Skip to main content

Resultados relacionados

Resultados totales (Incluyendo duplicados): 2
Encontrada(s) 1 página(s)

Investigo. Repositorio Institucional de la Universidade de Vigo
Publication Tesis doctoral (DoctoralThesis)

Contributions to mechanistic modelling in systems biology: identifiability, symmestries and uncertainty quantification, Contribuciones a la modelización mecanicista en biología de sistemas: identificabilidad, simetría y cuantificación de la incertidumbre, Contribucións ao modelado mecanístico en bioloxía de sistemas: identificabilidade, simetrías e cuatificación da incerteza

  • Massonis Feixas, Gemma
This thesis is framed in the context of dynamic modelling of biological systems. As dynamic models we will mainly use non-linear models in common differential equations. The objective is the development and application of computational methodologies that facilitate such modelling. These methodologies are of general purpose, applicable to biological problems in different fields (biomedicine, biotechnology industrial, food technology, ecology, etc.). Several lines of research are envisaged complementary in two respects: on the one hand, the identification of systems; on the other hand, the analysis of the uncertainty associated with model predictions. The first aspect, the identification of the system, refers to the construction and calibration of dynamic models from experimental data. These models have the capacity to make predictions about conditions not included in the experimental data. However, there is always some uncertainty associated with these predictions, which is important to quantify; this is the second aspect to consider in this thesis. The two aspects are related. In turn, within each of them we can distinguish several objectives or tasks. In this way, the objectives of this thesis can be framed in four large blocks: 1.- Analysis of the structural systemic properties of dynamic models: identifiability, observability and controllability and the relationship between them. 2.- Study of the distinction between dynamic models and their relationship with the inference of these models. 3.- Construction of sets ("ensembles") of models, and application to the analysis of uncertainty of the predictions. 4.- Machine learning of dynamic models from experimental data, Esta tesis se enmarca en el contexto del modelado dinámico de sistemas biológicos. Como modelos dinámicos utilizaremos, principalmente, modelos no lineales en ecuaciones diferenciales ordinarias. El objetivo es el desarrollo y aplicación de metodologías computacionales que faciliten tal modelado. Estas metodologías son de propósito general, aplicables a problemas biológicos de diferentes campos (biomedicina, biotecnología industrial, tecnología alimentaria, ecología, etc.). Se contemplan varias líneas de investigación complementarias relacionadas con dos aspectos: por una parte, la identificación de sistemas; por otro, el análisis de la incertidumbre asociada a las predicciones de los modelos. El primer aspecto, la identificación del sistema, se refiere a la construcción y calibración de modelos dinámicos a partir de datos experimentales. Estos modelos tienen la capacidad de hacer predicciones sobre condiciones no recogidas en los datos experimentales. No obstante, siempre hay cierta incertidumbre asociada la estas predicciones, que es importante cuantificar; este es el segundo aspecto a considerar en esta tesis. Los dos aspectos están relacionados. A su vez, dentro de cada uno de ellos podemos distinguir varios objetivos o tareas. De este modo, los objetivos de este de la tesis se pueden enmarcar en cuatro grandes bloques: 1.- Análisis de las propiedades sistémicas estructurales de modelos dinámicos: identificabilidad, observabilidad y controlabilidad y relación entre ellos. 2.- Estudio de la distinción de los modelos dinámicos y de su relación con la inferencia de los dichos modelos. 3.- Construcción de conjuntos (" ensembles") de modelos, y aplicación al análisis de la incertidumbre de las predicciones. 4.- Machine learning de modelos dinámicos a partir de datos experimentales., Esta tese enmárcase no contexto do modelado dinámico de sistemas biolóxicos. Como modelos dinámicos utilizaremos, principalmente, modelos non lineares en ecuacións diferenciais ordinarias. O obxectivo é o desenvolvemento e aplicación de metodoloxías computacionais que faciliten tal modelado. Estas metodoloxías son de propósito xeral, aplicables a problemas biolóxicos de diferentes campos (biomedicina, biotecnoloxía industrial, tecnoloxía alimentaria, ecoloxía, etc.). Contémplanse varias liñas de investigación complementarias relacionadas con dous aspectos: por unha banda, a identificación de sistemas; por outro, a análise da incerteza asociada ás predicións dos modelos. O primeiro aspecto, a identificación do sistema, refírese á construción e calibración de modelos dinámicos a partir de datos experimentais. Estes modelos teñen a capacidade de facer predicións sobre condicións non recollidas nos datos experimentais. Non obstante, sempre hai certa incerteza asociada a estas predicións, que é importante cuantificar; este é o segundo aspecto a considerar nesta tese. Os dous aspectos están relacionados. Á súa vez, dentro de cada un deles podemos distinguir varios obxectivos ou tarefas. Deste xeito, os obxectivos deste da tese pódense enmarcar en catro grandes bloques: 1.- Análise das propiedades sistémicas estruturais de modelos dinámicos: identificabilidade, observabilidade e controlabilidade e relación entre eles. 2.- Estudo da distinción dos modelos dinámicos e da súa relación coa inferencia dos devanditos modelos. 3.- Construción de conxuntos ("ensembles") de modelos, e aplicación á análise da incerteza das predicións. 4.- Aprendizaxe automática de modelos dinámicos a partir de datos experimentais., Agencia Estatal de Investigación | Ref. PID2020-117271RB-C22, Agencia Estatal de Investigación | Ref. PID2020-113992RA-I00, Xunta de Galicia | Ref. ED431F 2021/003, Centro Superior de Investigaciones Científicas| Ref. PIE 202070E062
RUC. Repositorio da Universidade da Coruña
Publication Tesis doctoral (DoctoralThesis)

