Modelování biochemických procesů: Deterministický model transkripční regulace

Transkript

1 Modelování biochemických procesů: Deterministický model transkripční regulace David Šafránek Seminář ParaDiSe

2 Obsah Základní pojmy Spojitý deterministický model chemických reakcí Spojitý deterministický model transkripční regulace Diskrétní aproximace

3 Obsah Základní pojmy Spojitý deterministický model chemických reakcí Spojitý deterministický model transkripční regulace Diskrétní aproximace

4 In silico model základ systémové biologie experimentalni analyza overeni/zamitnuti biologicka data ziskavani znalosti modelovani experimenty in vivo/in vitro in silico model vyvoj technologie hypotezy simulace analyza

5 Organismus = komplexní systém

6 Centrální dogma

7 Funkční vsrtvy buňky

8 Příklad metabolické dráhy

9 Deterministický vs. stochastický model dynamika systému: běh iniciální podmínky vývoj reakcí ekvilibrium deterministický model makropohled vysoká koncentrace látek vysoká pravděpodobnost vazby aktivních látek reakce stav modelu zachycuje aktuální koncentrace stochastický model mikropohled nízká koncentrace záleží na vazbách individuálních molekul (pravděpodobnost) stav zachycuje aktuální počty molekul kombinace hybridní modely

10 Obsah Základní pojmy Spojitý deterministický model chemických reakcí Spojitý deterministický model transkripční regulace Diskrétní aproximace

11 Motivace pro deterministický model E.coli Experimentálně zjištěný parametr Hodnota v E.Coli Velikost buňky 1µm 3 Počet molekul proteinů v buňce Velikost molekuly proteinu 5nm Koncentrace jednoho proteinu v buňce 1nM Podíl proteinů v obsahu buňky 18% Doba difúze proteinu v buňce 0, 1s Doba difúze ostatních molekul 1msec Počet genů v buňce 4500

12 Exponenciální rozklad (konverze) látky v čase A k B d[a] = k[a] d[b] = k[a] 0 = d[a] Ekvilibrium: = d[b] = k[a] [A] = 0 vyčerpání zdrojové látky A

13 Exponenciální rozklad (konverze) látky v čase

14 Zákon o aktivním působení hmoty A + B k 1 X + Y d[x ] = d[y ] = d[a] = d[b] = k 1 [A][B]

15 Zákon o aktivním působení hmoty A + B k 1 X + Y d[x ] = d[y ] = d[a] = d[b] = k 1 [A][B] X + Y k 2 A + B d[a] = d[b] = d[x ] = d[y ] = k 2 [X ][Y ]

16 Zákon o aktivním působení hmoty A + B k 1 X + Y d[x ] = d[y ] = d[a] = d[b] = k 1 [A][B] X + Y k 2 A + B d[a] = d[b] = d[x ] = d[y ] = k 2 [X ][Y ] přímá a reversibilní reakce vzájemně nezávislé: d[x ] = d[y ] = k 1 [A][B] k 2 [X ][Y ] d[a] = d[b] = k 1 [A][B] + k 2 [X ][Y ]

17 Zákon o aktivním působení hmoty A + B k 1 X + Y d[x ] = d[y ] = d[a] = d[b] = k 1 [A][B] X + Y k 2 A + B d[a] = d[b] = d[x ] = d[y ] = k 2 [X ][Y ] ekvilibrium přímé a reversibilní reakce: d[a] = d[b] = d[x ] = d[y ] = 0 k 1 [A][B] = k 2 [X ][Y ] k 1 k 2 = [X ][Y ] [A][B]

18 Numerická simulace

19 Obsah Základní pojmy Spojitý deterministický model chemických reakcí Spojitý deterministický model transkripční regulace Diskrétní aproximace

20 Schema transkripční regulace Signal 1 Signal 2 Signal 3 Signal n Signal n X1 X2 X3 Xm aktivace represe gen 1 gen 2 gen 3 gen 4 gen 5 gen 6 gen 7 gen 8 DNA

21 Schema transkripční regulace vnitrni/vnejsi okoli Signal 1 Signal 2 Signal 3 Signal n Signal n transkripcni faktory X1 X2 X3 Xm aktivace represe geny gen 1 gen 2 gen 3 gen 4 gen 5 gen 6 gen 7 gen 8 DNA

22 Výřez transkripční sítě E.coli (Hidde de Jong) protein P gyrab GyrAB P fis FIS P1 P 1 P2 cya CYA promoter gene DNA supercoiling camp CRP Signal (lack of carbon source) P1 P4 topa TopA P1 P2 rrn trna rrna P1 P2 crp CRP

23 Vstupní funkce Y = f(x*) signal Sx Y Y X X* Y Y zvyseni transkripce X* gen Y

24 Vstupní funkce (aktivátor) monotonní, křivka tvaru S aktivátor rostoucí (0 nejvyšší úroveň) represor klesající (nejvyšší úroveň 0) často tzv. Hillova funkce, pro aktivátor: f + (X ) = βx n K n + X n K... aktivační koeficient (vazba TF DNA) β... maximální úroveň exprese (vazba RNAp DNA) n... ostrost křivky (mezi 1-4) f + (X ) = β X >> K

