cáncer
Extracto
Cada vez se aplicó el análisis de surprisal para el examen de los niveles de transcripción en los procesos celulares, hacia revelando estructuras de redes interiores y predecir la respuesta. Pero para alcanzar su pleno potencial, análisis surprisal debe integrarse en una herramienta computacional rango más amplio. Los efectos de este documento son de combinar el análisis surprisal con otros procedimientos de cálculo importantes, como la fácil manipulación de los resultados del análisis - por ejemplo, Resultados para elegir subconjuntos deseables para una posterior inspección -, recuperación y la comparación con los conjuntos de datos relevantes de bases de datos públicas, y representaciones gráficas flexibles para el pensamiento heurístico. Todo el conjunto de procedimientos de cálculo integrado en una única herramienta práctica es lo que llamamos
Análisis Computacional surprisal
. Este tipo combinado de análisis debería facilitar la comprensión significativa cuantitativa de diferentes procesos celulares para los investigadores, incluidas las aplicaciones de la proteómica y la metabolómica. Más allá de eso, nuestra visión es que
Análisis Computacional surprisal
tiene el potencial de alcanzar el estado de un método rutinario de análisis para los profesionales. El poder de resolución de
Análisis Computacional surprisal
que aquí se demuestra mediante su aplicación a una variedad de procesos celulares de cáncer de transcripción de datos, nuestra y de la literatura. Los resultados proporcionan una imagen biológica compacto de la importancia termodinámico de los principales fenotipos de expresión génica en todas las etapas de la enfermedad. Para cada transcripción caracterizamos tanto su inherente peso en estado estacionario, su correlación con las otras transcripciones y su variación debido a la enfermedad. Presentamos un sitio web dedicado a facilitar el análisis de los investigadores y profesionales
Visto:. Kravchenko-Balasha N, Simon S, Levine RD, Remacle M, Exman I (2014) Análisis Computacional surprisal velocidades hasta Genómica Caracterización de Procesos de cáncer. PLoS ONE 9 (11): e108549. doi: 10.1371 /journal.pone.0108549
Editor: José M. Sánchez-Ruiz, Universidad de Granada, España |
Recibido: 18 de febrero, 2014; Aceptado: August 31, 2014; Publicado: 18 Noviembre 2014
Derechos de Autor © 2014 Kravchenko-Balasha et al. Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons Attribution License, que permite el uso ilimitado, distribución y reproducción en cualquier medio, siempre que el autor original y la fuente se acreditan
Financiación:. Este trabajo fue apoyado por una beca postdoctoral EMBO a NKB y la Comisión Europea 7PM Tecnologías futuras y emergentes abierta Proyecto BAMBI 618.024 (a FR y RDL). Los donantes no tenía papel en el diseño del estudio, la recogida y análisis de datos, decisión a publicar, o la preparación del manuscrito
Conflicto de intereses:.. Los autores han declarado que no existen intereses en competencia
Introducción
Análisis surprisal, en su sentido más general, es un procedimiento para caracterizar la probabilidad de diferentes estados de un sistema, estados que pueden tener una estructura interna rica. Además, el sistema puede no estar en un estado estacionario. El procedimiento comienza asumiendo que se conoce un conjunto de un número relativamente pequeño de restricciones. Estas limitaciones se consideran suficientes para caracterizar las desviaciones de la distribución del estado estacionario debido a las condiciones impuestas en el sistema. Si las cargas asumidas son insuficientes para reproducir en realidad la distribución de probabilidad, uno es
sorprendido
y por lo tanto hay que buscar /limitaciones y modificados o adicionales.
Análisis surprisal tiene su base en las ciencias físicas y se ha aplicado con éxito a una gran cantidad de problemas físicos, químicos y de ingeniería y convincentemente demostrado ser relevante, útil y producir resultados verificables [1] - [4].