Design, analysis and optimization of biochemical and genetic regulation routes using stochastic models

  • Sequeiros Ferreiro, Carlos Xosé
[Abstract] One of the challenges of systems and synthetic biology is to improve the predictability of mathematical models of intracellular processes that occur in the presence of high molecular noise. The proposed Partial Integro-Differential (PIDE) model for gene regulatory networks was an important step towards this challenge, as it allows to simulate the dynamics of stochastic gene regulatory networks in an efficient manner, paving the way to further developments in the direction of automated design and parameter estimation of biosystems. The main objective of this thesis is to provide effective methods for the parameter estimation and automated design of biosystems in the context of molecular noise, to advance both model identification and biocircuit design for applications in systems and synthetic biology. To achieve this general objective, three specific problems have been addressed. First, available algorithms for stochastic simulation of biochemical reaction networks, including the recent PIDE models for the simulation of stochastic gene regulatory networks, have been improved and paralellized for GPUs in order to achieve further speed up. Second, the problem of parameter estimation in stochastic biomolecular neworks have been formulated and solved by combining these improved simulation methods with efficient optimization solvers. Third, the problem of automated design of stochastic gene circuits has been formulated as a Mixed Integer Nonlinear Programming optimization problem and solved by appropriate algorithms. In order to illustrate the methods, a number of proofs of concept relevant to systems and synthetic biology have been demonstrated., [Resumen] Uno de los desafíos de la biología de sistemas y sintética es mejorar la previsibilidad de los modelos matemáticos de procesos intracelulares que ocurren en presencia de grandes cantidades de ruido molecular. La propuesta del modelo de Ecuaciones en Derivadas Parciales Integro-Diferenciales (PIDE) para redes de regulación genética ha sido un paso importante abordar este desafío, permitiendo simular eficientemente las dinámicas de las redes de simulación genética estocásticas, allanando el camino para futuros desarrollos en el diseño automático y estimación de parámetros en biosistemas. El objetivo principal de esta tesis es proveer métodos efectivos para estimación de parámetros y diseño automático de biosistemas en el contexto del ruido molecular, para avanzar tanto en la identificación de modelos como diseño de biocircuitos para aplicaciones en biología de sistemas y sintética. Para completar este objetivo general, se han abordado tres problemas específicos. Primero, algoritmos disponibles para la simulación estocástica de redes de reacciones bioquímicas, incluyendo el reciente modelo PIDE para la simulación de redes de regulación genéticas estocásticas, se ha mejorado y paralelizado en GPUs para acelerar los cálculos. Segundo, el problema de estimación de parámetros en redes biomoleculares estocásticas se ha formulado y resuelto mediante la combinación de estos métodos de