Ikhtisar
Pemodelan sirkuit biologis bertujuan untuk menangkap perilaku dinamis dari jaringan regulasi gen dan sinyal menggunakan formalisme matematika. Tidak seperti graf jaringan statis yang hanya menunjukkan topologi, model sirkuit mensimulasikan bagaimana konsentrasi spesies molekuler berubah dari waktu ke waktu sebagai respons terhadap masukan, gangguan, dan umpan balik. Model-model ini mengungkap fenomena seperti bistabilitas, osilasi, dan ultrasensitivitas yang penting untuk pengambilan keputusan seluler tetapi tidak dapat disimpulkan dari peta interaksi statis saja.
Metode
Model persamaan diferensial biasa (ODE) mewakili setiap spesies dengan persamaan laju yang dibangun dari kinetika aksi massa atau fungsi Hill. Model ini memberikan prediksi terperinci tetapi memerlukan banyak parameter kinetik yang seringkali tidak diketahui. Model jaringan Boolean mendiskritkan setiap node sebagai hidup atau mati dan memperbarui keadaan menggunakan aturan logis, memungkinkan analisis jaringan yang jauh lebih besar dengan parameter yang jauh lebih sedikit. Pendekatan hibrida seperti logika kabur atau model linier sepotong-sepotong menyeimbangkan antara detail kuantitatif dan skalabilitas. Estimasi parameter menggunakan algoritme optimasi yang menyesuaikan keluaran model dengan data eksperimen deret waktu, dan analisis sensitivitas mengidentifikasi parameter mana yang paling memengaruhi perilaku sirkuit.
Aplikasi
Pemodelan sirkuit biologis adalah inti dari biologi sintetis, di mana sirkuit yang direkayasa seperti sakelar toggle dan osilator dibuat in silico sebelum konstruksi. Dalam farmakologi sistem, model sinyal dan transduksi sinyal sel memprediksi respons obat dan mekanisme resistensi. Model sirkuit regulasi yang menggabungkan regulasi gen dan epigenetik menjelaskan bagaimana sel mempertahankan keputusan nasib. Parameterisasi yang akurat sering bergantung pada pengukuran kinetika enzim, dan model yang dihasilkan memandu eksperimen dengan menghasilkan hipotesis yang dapat diuji tentang fungsi jaringan.
Protokol Praktis
Untuk pemodelan jaringan Boolean dari sirkuit regulasi gen, mulailah dengan mendefinisikan topologi jaringan sebagai graf berarah di mana node adalah gen dan tepi mewakili interaksi regulasi. Gunakan CellDesigner untuk menggambar jaringan secara grafis dengan Notasi Grafis Biologi Sistem Standar (SBGN). Ekspor model sebagai SBML (Bahasa Markah Biologi Sistem) untuk komputasi. Di BoolNet (paket R), definisikan jaringan sebagai file aturan Boolean: targets, factors\nGeneA, !GeneB\nGeneB, GeneA & !GeneC\nGeneC, GeneA. Muat dan simulasikan: library(BoolNet); network <- loadNetwork("rules.txt"); sim <- simulateAttractors(network, type = "asynchronous"). Analisis atraktor (keadaan stabil) untuk mengidentifikasi nasib sel dalam kondisi awal yang berbeda. Analisis keadaan tunak mengungkap sirkuit keputusan: misalnya, sakelar toggle dengan represi timbal balik memiliki dua keadaan stabil. Untuk pemodelan persamaan diferensial biasa (ODE), gunakan COPASI atau kotak alat SBML di MATLAB. Bangun model dengan kinetika aksi massa: d[A]/dt = k1 * [B] - d1 * [A] di mana produksi tergantung pada konsentrasi aktivator dan degradasi orde pertama. Estimasi parameter menyesuaikan keluaran model dengan data deret waktu menggunakan pengoptimal kawanan partikel atau algoritme genetika COPASI. Analisis sensitivitas mengidentifikasi parameter dengan pengaruh terbesar: jalankan analisis sensitivitas lokal di COPASI untuk menghitung koefisien sensitivitas (dX/dp). Untuk jaringan regulasi skala besar, gunakan PySB atau Tellurium di Python. Hasilkan peta panas dari diagram bifurkasi untuk memvisualisasikan bagaimana perilaku sistem berubah dengan parameter kunci (mis., bagaimana sakelar bistable bertransisi saat kekuatan loop umpan balik positif bervariasi). Ekspor model akhir sebagai SBML standar untuk reproduktifitas dan bagikan melalui BioModels Database.