El presente trabajo se inscribe en una serie de documentos [ ,,,0],5] - [9], cuyo objetivo es mostrar que el análisis surprisal también es relevante y aplicable a los fenómenos biológicos, en particular los procesos de cáncer celulares. Un comentario reciente sobre el enfoque de la biología es [10]. Utilizando el análisis de surprisal identificamos las distribuciones equilibradas de ARNm más estables en todas las etapas de la enfermedad a partir de los datos experimentales y también las redes de ARNm menos estables que mantienen las células lejos del estado de equilibrio. Estas redes son la base del proceso de desarrollo del cáncer. Comparamos entre el sistema de célula de redes /paciente que participa en la transformación de cáncer y las relacionamos con las redes que contribuyen principalmente al estado de equilibrio.
Este artículo tiene dos propósitos específicos adicionales.
En primer lugar, para combinar Análisis surprisal con otros procedimientos de cálculo importantes, como la fácil manipulación de los resultados del análisis - por ejemplo, Resultados para elegir subconjuntos deseables para una posterior inspección -, recuperación y la comparación con los datos pertinentes a partir de bases de datos públicas, y representaciones gráficas flexibles para el pensamiento heurístico. Todo el conjunto de procedimientos de cálculo integrado en una única herramienta práctica es lo que llamamos
Análisis Computacional surprisal
. Este tipo combinado de análisis debe ser mucho más rápido para profesionales e investigadores, que teniendo las herramientas independientes pero no coincidentes para ser integrado en la coherencia lógica y práctica.
En segundo lugar, sobre una escala de tiempo más largo, nuestra visión es llegar a la estado que
análisis Computacional surprisal
será un análisis de rutina para el diagnóstico del cáncer. De este modo, además, las técnicas de imagen, mínimamente invasivo de la cirugía, la quimioterapia, la radioterapia controlados, se espera que
Análisis Computacional surprisal
encontrará su lugar en la práctica clínica, el diagnóstico de aceleración.
Por lo tanto, este trabajo tiene como objetivo mostrar:
Análisis de la relevancia de surprisal a la
entender Red de fenómenos biológicos, discutiendo resultados novedosos en el ámbito de los procesos de cáncer celular en el entorno de laboratorio;
que
Análisis Computacional surprisal
de hecho acelera Análisis surprisal, describiendo en primer lugar los aspectos de integración de la herramienta, y luego explicar los aumentos de velocidad en marcha en los cálculos y en el pensamiento heurístico;
la aplicabilidad de
Análisis Computacional surprisal
al diagnóstico de los procesos celulares de cáncer, mediante la comparación de los resultados obtenidos para los enfermos en comparación con sujetos sanos.
procesos de cáncer celular
el cáncer es una altamente enfermedad heterogénea que muestra una variación fenotípica considerable entre los pacientes con un mismo tipo de cáncer. Por lo tanto la comprensión de los procesos oncogénicos subyacentes, que participan en el proceso de transformación, requiere enfoques a nivel de sistema que permita la identificación y caracterización de los componentes del sistema.
Los recientes avances técnicos, incluyendo microarrays de ADNc y análisis de espectrometría de masas de los proteomas celulares, permitirle establecer perfiles funcionales globales y cuantitativos de las células cancerosas y tejidos. Por lo tanto existe una demanda creciente de herramientas teórico-computacionales que ayudan en la comprensión más profunda de los datos.
Queratinocitos transformados
El uso de un enfoque teórico-computacional se analizaron varios conjuntos de datos de expresión génica, incluyendo pacientes con cáncer renal, HPV16 inducidos y fibroblastos WI-38 transformado [7], [8]. Además, el método de análisis puede aplicarse no sólo a los ARN mensajeros, los ARNm como lo hacemos aquí, sino también a los microRNAs [9] y más allá a los conjuntos de datos de todos los -ómicas, incluida la proteómica y la metabolómica.