simulación mejorados con implementaciones eficientes de algoritmos de optimización. Tercero, el problema de diseño automático de circuitos genéticos estocásticos se ha formulado como un problema de Programación No Lineal Entera Mixta y resuelto con algoritmos adecuados. Para ilustrar los métodos, se han demostrado ciertas pruebas de concepto relevantes para la biología sintética y de sistemas., [Resumo] Un dos desafíos da bioloxía de sistemas e sintética é mellorar a previsibilidade dos modelos matemáticos de procesos intracelulares que ocorren en presencia de grandes cantidades de ruido molecular. A proposta do modelo de Ecuacións en Derivadas Parciales Integro-Diferenciais (PIDE) para redes de regulación xenética foi un paso importante para abordar este desafío, dado que permite simular as dinámicas das redes de regulación xenética estocásticas de forma eficiente, achanando o camiño para futuros desenvolvementos na dirección do deseño automático e estimación de parámetros en biosistemas. O obxectivo principal desta tese é proveer métodos efectivos para estimación de parámetros e deseño automático de biosistemas no contexto do ruido molecular, para avanzar tanto na identificación de modelos como deseño de biocircuitos para aplicacions en bioloxía de sistemas e sintética. Para completar este obxectivo xeral, abordaronse tres problemas específicos. Primeiro, algoritmos dispoñibles para a simulación estocástica de redes de reaccions bioquímicas, incluindo o recente modelo PIDE para a simulación de redes de regulación xenéticas estocásticas, foi mellorado e paralelizado para GPUs para acelerar os cálculos. Segundo, o problema de estimación de parámetros en redes biomoleculares estocásticas foi formulado e resolto mediante a combinación destes métodos de simulación mellorados con implementacions eficientes de algoritmos de optimización. Terceiro, o problema de deseño automático de circuitos xenéticos estocásticos foi formulado como un problema de Programación Non Lineal Enteira Mixta e resolto con algoritmos axeitados. Para ilustrar os métodos, demostraronse certas probas de concepto relevantes para a bioloxía sintética e de sistemas., Xunta de Galicia; ED431C 2022/47, Xunta de Galicia; ED431G 2019/01, Generalitat Valenciana; CIAICO/2021/159, Consejo Superior de Investigaciones Científicas; PIE 202070E036, This research developed in this work has been partially funded by the following projects: • Grant PID2020-117271RB-C22 (BIODYNAMICS) funded by MCIN/AEI/ 10.13039/501100011033 • Intramural project grant PIE DAOBIO (PIE 202070E036), funded by CSIC. • Grant PID2019-108584RB-I00, funded by Spanish MCIN/AEI. • Grant ED431C 2022/47, funded by Galician Government • Grant ED431G 2019/01, funded by Galician Government. • Grant PID2021-127888NA-I00 (COMPSYNBIO), funded by MCIN/AEI/10.13039/501100011033 • Grant TED2021-131049B–I00 (BioEcoDBTL) funded by MCIN/AEI/10.13039/501100011033 • NextGenerationEU/PRTR and grant CIAICO/2021/159 (SmartBioFab) funded by Generalitat Valenciana. All previous projects include FEDER funding. Xunta de Galicia; ED431C 2022/47 Xunta de Galicia; ED431G 2019/01 Generalitat Valenciana; CIAICO/2021/159 Consejo Superior de Investigaciones Científicas; PIE 202070E036