Análisis estocástico de un sistema génico simple para la síntesis de una proteína implementando los métodos de Gillespie
Artículo barra lateral
PDF
Contenido principal del artículo
Autores
Diana Carolina Clavijo BuriticáBárbara Valeria Mejía Bohórquez
Lina María Rojas
Hector Leandro Sáenz Castro
Resumen
En la mayoría de los casos en los que se requiere describir una red biológica se propone un sistema de ecuaciones diferenciales acopladas, que luego se resuelve por métodos numéricos. Sin embargo, cuando un solo valor en estado estacionario no predice el comportamiento de la población total, es indispensable que el modelo de representación describa la distribución de estados dentro un sistema. El algoritmo propuesto por Gillespie en 1998 consiste en la descripción de un fenómeno específico mediante herramientas estocásticas, en donde se predice el comportamiento de la ecuación maestra de probabilidades mediante la simulación de Montecarlo. El autor propone dos aproximaciones matemáticas para la resolución: el método de la primera reacción, y el método directo. El propósito de esta investigación fue a partir de un modelo génico simple para la síntesis de una proteína, representado en una red de Petri simple propuesta por Goss y Peccoud en 1998 (1), comparar los resultados de dichas aproximaciones centrándose en las diferencias entre los resultados al analizar la red mediante un método determinístico clásico, y los dos métodos estocásticos de Gillespie. Finalmente realizar un análisis de sensibilidad al modelo estocástico con la prueba de hipótesis nula. Los resultados obtenidos muestran que efectivamente la población no se comporta uniformemente, por lo que es pertinente y recomendable la resolución por el método de Gillespie para este sistema y para sistemas similares; adicionalmente se corrobora que el método directo es más demandante computacionalmente y con la prueba de hipótesis nula se concluye que el número de proteínas final si se ve afectado por las variaciones en los parámetros cinéticos.
Detalles del artículo
Licencia
Política de acceso abierto
Esta revista proporciona un acceso abierto a su contenido, teniendo en cuenta el principio de que ofrecer al público un acceso libre a las investigaciones ayuda a un mayor intercambio global del conocimiento y no se hace responsable de los contenidos publicados.
Consideraciones éticas
En sus publicaciones la REC contempla las políticas relacionadas con aspectos éticos que se encuentran en World Associationof Medical Editors (WAME)(http://www.wame.org/about/recommendations-on-publication-ethics-policie)
Política sobre derechos de autor
Los autores que publican en la revista se acogen al código de licencia creative commons 4.0 de atribución no comercial sin derivados y compartir igual.
Referencias
2. Shmulevich I, Aitchison JD. Deterministic and Stochastic Models of Genetic Regulatory Networks. Methods in enzymology [Internet]. 2009. p. 335–56. Available from: http://www.ncbi.nlm.nih.gov/pubmed/19897099
3. Mettetal JT, Muzzey D, Pedraza JM, Ozbudak EM, van Oudenaarden A. Predicting stochastic gene expression dynamics in single cells. Proc Natl Acad Sci [Internet]. 2006 May 9 103(19):7304–9. Available from: http://www.ncbi.nlm.nih.gov/pubmed/16648266
4. Heiner M, Gilbert D, Donaldson R. Petri Nets for Systems and Synthetic Biology. Formal Methods for Computational Systems Biology [Internet]. Berlin, Heidelberg: Springer Berlin Heidelberg; 2008. p. 215–64. Available from: http://link.springer.com/10.1007/978-3-540-68894-5_7
5. Pedraza JM, van Oudenaarden A. Noise Propagation in Gene Networks. Science (80- ) [Internet]. 2005 Mar 25;307(5717):1965–9. Available from: http://www.ncbi.nlm.nih.gov/pubmed/15790857
6. Srivastava R, You L, Summers J, Yin J. Stochastic vs. deterministic modeling of intracellular viral kinetics. J Theor Biol [Internet]. 2002 Oct 7;218(3):309–21. Available from: http://www.ncbi.nlm.nih.gov/pubmed/12381432
7. Klipp E (Edda), Liebermeister W, Wierling C, Kowald A. Systems biology : a textbook. 2nd ed. 2016. 488 p.
8. Gillespie DT. A general method for numerically simulating the stochastic time evolution of coupled chemical reactions. J Comput Phys [Internet]. Academic Press; 1976 Dec 1;22(4):403–34. Available from: https://www.sciencedirect.com/science/article/pii/0021999176900413
9. Machado D, Costa RS, Rocha M, Rocha I, Tidor B, Ferreira EC. Model transformation of metabolic networks using a Petri net based framework. Available from: https://www.kimosys.org/documentation/Machado_ModelReduction.pdf
10. Pahle J. Biochemical simulations: stochastic, approximate stochastic and hybrid approaches. Brief Bioinform [Internet]. Oxford University Press; 2009 Jan 10(1):53–64. Available from: http://www.ncbi.nlm.nih.gov/pubmed/19151097
11. Barnes DJ. Introduction to modeling for biosciences. Springer; 2014.
12. Barnes DJ, Chu D. Other Stochastic Methods and Prism. Introduction to Modeling for Biosciences [Internet]. London: Springer London; 2010. p. 215–72. Available from: http://link.springer.com/10.1007/978-1-84996-326-8_6
