Logo: to the web site of Uppsala University

uu.sePublications from Uppsala University
EnglishSvenskaNorsk
Change search
ExportLink to record
Permanent link

Direct link
BETA

Project

Project type/Form of grant
Project grant
Title [sv]
Beräkningsbaserad utforskning av högdimensionella stokastiska biokemiska nätverk
Title [en]
Computational exploration of high-dimensional stochastic biochemical reaction networks: A machine learning-assisted approach
Abstract [sv]
Beräkningssystembiologi är ett vetenskapligt område där matematisk modellering och beräkningar används för att förstå hur molekylära interaktioner mellan gener, proteiner, och andra sk. makromolekyler inuti celler reglerar de komplexa processer som styr cellernas funktion. Dessa reglersystem, eller molekylära nätverk, är otroligt komplicerade och består ofta av ett stort antal interagerande molekyler. För att simulera sådana system formuleras olika typer av modeller. Inuti celler, som ju är väldigt små, finns vid varje givet tillfälle endast ett fåtal molekyler av de nyckelproteiner vi vill modellera.  Inom systembiologin har konsekvenser av detta varit föremål för många både teoretiska och experimentella studier, och idag vet man att  stokastik är en viktig faktor man måste ta hänsyn till när man modellerar cellens reglersystem. Av den anledningen har effektiva algoritmer utvecklats för att simulera kemiska reaktioner på en diskret stokastisk nivå, och flera bra mjukvaror finns idag att tillgå just för simulering. På det sättet påminner situationen om den för differentialekvationer. Däremot finns det nästan inga metoder för storskalig modellanalys som fungerar bra för större stokastiska modeller. Det begränsar användandet av stokastiska modeller till små system. Detta projekt syftar till att komma till rätta med detta problem. Eftersom traditionella metoder har visat sig fungera dåligt trots omfattande försök att optimera dem, ska vi här testa ett för fältet helt nytt angreppssätt. Istället för att försöka göra smarta optimeringar inuti existerande simulatorer ska vi istället använda storskaliga distribuerade beräkningar för att skapa stora simulerade dataset. Dessa analyserar vi sen med olika typer av metoder från maskininlärning. På det sättet hoppas vi kunna hantera både komplexa, högdimensionella och stokastiska modeller. 
Abstract [en]
One of the transformational insights in systems biology is that inherent molecular noise in gene regulatory networks leads to substantial single-cell variability and that the regulatory designs of gene regulatory networks are critically influenced by stochasticity. These realizations were to a large part enabled by discrete stochastic models of the chemical interactions between molecules in networks of interacting genes, mRNA and protein. As a consequence, stochastic simulation is today one of the most important tools in systems biology, and a large number of black-box simulators are readily available to the modeler.  An efficient simulator is only one of many components in the model analysis process. Often, no or only a limited amount of experimental data is available early in a project. The challenge is then to use the simulator to go from uncertainties over 3-4 orders of magnitude in parameters to robust qualitative predictions. Such model exploration is constrained both by computational cost and by thee extensive manual input needed from the modeler.  Today there are no tools for model exploration that scale to complex, non-linear and stochastic models.   We propose to develop black-box machine-learning assisted methods to scale to high-dimensional stochastic models. By fusing ideas from scientific computing, machine learning and systems biology we will develop software that automates the analysis of stochastic biochemical pathway models under large uncertainty. 
Principal InvestigatorHellander, Andreas
Toor, Salman
Coordinating organisation
Uppsala University
Funder
Period
2024-01-01 － 2027-12-31
National Category
Computational MathematicsBioinformatics (Computational Biology)Bioinformatics and Systems Biology
Identifiers
DiVA, id: project:9095Project, id: 2023-05167_VR
v. 2.46.0
|
WCAG
|
Uppsala University Library
|
Ask the Library
|
Log in to DiVA
|
Search and link in DiVA