Skip to main content

Resultados relacionados

Resultados totales (Incluyendo duplicados): 3
Encontrada(s) 1 página(s)

RUC. Repositorio da Universidade da Coruña
Publication Contribución de congreso (ConferenceOutput)

Análisis de observabilidad e identificabilidad estructural de modelos no lineales: aplicación a la vía de señalización JAK/STAT, Structural Identifiability and Observability Analysis of a JAK/STAT Signalling Pathway Model

  • Villaverde, Alejandro
  • Banga, Julio R.
[Resumen] La observabilidad e identificabilidad estructural son propiedades que se corresponden con la posibilidad teórica de determinar los vectores de estado y de parámetros de un modelo a partir de su salida. Recientemente hemos desarrollado una herramienta MATLAB, STRIKE-GOLDD, que analiza la observabilidad e identificabilidad estructural local de modelos no lineales de ecuaciones diferenciales ordinarias empleando una metodología simbólica. Si bien STRIKE-GOLDD es una metodología de propósito general, su desarrollo está motivado por el estudio de modelos biológicos, para los que estos análisis son de especial relevancia. En este trabajo se analiza la observabilidad e identificabilidad estructural de un modelo dinámico de la vía de señalización celular JAK/STAT. Este sistema de transducción de señales juega un papel importante en procesos de inmunidad, proliferación y división celular, apoptosis y oncogénesis. Usando este modelo de relevancia biomédica como caso de estudio, el presente trabajo proporciona un tutorial sobre el uso de STRIKEGOLDD, ilustrando sus capacidades y limitaciones., [Abstract] Observability and structural identifiability are classic systemic properties that describe whether it is theoretically possible to determine the state and parameter vectors of a model from its output. Recently we developed a MATLAB tool, STRIKE-GOLDD, which adopts a symbolic approach for analysing observability and structural identifiability of nonlinear ODE models. While being a general purpose tool, the motivation behind the development of STRIKE-GOLDD was the study of biological models, for which these analyses can provide very valuable insight. This paper demonstrates the application of STRIKE-GOLDD to a dynamic model of the JAK/STAT signaling pathway, which plays an important role in processes such as immunity, cell division, cell death and tumour formation. Using this model of biomedical relevance as a case study, the present paper provides a tutorial on the use of the STRIKE-GOLDD methodology, highlighting its capabilities and limitations., Ministerio de Ciencia, Innovación y Universidades; SYNBIOCONTROL (DPI2017-82896-C2-2-R)
DIGITAL.CSIC. Repositorio Institucional del CSIC
Publication Contribución de congreso (ConferenceOutput)

Análisis de observabilidad e identificabilidad estructural de modelos no lineales: aplicación a la vía de señalización JAK/STAT, Structural Identifiability and Observability Analysis of a JAK/STAT Signalling Pathway Model

  • Villaverde, A. F.
  • Banga, Julio R.
8 pages, 1 figure.-- XL Jornadas de Automática: libro de actas, Ferrol, 4-6 de septiembre de 2019.-- Open access publication under the terms and conditions of the Creative Commons Attribution CC BY-NC-SA 4.0 license, [EN] Observability and structural identifiability are classic systemic properties that describe whether it is theoretically possible to determine the state and parameter vectors of a model from its output. Recently we developed a MATLAB tool, STRIKE-GOLDD, which adopts a symbolic approach for analysing observability and structural identifiability of nonlinear ODE models. While being a general purpose tool, the motivation behind the development of STRIKE-GOLDD was the study of biological models, for which these analyses can provide very valuable insight. This paper demonstrates the application of STRIKE-GOLDD to a dynamic model of the JAK/STAT signaling pathway, which plays an important role in processes such as immunity, cell division, cell death and tumour formation. Using this model of biomedical relevance as a case study, the present paper provides a tutorial on the use of the STRIKE-GOLDD methodology, highlighting its capabilities and limitations, [ES] La observabilidad e identificabilidad estructural son propiedades que se corresponden con la posibilidad teórica de determinar los vectores de estado y de parámetros de un modelo a partir de su salida. Recientemente hemos desarrollado una herramienta MATLAB, STRIKE-GOLDD, que analiza la observabilidad e identificabilidad estructural local de modelos no lineales de ecuaciones diferenciales ordinarias empleando una metodología simbólica. Si bien STRIKE-GOLDD es una metodología de propósito general, su desarrollo está motivado por el estudio de modelos biológicos, para los que estos análisis son de especial relevancia. En este trabajo se analiza la observabilidad e identificabilidad estructural de un modelo dinámico de la vía de señalización celular JAK/STAT. Este sistema de transducción de señales juega un papel importante en procesos de inmunidad, proliferación y división celular, apoptosis y oncogénesis. Usando este modelo de relevancia biomédica como caso de estudio, el presente trabajo proporciona un tutorial sobre el uso de STRIKEGOLDD, ilustrando sus capacidades y limitaciones, Este trabajo ha recibido financiacion del programa Horizonte 2020 de la Union Europea, a traves del proyecto 686282 (CanPathPro), y del proyecto del Ministerio de Ciencia, Innovacion y Universidades SYNBIOCONTROL (DPI2017-82896-C2-2-R), Peer reviewed
DIGITAL.CSIC. Repositorio Institucional del CSIC
Publication Artículo científico (JournalArticle)

A Comparison of Methods for Quantifying Prediction Uncertainty in Systems Biology

  • Villaverde, A. F.
  • Raimúndez, Elba
  • Hasenauer, Jan
  • Banga, Julio R.
7 pages, 4 figures, 2 tables, The parameters of dynamical models of biological processes always possess some degree of uncertainty. This parameter uncertainty translates into an uncertainty of model predictions. The trajectories of unmeasured state variables are examples of such predictions. Quantifying the uncertainty associated with a given prediction is an important problem for model developers and users. However, the nonlinearity and complexity of most dynamical models renders it nontrivial. Here, we evaluate three state-of-the-art approaches for prediction uncertainty quantification using two models of different sizes and computational complexities. We discuss the trade-offs between applicability and statistical interpretability of the different methods, and provide guidelines for their application, This research has received funding from the European Unions Horizon 2020 research and innovation program under grant agreement No 686282 (CanPathPro) and the German Ministry of Education and Research (BMBF) under the grant agreement No 01ZX1310B (SYS-Stomach) and No 01ZX1705A (INCOME), Peer reviewed