En el presente trabajo se centrar la atención en el análisis de los niveles de mRNA que utilizan los mismos principios cuantitativos como en los sistemas multicomponentes de no equilibrio en física y química. La utilización de los sistemas biológicos en evolución en el tiempo en respuesta a las perturbaciones que tienen por objeto definir las firmas de mRNA en el estado más estable y constante del sistema y los grupos de ARNm que se desvían del estado estacionario debido a la perturbación. Para este fin utilizamos el análisis surprisal como una técnica que nos permite aplicar los principios termodinámicos en la biología [4], [6], [8], [14].
La salida del análisis surprisal incluye varios grupos de mRNAs, los que contribuyen principalmente al grupo de estado y otra constante de mRNAs que contribuyen significativamente a las desviaciones de la estado estacionario en cada etapa de la transformación. El último grupo comprende altamente heterogéneos fenotipos inestables de transcripción [6] que subyace en el proceso de transformación. Además de las firmas de genes /proteínas específicas de cáncer de identificación, análisis surprisal permite comparar de los fenotipos de ARNm de la enfermedad a los patrones de transcripción de estado estacionario más estables y resistentes a las perturbaciones en cada etapa de la enfermedad, la adición de una nueva capa a la caracterización de las piezas que varían en el transcriptoma del cáncer.
Análisis surprisal
Análisis surprisal se basa en el principio de máxima entropía. La entropía es una magnitud física que se originó en la disciplina de la termodinámica, entonces apareció en la mecánica estadística y más tarde en Teoría de la Información. entropía Cualitativamente es una medida del desorden o falta de información. La entropía aumenta cuando la probabilidad de que un sistema sea en un estado dado entre sus muchos estados posibles es más uniforme. Si la probabilidad de que el sistema sea en un cierto estado es mucho más grande que las probabilidades de estar en cualquier otro estado, no nos falta la información sobre el sistema y la entropía es mínima.
El enfoque basado en el principio de máxima entropía, dice que nuestra información sobre la distribución de los estados del sistema se obtiene mediante la maximización de la entropía bajo las restricciones de información conocidos. En ausencia de cualquier información, el trastorno es máxima y la información es mínima.
imponer las restricciones utilizando un método introducido por Lagrange (para más detalles, véase Archivo S1). Se requiere la maximización de la expresión para la función de Lagrange como una función de los multiplicadores de Lagrange: (1)
Cada se multiplica por un coeficiente de un multiplicador de Lagrange cuyo valor numérico dice acerca de la importancia relativa de la respectiva restricción en la circunstancia particular . Todas las restricciones ponderadas se suman y limitan la entropía se redujera de su valor máximo absoluto.
En nuestra aplicación de esta técnica a los procesos celulares de cáncer, las limitaciones son vistos como llamada de transcripción /traducción /patrones firmas de cáncer p.ej relacionada con los procesos celulares específicos. Estos patrones biológicos evitan que las células cancerosas para llegar a la máxima entropía que se espera que existir en el estado de equilibrio del sistema biológico. El análisis identifica surprisal ambos estados en todas las etapas de la enfermedad: el estado de equilibrio y el estado restringido, donde los patrones específicos de cáncer son más activos [6] - [8]. En cualquier punto dado en el tiempo ciertos patrones contribuyen más que otros. De esta manera se puede inferir de la importancia relativa de los procesos celulares específicos en diferentes etapas de la aparición del cáncer. En este análisis de cada transcripción puede participar en más de un patrón de transcripción, que subyace en el proceso de desarrollo del cáncer.
Análisis Computacional surprisal
Con el fin de demostrar el concepto y obtenido aceleración de la
Computational surprisal Análisis
, una herramienta integrada fue diseñado e implementado, que tiene la estructura general de software se muestra en la figura 1. Sus módulos de software (de ahora en adelante llamados softmodules) se describirá en detalle en la sección Métodos del papel (por más detalles, véase también el archivo S1).
