos. Concretamente, redes booleanas síncronas deterministas.

[EN] Biological systems, in theory, can be modelled through systems of differential equations. However, this approach is completely unfeasible due to the number of agents participating in these systems, which causes a large number of parameters in the models. For example, in a gene regulatory network (GRN), we can find more than 400 genes involved. To include such a large number of parameters, there are different representation procedures. Like the Boolean networks, logical simplifications of systems of differential equations. The difficulty in this approach is that much of the information given in the original system of equations is not directly expressed through the networks. For example, the temporal dependence of the network on its variables. As a consequence, given a set of constraints, there are different networks that can represent the same system. In practice, the development of Boolean networks models is complex because 1) the computational cost to generate all potential functions is high, and 2) an expert review of each network is required to validate its viability from the biological point of view. In this work, an algorithm is proposed to standardize and speed up the development of this type of model. Specifically, deterministic synchronous Boolean networks.