25 Vstupní funkce (aktivátor) β [Y ] [X ] K

26 Vstupní funkce (represor) Hillova funkce pro represor: f (X ) = β 1 + ( X K )n K... represní koeficient (vazba TF DNA) β... maximální úroveň exprese (vazba RNAp DNA) n... ostrost křivky (mezi 1-4) f (X ) = β X = 0 někdy může být úroveň vstupních funkcí nenulová (β 0 )

27 Vstupní funkce (represor) β [Y ] [X ] K

28 Vícerozměrné vstupní funkce Y = f(x*,z*) Y Y X* Z* Y Y zvyseni transkripce X* Z* gen Y např. součet: f (X, Z ) = β X X + β Z Z

29 Časové dimenze v E.coli Experimentálně zjištěný parametr Vazba molekuly signálu na transkripční faktor vedoucí ke změně aktivity faktoru Vazby aktivního faktoru na operon DNA Transkripce Translace Životnost mrna Trvání jedné generace buňky E.Coli 1msec 1sec 1min 2min 2-5min min. 30min

30 Model dynamiky transkripční regulace modelujeme produkci proteinu Y v čase koncentrace [Y ] v (mol/s) v čase t: [Y ](t) signální řízení, posttranskripční a ostatní procesy uvažujeme konstantní pro zjednodušení uvažujeme i vstupní funkci konstantní d[y ] = β γ[y ] β... produkční koeficient (mol/s) γ = γ dil + γ deg γ deg... destrukce (degradace) proteinu v buňce γ dil... redukce koncentrace proteinu růstem buňky

31 Model dynamiky transkripční regulace d[y ] = β γ[y ] stabilní stav transkripce (ekvilibrium): d[y ] = 0 [Y ] = β γ vypnutí transkripce: β = 0 exponenciální rozpad proteinu určuje dobu odezvy transkripční regulace čím větší je γ, tím kratší je doba odezvy transkripční regulace u stabilních proteinů je γ deg = 0 doba odezvy je rovna trvání jedné generace buňky malý vliv na dynamické děje, ale vliv na evoluci

32 Transkripční motiv I Negativní autoregulace Y Y d[y ] = f (Y ) γ[y ] stabilní koncentrace Y st (při ekvilibriu): d[y ] = 0 Y st = f (Y ) γ

33 Transkripční motiv I Negativní autoregulace Y Y d[y ] = β 1 + [Y ] K γ[y ] stabilní koncentrace Y st (při ekvilibriu): d[y ] = 0 Y st = β γ(1 + [Y ] K ) čím větší [Y ], tím kratší doba odezvy (výraznější projev rozpadu)

34 Transkripční motiv II Positivní autoregulace Y Y d[y ] = f + (Y ) γ[y ] stabilní koncentrace Y st (při ekvilibriu): d[y ] = 0 Y st = f + (Y ) γ

35 Transkripční motiv II Positivní autoregulace Y Y d[y ] = β[y ] K + [Y ] γ[y ] stabilní koncentrace Y st (při ekvilibriu): d[y ] = 0 Y st = β[y ] γ(k + [Y ]) čím větší [Y ], tím delší doba odezvy (mírnější projev rozpadu)

36 Model dynamiky transkripční regulace obecně d[x i ] = l L β β il ϱ il ( X ) γ i [X i ] L β... konečná množina indexů X X 1,..., X n... vektor koncentrací proteinů v transkripci ϱ il ( X )... vstupní funkce (s vytknutými max. úrovněmi exprese) β il... produkční koeficienty (max. úrovně exprese) γ... degradační koeficient

37 Model dynamiky transkripční regulace příklad protein A protein B gene a gene b d[a] d[b] = β a1 f a (A) + β a2 f + a (B) γ a [A] = β b1 f b (B) + β b 2 f + b (A) γ b[b]

38 Obsah Základní pojmy Spojitý deterministický model chemických reakcí Spojitý deterministický model transkripční regulace Diskrétní aproximace

39 Motivace experimentalni analyza overeni/zamitnuti biologicka data ziskavani znalosti modelovani experimenty in vivo/in vitro in silico model vyvoj technologie hypotezy simulace analyza

40 Motivace numerické metody simulace výpočtu nelineárních rovnic pro dané iniciální podmínky při větším počtu proměnných obtížná analýza všechny koeficienty přesně zadány (kvantitativní znalost) obtížné automatizovat kvalitativní aproximace pomocí konečného stavového prostoru diskretizace vstupních funkcí průběh vstupních funkcí omezený v čase koncentrace látek omezené možnost automatizované analýzy koeficienty mohou být reprezentovány kvalitativně možnost předpovědi kvantitativní znalosti