Arquitectura de Software de la herramienta integrada.
con el fin de conseguir el sabor de integración de la herramienta
Análisis Computacional surprisal
, que ahora mencionamos las cuatro entradas softmodules 'y el resultado final del análisis:
análisis surprisal Network - entrada es una matriz rectangular grande de los datos de los niveles de expresión génica obtenidos a partir de mediciones en un chip formación. Una de las dimensiones de la matriz de datos es mucho más grande que la otra (por ejemplo, 4 marcas de tiempo de aproximadamente 22.000 genes). Un objetivo del análisis surprisal es reducir la matriz de datos de dimensiones manejables, a saber. para obtener una matriz cuadrada cuya dimensión es menor o como máximo igual a la pequeña dimensión de la matriz de datos;
Gene Profiling Network - entrada es una pequeña matriz de datos cuyo tamaño está fijado por el número de patrones correspondientes a la información medida, por ejemplo una matriz de 4 por 4, correspondiente a 4 marcas de tiempo en los procesos celulares;
DB Recuperación de CD - entrada consiste en sub-conjuntos de genes obtenidos por el perfilado de genes. Cada sub-conjunto contiene los genes más influyentes en el patrón respectivo;
Análisis heurístico Network - de entrada son datos obtenidos en los anteriores softmodules. Cálculo se realizó para analizar y visualizar de forma interactiva para analizar más heurísticamente.
Un ejemplo se ve en dos mapas de calor, que describe la conectividad de la proteína, en la Figura 2.
El calor superior mapa se obtiene por medio de Análisis surprisal. El mapa de calor más baja se basa en datos totalmente independientes obtenidos por DB recuperación. Los ejes de ambos mapas de calor son idénticos, a saber. que contienen los mismos nombres de transcripción en el mismo orden. Como es habitual para los mapas de calor, los colores representan intensidades relativas (escalas numéricas vistos por encima de cada mapa de calor): el rojo es de alta intensidad y el azul es de baja intensidad. Las regiones con el mismo color en ambos mapas de calor se superponen claramente, es decir, sus resultados encajan muy bien, lo que implica que
Análisis Computacional surprisal Network - en el mapa de calor superior - puede proporcionar información predictiva sobre estructuras de red de la transcripción y proteínas - en la parte baja mapa de calor. puntos blancos en el mapa de calor inferior denotan falta de información de las transcripciones específicas
Resultados
En esta sección se presentan los resultados de nuestro trabajo como se ve desde tres perspectivas diferentes:. genómico a- caracterización de los procesos de cáncer: b- la naturaleza de
Análisis Computacional surprisal
; c- la visión de
Análisis Computacional surprisal
como una herramienta práctica del diagnóstico de cáncer.
A- Genómica Caracterización de los procesos de cáncer
Para la caracterización genómica del cáncer procesa la entrada experimental relevante son los niveles de transcripción de los diferentes mRNAs. Las limitaciones en la etiqueta análisis surprisal los fenotipos y una terminología adecuada viene dada por una aplicación y la especialización de la ecuación (1) anterior, de la siguiente manera: (2) donde los índices se refieren al gen
i
y para el fenotipo . es el nivel de expresión génica experimental de
i
, es la extensión (independiente del tiempo) de la participación de un determinado transcripción
i Hoteles en el patrón de transcripción y, el multiplicador de Lagrange de la ecuación (1) es aquí el peso del patrón de transcripción respectivo. Esta terminología se aclarará adicionalmente en la sección Métodos con especial referencia a la función especial del término.
La salida final de la
Análisis Computacional surprisal
es los mapas de calor que muestran el grado de participación de las transcripciones en los patrones de transcripción particulares indexado por. Estos mapas de calor teóricos se comparan con los mapas de calor experimentales que describen la conectividad funcional de las transcripciones examinados, usando las puntuaciones de conectividad de la base de datos STRING (véase la sección Métodos). De esta manera se relacionan los valores de las redes funcionales, que tienen los puntajes más altos de conectividad de cuerdas, que fueron verificadas experimentalmente.
