مدلسازي زيست‌شناسي محاسباتي با استفاده از الگوريتم شبكه هاي پتري

Computational biology modeling using Petri nets algorithm

روش‌هاي شبكه پتري به عنوان يك ابزار قدرتمند در مدل‌سازي زيست‌شناسي محاسباتي ظهور كرده‌اند. شبكه‌هاي پتري مدل‌هاي گرافيكي هستند كه مي‌توانند سيستم‌هاي پيچيده، مانند مسيرها و شبكه‌هاي بيولوژيكي را به روشي واضح و مختصر نشان دهند. آنها يك چارچوب رسمي براي توصيف پويايي سيستم هاي بيولوژيكي ارائه مي دهند و مي توانند براي شبيه سازي و تجزيه و تحليل رفتار اين سيستم ها استفاده شوند. در زيست‌شناسي محاسباتي، شبكه‌هاي پتري براي مدل‌سازي طيف وسيعي از فرآيندهاي بيولوژيكي، از جمله مسيرهاي متابوليك، شبكه‌هاي تنظيم‌كننده ژن، مسيرهاي انتقال سيگنال و فرآيندهاي سلولي استفاده شده‌اند. شبكه هاي پتري مي توانند تعاملات پيچيده بين اجزاي اين سيستم ها را به تصوير بكشند و مي توانند براي پيش بيني رفتار سيستم در شرايط مختلف استفاده شوند. روش‌هاي شبكه پتري نسبت به ساير تكنيك‌هاي مدل‌سازي در زيست‌شناسي محاسباتي مزاياي متعددي دارند. آنها بصري و آسان براي استفاده هستند، مي توانند سيستم هاي بزرگ و پيچيده را مديريت كنند، و مي توانند براي تجزيه و تحليل جنبه هاي كمي و كيفي سيستم هاي بيولوژيكي استفاده شوند. علاوه بر اين، شبكه هاي پتري را مي توان براي ايجاد فرضيه ها و پيش بيني هاي قابل آزمايش در مورد رفتار سيستم هاي بيولوژيكي استفاده كرد. به طور كلي، روش‌هاي شبكه پتري به ابزار مهمي در مدل‌سازي زيست‌شناسي محاسباتي تبديل شده‌اند كه رويكردي قدرتمند و انعطاف‌پذير براي درك رفتار سيستم‌هاي بيولوژيكي پيچيده ارائه مي‌كنند.زيست شناسي محاسباتي يك رشته به سرعت در حال رشد است كه با رويكردهاي روش شناختي مختلف مبتني بر داده و يافته ها و كاربردها در طيف وسيعي از حوزه هاي بيولوژيكي غني شده است. اساس اين رويكردها، مدل‌هاي رياضي و محاسباتي هستند كه براي توصيف حالت‌هاي مختلف در فرآيندهاي ميكروسكوپي (مثلاً يك واكنش بيوشيميايي)، مزوسكوپي (اثرات سيگنال دهي در سطح بافت) و سطوح ماكروسكوپي (اثرات فيزيولوژيكي و پاتولوژيك) فرآيندهاي بيولوژيكي استفاده مي‌شوند. در اين مقاله به مشكل تركيب دو كلاس قدرتمند مي پردازيم روش‌شناسي: روش‌هاي تجزيه و تحليل تعادل شار (FBA) كه اكنون انقلابي را در بيوتكنولوژي و پزشكي ايجاد مي‌كنند و شبكه‌هاي پتري (PNs) كه امكان تعميم سيستم را فراهم مي‌كنند و براي درمان‌هاي مختلف رياضي محور هستند، براي مثال مشخصات معادله ديفرانسيل معمولي (ODE) بيوسيستم. تحت مطالعه در حالي كه مورد اول محدود به مدل سازي شبكه هاي متابوليك است، يعني رويدادهاي سيگنال دهي ديناميكي متناوب را در نظر نمي گيرد، دومي به دليل حجم زياد داده هاي متابوليك با مشكل مواجه مي شود. اولين نتيجه، شناسايي سه نوع گفتگوي متقابل بين روش‌هاي PN و FBA و وابستگي آنها به داده‌هاي موجود است. ما بينش خود را ما بسط مي كنيم كه چگونه چارچوب استدلال ما يك تنظيم تصميم گيري مبتني بر بيولوژيكي و رياضي را براي ادغام شبكه هاي نظارتي، سيگنالينگ و متابوليك فراهم مي كند و تا حد زيادي قابليت تفسير و استفاده مجدد مدل را افزايش مي دهد. ما در مورد اينكه چگونه هايپرپارامترهاي PN و FBA را مي توان تنظيم و با هم تركيب كرد تا بر تلاش محاسباتي مورد نياز براي انجام اين كار تأكيد شود، بحث مي كنيم. ما با گمانه‌زني‌ها و پيشنهادهايي در مورد اين جهت پژوهشي نويدبخش نتيجه‌گيري مي‌كنيم.