41 Aproximace Hillových funkcí aproximace pro n aktivační/represní koef. K nahrazen prahovou koncentrací θ tzv. step-funkce, nespojitá v bodě θ, binární obor hodnot aktivační funkce: represní funkce: s + (X, θ) = { 1, if [X ] > θ, 0, if [X ] < θ, s (X, θ) = 1 s + (X, θ)

42 Parciálně lineární model transkripční regulace protein A protein B gene a gene b d[a] = β a s (A, θ 1 a) s (B, θ 1 b ) γ a [A] d[b] = β b s (B, θ 2 b ) γ b [B]

43 Koncentrační prahy prahy na proměnné [A] vstup pro represní funkci proteinu A, práh θ 1 a kvalitativní charakteristika: prahy na proměnné [B] 0 < θ 1 a < max a vstup pro represní funkci proteinu A, práh θ 1 b vstup pro represní funkci proteinu B, práh θ 2 b kvalitativní charakteristika: 0 < θ 1 b < θ 2 b < max b

44 Kvalitativní znalost ekvilibrií s (A, θa) 1 s (B, θb 1) s (B, θb 2 ) [A] [B] β b γ b β a β b γ a γ b β a γ a 0 pro každou kombinaci je soustava lineární domény lineární regulace (regulatorní domény): {(0, θ 1 a), (θ 1 a, max a )} {(0, θ 1 b), (θ 1 b, θ 2 b), (θ 2 b, max b )} řešení v doméně D směřují ke stejnému ekvilibriu Φ(D) celkem 6 regulatorních domén

45 Rozdělení prostoru řešení max a θ 1 a [A] 0 θ 1 b θ 2 b [B] max b

46 Určení pozice ekvilibrií max a β a γ a θ 1 a [A] 0 θ 1 b θ 2 b [B] β b γ b max b

47 Vývoj v regulatorních doménách max a β a γ a θ 1 a (0, β b γ b ) ( βa γ a, β b γ b ) (0, β b γ b ) (0, 0) [A] (0, β b γ b ) (0, 0) 0 θ 1 b θ 2 b [B] β b γ b max b

48 Stavový prostor max a θ 1 a [A] 0 θ 1 b θ 2 b [B] max b

49 Chování v regulatorních doménách max a θ 1 a [A] 0 θ 1 b θ 2 b [B] max b

50 Přechodové domény nadroviny dimenze striktně nižší než počet proměnných alespoň jedna z proměnných rovna prahové koncentraci: {θa} 1 {(0, θb 1 ), θ1 b, (θ1 b, θ2 b ), θ2 b, (θ2 b, max b)} {(0, θa), 1 (θa, 1 max a )} {θb 1, θ2 b } celkem 9 přechodových domén právě všechny úseky nespojitosti (nedefinovanosti) step-funkcí řád přechodové domény počet přechodových proměnných

51 Chování v přechodových doménách definováno vývojem v přilehlých regulatorních doménách aproximace systému rovnic systémem inkluzí [Filippov] pro přechodovou doménu D řádu k vývoj definován množinou cílových ekvilibrií: Φ(D) = C co({φ(d ) D přilehlá reg. dom.}) co(e)... nejmenší konvexní útvar obsahující všechny body množiny E C... nadrovina dimenze (n k) obsahující D prázdný průnik okamžitý odskok spojitost řešení zachována návazností domén D tzv. transparentní zeď neprázdný průnik mód skluzu D tzv. černá zeď

52 Chování v přechodových doménách skluz max a β a γ a θ 1 a (0, β b γ b ) ( βa γ a, β b γ b ) [A] 0 θ 1 b θ 2 b [B] β b γ b max b

53 Chování v přechodových doménách ekvilibrium max a β a γ a θ 1 a [A] (0, β b γ b ) (0, 0) 0 θ 1 b θ 2 b [B] β b γ b max b

54 Chování v přechodových doménách odskok max a β a γ a θ 1 a ( βa γ a, β b γ b ) [A] (0, β b γ b ) 0 θ 1 b θ 2 b [B] β b γ b max b

55 Chování mezi přechodovými doménami max a θ 1 a [A] β a γ a ( βa γ a, 0) ( βa γ a, β b γ b ) ( βa γ a, 0) (0, β b γ b ) 0 θ 1 b θ 2 b [B] β b γ b max b

56 Chování v přechodových doménách komplet max a θ 1 a [A] 0 θ 1 b θ 2 b [B] max b

57 Reference Alon, U. An Introduction to Systems Biology: Design Principles of Biological Circuits. Chapman & Hall, de Jong, H. et.al. Qualitative Simulation of Genetic Regulatory Networks Using Piecewise-Linear Models. RR-4407, INRIA-Helix Technical Report Series, Gilbert, D. Introduction to systems biology course. Bioinformatics Research Centre, Bower, J.M. & Bolouri, H. Computational Modeling of Genetic and Biochemical Networks. Bradford Book, 2001.