Los coeficientes, donde el índice 0 se refiere al fenotipo cero, tener valores negativos, lo que significa que las transcripciones más que contribuye a la
estacionario
estado tienen los valores más bajos. - los valores de la primera fenotipo - representan el grado de participación de una transcripción en particular en el patrón de transcripción más importante que subyace en la
proceso de transformación celular
. Los valores pueden ser tanto negativos como positivos, apuntando a la correlación o la correlación inversa de los transcritos dentro del patrón de transcripción. Las transcripciones están etiquetados de acuerdo a las categorías de ontología de genes
células HF1 -.. HPV16 queratinocitos inmortalizadas
Uso de VPH-16 queratinocitos inmortalizados inducidos, analizamos la expresión de genes entre las diferentes etapas del VPH-16 inducida por transformación de los queratinocitos [11]. los niveles de expresión génica se midieron a
cuatro puntos de tiempo discreto
, llamados respectivamente:
K (células normales no transformadas por el virus del papiloma), Francia
E (HPV16 células transformadas a partir de una
temprana etapa de transformación), Francia
L (células transformado de un
finales de etapa de transformación)
BP (las células de la etapa tardía que fueron tratados por
benzo [a] pireno
) [11].
Utilizando el análisis surprisal identificamos el patrón de transcripción importante que contribuye en todos los puntos de tiempo (para más detalles, véase [8 ]). Este patrón de transcripción incluye las transcripciones responsables de la contracción de las vías de control de la apoptosis y la mejora en las redes del ciclo celular en las últimas etapas de la transformación. Todas estas firmas fueron validados por medios bioquímicos [11].
surprisal análisis también identifica los patrones de transcripción secundarias que no son significativas en todas las etapas de la transformación HF1 [8]. En este trabajo se examinan las transcripciones más estables que contribuyen al estado de equilibrio, invariante del sistema HF1 y los comparamos con el patrón de transcripción principal involucrada en el proceso de transformación. Utilizamos
Análisis Computacional surprisal
para construir matrices simétricas - con el fin de generar mapas de calor -, por ejemplo, cuya
ij
elemento es.
En la Figura 3 se puede ver los resultados para las células HF1 (HPV16 queratinocitos inmortalizadas) de
Análisis Computacional surprisal
en cinco formas diferentes. Estos son respectivamente:
(A) Un mapa de calor de las 100 transcripciones más estables (que se ve en (a) en el color de rojo) y el 100 más que contribuye a la transcripción patrón principal (la más alta) y hasta reguladas (visto en (a) en color azul) tal como se obtiene mediante análisis de surprisal. En esta figura: PS - la síntesis de proteínas, SG - Señalización y Crecimiento. (B) Un mapa de calor de la misma lista de transcripción en (A) utilizando las puntuaciones CADENA DB. (C) La lista mismas transcripciones se utilizó para generar. (D) Mapa de Conectividad de las 100 transcripciones más estables como el uso CADENA DB; el color rojo elipse encierra las transcripciones más estables y conectados implicados en la síntesis de proteínas. El grosor de las líneas refleja la probabilidad aproximada del vínculo funcional proteína-proteína de las transcripciones correspondientes previstos por la puntuación de cuerda (ver secciones Métodos para más detalles). Por ejemplo, las líneas gruesas (como las proteínas resaltados por las estrellas rojas dentro de la elipse, la puntuación String = 0,999) representan alta probabilidad para la conectividad funcional basada en la verificación bioquímica, mientras que las líneas finas (como para las proteínas destacados por estrellas negras, en el abajo a la izquierda fuera de la elipse, la puntuación String = 0,507) representa la probabilidad más pequeña para la conexión funcional. (E) un mapa de conectividad de las 100 transcripciones que más contribuye al patrón principal de la transcripción (color azul) guía empresas
Arriba a la izquierda - Zona de juego que representa los valores;.
Medio Alto - Mapa de calor de la misma lista de las transcripciones en (a) el uso de puntajes CADENA DB;
Parte superior derecha - Mapa de calor de la misma lista de transcripciones en (a) con valores;
Baja izquierda - Mapa de Conectividad de las transcripciones más estables (a) utilizando serie DB;.
