Obliczanie wartości sygnałów w deterministycznych i stochastycznych modelach ścieżek sygnałowych

1. Obliczanie wartości sygnałów w deterministycznych i stochastycznych modelach ścieżek sygnałowych Paweł Lachor, Institute of Informatics, Silesian University of TechnologyKrzysztof Puszyński, Institute of Automatic Control, Silesian University of Technology

2. Zrealizowane projekty • Wizualizacja i analiza modeli ścieżek sygnałowych • Slover stochastyczno-deterministycznych modeli

3. Narzędzie do wizualizacji • Prostota obsługi • Interaktywność • Uniwersalność (można przestawić dowolne ekserymenty) • Platforma Action Script • System łatwy w rozbudowie o kolejne funkcjonalnosci • Prosty XML format danych wejściowych

5. Timelapse fluorescence images of one cell over 29 h after 5 Gy of gamma irradiation. Nuclear p53-CFP and Mdm2-YFP are imaged in green and red, respectively. „Oscillations and variability in the p53 system” by Naama Geva-Zatorsky

6. Model of dynamics of regulatory interactions between p53 and Mdm2. The "Toy" model involving interlinked positive and negative feedbacks. Genetic regulatory circuits Exploring mechanisms of oscillations in p53 and NF-кB systems Hat Beata, Krzysztof Puszyński and Tomasz Lipniacki, IET Systems Biology, SYB-2008-0156.R1

7. Aplikacja w akcji

9. Slover • Pojawił się problem długotrwałych obliczeń w śrdowisku MATLAB. • Zgodnie z postulatem Haseltine’a i Rawlingsa, planował realizację algorytmu Gillespiego dla wolnych reakcji w połączeniu z równaniami różniczkowymi zwyczajnymi w celu przybliżeń deterministycznych.

10. System • Został zrealizowany w C++ • W pełni obiektowo • Zachowana została prostota rozbudowy • Cały silnik jest stworzony w postaci singletonu który można zaimportować do innego systemu i łatwo go tam obudować • Zarządzanie pamięcią zostało zoptymalizowane • W początkowej fazie problem było zaproponowanie szkieletu który musi jak optymalnie realizować obliczenia • Utrudnia tutaj zadanie fakt iż ma być zachowana całkowita prostota przy tworzeniu plików modelu, parametrów i w przyszłości wejść.

11. Model i parametry A 1 (p[01]+(p[02]*(p[10]/(p[10]+AB))))+{p[05]*AB} {p[06]*(A*(B*(C/(C+p[09]))))}+(p[11]*A) 0 C 1 (p[03]*(p[07]/(AB+p[07]))) (p[12]*C) 48 B 0 {p[04]*(C*(p[08]/(C+p[08])))}+{p[05]*AB} {p[06]*(A*(B*(C/(C+p[09]))))}+{p[13]*B} 32 AB 0 {p[06]*(A*(B*(C/(C+p[09]))))} {p[05]*AB}+{p[14]*AB} 0 p[07] 100000 % k3 // polowa predk prod C p[08] 100000 % k4 // polowa pred prod B p[09] 100000 % k5 // polowa pred tworzenia AB p[10] 100000 % k6 // polowa pred prod wym A p[11] 0.00000001 % d1 // deg A p[12] 0.0000001 % d2 // deg C p[13] 0.001 % d3 // deg B p[14] 0.0001 % d4 // deg AB

12. Generowane wyniki A C B AB czas a* iPa input 0.01 48.005 32 0 0 0.51182 0.25591 0 0.02 48.01 32 0 1 0.51187 0.767754 0 0.03 48.015 32 0 2 0.511919 1.27965 0 0.04 48.02 33 0 3 0.511969 0 0 0.05 48.025 33 0 4 0.513019 0.512494 0 0.06 48.03 33 0 5 0.513069 1.02554 0 0.07 48.035 33 0 6 0.513119 1.53863 0 0.08 48.04 33 0 7 0.513169 2.05178 0 0.09 48.045 33 0 8 0.513219 2.56497 0 0.1 48.05 34 0 9 0.513269 0 0 0.11 48.0549 35 0 10 0.514319 0 0

13. Wyniki testów i plany rozwoju • Już na etapie tworzenia zauważamy ogromną poprawę wydajności omawianego programu. Obserwujemy przyśpieszenia rzędu stu-krotnego dla bardziej złożonych modeli stochastycznych • W kolejnych etapach planujemy: • Dodanie możliwości obliczania więcej niż jednej komórki na raz, co doprowadzi do zrównoleglenia wątków • Istnieje realna możliwość udostępnienia aplikacji poprzez stronę internetową innym osobą zaangażowanym w obliczanie takich właśnie modeli, ułatwiając im szybkie pozyskiwanie wyników swoich eksperymentów • Planowane jest pełne połączenie z projektem wizualizacji w celu stworzenia większego serwisu