Abajo a la derecha - Mapa de Conectividad de la más alta
a partir de la figura 3 se puede observar que, las transcripciones más estables (con los menores valores de pertenecen en su mayoría a la categoría de la síntesis de proteínas. Hay una buena correspondencia entre (figura 3A) y mapas de calor (figura 3B), lo que significa que las transcripciones más estables, como se define por análisis surprisal, están conectados funcionalmente más como se muestra en la cadena de DB heatmap . el mapa de calor (Fig. 3B) es la representación cuantitativa de los mapas de conectividad (Fig. 3D y 3E).
el (Fig. 3C) mapa de calor de la misma lista de genes con valores no está correlacionado con la (Fig . 3A) y (Fig. 3B), lo que significa que las transcripciones con la mayor contribución al estado estable invariante casi no participan en el proceso de transformación. Esas transcripciones que contribuyen principalmente al proceso de transformación generan menos conectado mapa (figura 3B, 3E) en comparación con las transcripciones más estables (Fig. 3B y 3D) que tienen muy pequeños cambios relativos (los valores más bajos de).
células WI-38 - WI-38 fibroblastos transformados
en la Figura 4 se puede ver los resultados para las células WI-38 (WI-38 fibroblastos transformados) de
Análisis Computacional surprisal
en. los mismos cinco formas y convenciones que en la figura 3. Este sistema celular incluye 12 etapas de transformación cáncer en el que se aplicaron diferentes alteraciones genéticas [12]. Este sistema de células se sometió a unos 12 manipulaciones moleculares tales como la inserción hTERT, duplicaciones celulares, la represión de la función p53 y la inserción de oncogénico H-Ras como se informa en [12], el desarrollo de este modo de la normal de WI-38 inmortalizado fibroblastos no transformadas en totalmente células transformadas. En este sistema celular de cáncer el estado de equilibrio fue estable durante los 12 puntos de tiempo de la transformación, mientras que la importancia de los patrones de transcripción implicados en el proceso de transformación varió en diferentes puntos [7] de tiempo.
(A) A mapa de calor de la 100 más estable (visto en (a) en color rojo) y el 100 que más contribuye al patrón principal de la transcripción (el más alto) y las transcripciones upregulated (visto en (a) en color azul) tal como se obtiene mediante análisis de surprisal. (PS - la síntesis de proteínas, SMP - Señalización, migración, proliferación). (B) Un mapa de calor de la misma lista de transcripción en (A) utilizando las puntuaciones CADENA DB. (C) La lista mismas transcripciones se utilizó para generar. (D) Mapa de Conectividad de las 100 transcripciones más estables como el uso CADENA DB; el color rojo elipse encierra las transcripciones más estables y conectados implicados en la síntesis de proteínas. (E) un mapa de conectividad de las 100 transcripciones más contribuyen al patrón de la transcripción (color azul) guía empresas
En la Figura 4 se hace las mismas observaciones que el anterior:.. Hay una buena condición física entre (Figura 4A .) y (figura 4B) mapas de calor; (C) Los valores de mapa de calor no está correlacionado con (Fig. 4A) y (Fig. 4B). El mapa de calor (Fig. 4B) es la representación cuantitativa de los mapas de conectividad (Fig. 4D y la Fig. 4E). Transcripciones con los más altos valores y la mayor absoluta generan mapas de menos conectados (Fig. 4E) con varios módulos biológicos (que no debe confundirse con softmodules). El módulo de red principal de la Figura 4E incluye transcripciones que participan en la señalización NFkB (factor nuclear kappa B). Curiosamente este módulo pertenece a la (menor) patrón de transcripción adicional que tiene grandes pesos en las últimas etapas de desarrollo del cáncer [7]. Este módulo ha sido validado y definido previamente como "tumor de formación de firma genética" en el sistema de modelo de cáncer de WI-38 [12]
Uno resume la subsección Genómica Caracterización por los siguientes puntos:.
redes estables gratis (transcripciones con los valores más bajos) generan fuertes conexiones funcionales de acuerdo a STRING DB. Cada proteína no es una proteína de cubo, con numerosas conexiones y puentes que se pueden visualizar cuantitativamente en el surprisal y heatmaps STRING DB. Se espera que la probabilidad de que una mutación letal, tal como eliminación, en que la proteína de hub daría lugar a una muerte de las células a ser mayor en comparación con las proteínas menos conectados.
redes de transformación y la conectividad
- transcripciones con los valores más altos, lo que contribuye principalmente al proceso de transformación, generan grupo menos conectado en todos los conjuntos de datos. Por lo tanto la eliminación de uno de ellos o sustitución por otra proteína puede no afectar de manera significativa la red. Se obtuvo el mismo resultado para los transcritos con los valores más bajos [6]. Como se muestra arriba, el mapa contiene normalmente varios módulos redes separadas (véase por ejemplo la Fig. 4E). Estos módulos pueden ser examinados con más detalle como posibles objetivos para la terapia con medicamentos.
B- la naturaleza del análisis computacional surprisal
A continuación se describe la naturaleza de
Análisis Computacional surprisal
. Se compone esencialmente de los tres aspectos siguientes: a- integración sinérgica de varias clases de computación; b- cuantitativa de aceleración; c- novedoso tipo de inferencias basadas exclusivamente en el análisis surprisal.
sinérgica Integración de diversas clases de Computación.
Tras los softmodules representados en la figura 1, hay dos modos de funcionamiento de la
Análisis Computacional surprisal
sistema:.
1-
secuencial CD - para concatenar los softmodules exactamente como se muestra en la Figura 1, utilizando cada salida softmodule como la entrada a la siguiente softmodule
2 a
cíclico CD -. ciertas softmodules son elegidos para ser repetido cíclicamente, con posiblemente variando entradas hasta que se sale del bucle, con resultados satisfactorios
En ambos casos es un cálculo eficiente esencialmente limitada sólo por las interacciones con el usuario humano. Estas interacciones pueden ser tan simple como elegir /lectura de entrada /salida. Que pueden ser más sofisticados, como por ejemplo, dedicar tiempo para el pensamiento heurístico y hacer inferencias de varios tipos.
A fin de que las repeticiones cíclicas, uno debe ser capaz de iniciar de manera arbitraria con un softmodule, independientemente de otros softmodules. Este es de hecho posible como softmodules se construyen de tal manera que o bien pueden recibir directamente la salida de un softmodule anterior de una forma de cadena o para conseguir otra entrada externa. No hay necesidad de perder tiempo en la manipulación de datos explícita, como la conversión de formatos entre softmodules. Esto se hace automáticamente, siendo una característica intrínseca de la integración sinérgica
En cuanto a la softmodule 1
st -. Análisis surprisal - ya hemos visto que su salida incluye varios grupos de, por ejemplo, ARNm: los que participan en el estado estacionario y otras que contribuyen de manera significativa a las desviaciones del estado estacionario. El sinergismo softmodules es necesario entender el significado biológico de estos grupos, a saber. utilizamos por ejemplo, Acceso a cadenas DB [15] para dibujar las redes funcionales para cada grupo
El 2
nd softmodule -. genes de perfiles - es un puente de la integración eficiente entre los 1
st y 3
softmodules rd . Permite la selección de los genes significativos de los resultados de los análisis surprisal para recuperar la información pertinente de las bases de datos disponibles públicamente.
En cuanto a la 3
er softmodule, el acceso a una base de datos, tales como STRING DB se realiza a través de una adecuada interfaz - transparente para el usuario humano - que permite la selección directa y la recuperación de los datos deseados en el softmodule, para los cálculos hacia adelante. La modularidad del sistema permite a las interfaces futuras simples a las bases de datos de interés adicionales.
Finalmente, el 4
º softmodule permite relacionada cuantitativamente la salida del análisis surprisal a la conectividad funcional entre los ARNm. Se proporcionan dos tipos de mapas de calor:
1- mapa de calor teórico de la conectividad mediante grados de participaciones de, por ejemplo, ARNm en el estado estacionario /desviaciones del estado estacionario como se calculan mediante análisis surprisal (desde el 1
st softmodule) y seleccionados por medio de genes de perfiles (el 2
nd softmodule);
2 -.. mapa de calor funcional calculada a partir de las puntuaciones combinadas CADENA DB
Estos procedimientos integrados permiten muy
eficiente y cuantitativa
comprensión de la conectividad funcional entre los ARNm que contribuyen a las diferentes etapas de la transformación
cuantitativa velocidad de evaluación de seguimiento.
Como se ha visto anteriormente,
Análisis Computacional surprisal
implica diversos tipos de procedimientos de cálculo. Estos tienen tiempos de duración con muy diferente orden de magnitud, que se pueden clasificar de la siguiente manera:
procedimiento puramente de cálculo automático de CD - por ejemplo, el análisis realizado por el surprisal 1
st softmodule. La duración de un cálculo de este tipo puede ser, y de hecho se ha medido de manera muy precisa. Esta duración puede acortarse sin duda por el cómputo secuencial eficiente en el sentido habitual o decir por la paralelización. Por otra parte, esto es mucho más rápido que los siguientes procedimientos, que para todos los fines de evaluación un mal momento límite superior del orden de unos pocos segundos es suficientemente satisfactoria
procedimiento interactivo humano -.
por ejemplo, el gen de perfiles de la 2
nd softmodule o la comparación un poco más largo mapas de calor. Estos son los pasos que determina la velocidad de la
Análisis Computacional surprisal
. Su duración puede ser, en principio, acortada por medio de técnicas de análisis de la interacción hombre-máquina. Por otro lado, es razonablemente seguro suponer que su límite inferior está limitada por las capacidades humanas, más o menos calculado a tardar un tiempo del orden de minutos.
Con el fin de evaluar la velocidad-cuantitativa hasta obtenida por los módulos de
Análisis Computacional surprisal
, los tiempos de duración anteriores deben compararse con el rendimiento no sinérgico:
Manual de conversión de datos y la manipulación CD - por ejemplo, moviendo manualmente los datos obtenidos de bases de datos, mientras que la conversión a un formato adecuado para un procedimiento heatmap representación. Podría tener una duración más o menos estimado, al menos, del orden de decenas de minutos, incluso para los ingenieros de software de expertos.
A partir de las estimaciones anteriores, se evalúa la aceleración cuantitativa global obtenida por
Computacional Análisis surprisal
, al ser del orden de diez. Esta es la relación entre la duración más larga posible, a saber.
la manipulación manual de datos
a la tasa más corta etapa de determinación, a saber.
procedimiento interactivo humana
mediada por sinérgica de conversión automática de datos y la manipulación.
Esto permite una respuesta más rápida a investigadores y profesionales para utilizar el tiempo ganado para el análisis rentable. En este sentido, se acelera en marcha el potencial pensamiento heurístico. pensamiento heurístico tiene un carácter asociativo, como se ha dado a entender que, poniendo de lado a lado (por ejemplo, en las Figuras 3 y 4 del presente trabajo) diverso del resultado muestra como Análisis de surprisal genera mapas de calor y mapas de conectividad.
Un Inferencia importante:. la estabilidad del estado estacionario
Además de la integración de diversos tipos de cómputo con el análisis surprisal, el análisis permite nuevos tipos de inferencias. Aquí hablamos de la inferencia de la estabilidad de los procesos básicos de limpieza, celular, tales como la síntesis de proteínas.
El argumento cuantitativo utiliza la Ec. (2) que implica que los experimentales niveles de expresión de las transcripciones con un peso significativo (negativo