nach oben

Erschienen in:

2021 | OriginalPaper | Buchkapitel

Learning Boolean Controls in Regulated Metabolic Networks: A Case-Study

verfasst von : Kerian Thuillier, Caroline Baroukh, Alexander Bockmayr, Ludovic Cottret, Loïc Paulevé, Anne Siegel

Erschienen in: Computational Methods in Systems Biology

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

Many techniques have been developed to infer Boolean regulations from a prior knowledge network and experimental data. Existing methods are able to reverse-engineer Boolean regulations for transcriptional and signaling networks, but they fail to infer regulations that control metabolic networks. This paper provides a formalisation of the inference of regulations for metabolic networks as a satisfiability problem with two levels of quantifiers, and introduces a method based on Answer Set Programming to solve this problem on a small-scale example.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Microbial Community Decision Making Models in Batch and Chemostat Cultures

Nächstes Kapitel Population Design for Synthetic Gene Circuits

Nur mit Berechtigung zugänglich

Baral, C.: Knowledge Representation. Reasoning and Declarative Problem Solving., Cambridge University Press, New York (2003)

Bernot, G., Comet, J.P., Richard, A., Guespin, J.: Application of formal methods to biological regulatory networks: extending thomas’ asynchronous logical approach with temporal logic. J. Theor. Biol. 229(3), 339–347 (2004). https://doi.org/10.1016/j.jtbi.2004.04.003CrossRefPubMed

Buescher, J.M., et al.: Global network reorganization during dynamic adaptations of bacillus subtilis metabolism. Science 335(6072), 1099–1103 (2012). https://doi.org/10.1126/science.1206871CrossRefPubMed

Chaves, M., Oyarzún, D.A., Gouzé, J.L.: Analysis of a genetic-metabolic oscillator with piecewise linear models. J. Theor. Biol. 462, 259–269 (2019). https://doi.org/10.1016/j.jtbi.2018.10.026CrossRefPubMed

Chaves, M., Tournier, L., Gouzé, J.L.: Comparing Boolean and piecewise affine differential models for genetic networks. Acta Biotheor 58(2–3), 217–232 (2010). https://doi.org/10.1007/s10441-010-9097-6CrossRefPubMed

Chevalier, S., Froidevaux, C., Pauleve, L., Zinovyev, A.: Synthesis of boolean networks from biological dynamical constraints using answer-set programming. In: 2019 IEEE 31st International Conference on Tools with Artificial Intelligence (ICTAI). IEEE (2019). https://doi.org/10.1109/ictai.2019.00014

Covert, M.W., Knight, E.M., Reed, J.L., Herrgard, M.J., Palsson, B.O.: Integrating high-throughput and computational data elucidates bacterial networks. Nature 429(6987), 92–96 (2004). https://doi.org/10.1038/nature02456CrossRefPubMed

Covert, M.W., Palsson, B.Ø.: Transcriptional regulation in constraints-based metabolic models of Escherichia coli. J. Biol. Chem. 277(31), 28058–28064 (2002). https://doi.org/10.1046/j.1462-2920.2002.00282.xCrossRefPubMed

Covert, M.W., Schilling, C., Palsson, B.: Regulation of gene expression in flux balance models of metabolism. J. Theor. Biol. 213(1), 73–88 (2001). https://doi.org/10.1006/jtbi.2001.2405

10.

Eiter, T., Gottlob, G.: On the computational cost of disjunctive logic programming: propositional case. Ann. Math. Artif. Intell. 15(3–4), 289–323 (1995). https://doi.org/10.1007/bf01536399CrossRef

11.

Eiter, T., Ianni, G., Krennwallner, T.: Answer Set Programming: A Primer, pp. 40–110. Springer, Berlin (2009). https://doi.org/10.1007/978-3-642-03754-2_2CrossRef

12.

Gebser, M., Kaminski, R., Kaufmann, B., Schaub, T.: Answer Set Solving in Practice. Synthesis Lectures on Artificial Intelligence and Machine Learning. Morgan and Claypool Publishers (2012)

13.

Gebser, M., Kaminski, R., Kaufmann, B., Schaub, T.: Clingo = ASP + control. Preliminary report. CoRR abs/1405.3694 (2014)

14.

Gebser, M., Kaminski, R., Schaub, T.: Complex optimization in answer set programming. Theor. Pract. Logic Prog. 11(4–5), 821–839 (2011). https://doi.org/10.1017/s1471068411000329CrossRef

15.

Gebser, M., Kaufmann, B., Romero, J., Otero, R., Schaub, T., Wanko, P.: Domain-specific heuristics in answer set programming. In: Proceedings of the AAAI Conference on Artificial Intelligence, vol. 27, no. 1 (2013). https://ojs.aaai.org/index.php/AAAI/article/view/8585

16.

de Jong, H.: Modeling and simulation of genetic regulatory systems: a literature review. J. Comput. Biol. 9, 67–103 (2002). https://doi.org/10.1089/10665270252833208CrossRefPubMed

17.

Liu, L., Bockmayr, A.: Regulatory dynamic enzyme-cost flux balance analysis: a unifying framework for constraint-based modeling. J. Theor. Biol. 501, 110317 (2020). https://doi.org/10.1016/j.jtbi.2020.110317

18.

Marmiesse, L., Peyraud, R., Cottret, L.: FlexFlux: combining metabolic flux and regulatory network analyses. BMC Syst. Biol. 9(1), 1–13 (2015). https://doi.org/10.1186/s12918-015-0238-z

19.

Orth, J.D., Thiele, I., Palsson, B.Ø.: What is flux balance analysis? Nat. Biotechnol. 28(3), 245–248 (2010). https://doi.org/10.1038/nbt.1614CrossRefPubMedPubMedCentral

20.

Ostrowski, M., Paulevé, L., Schaub, T., Siegel, A., Guziolowski, C.: Boolean network identification from perturbation time series data combining dynamics abstraction and logic programming. Biosystems 149, 139–153 (2016). https://doi.org/10.1016/j.biosystems.2016.07.009CrossRefPubMed

21.

Oyarzún, D.A., Chaves, M., Hoff-Hoffmeyer-Zlotnik, M.: Multistability and oscillations in genetic control of metabolism. J. Theor. Biol. 295, 139–153 (2012). https://doi.org/10.1016/j.jtbi.2011.11.017CrossRefPubMed

22.

Razzaq, M., Paulevé, L., Siegel, A., Saez-Rodriguez, J., Bourdon, J., Guziolowski, C.: Computational discovery of dynamic cell line specific boolean networks from multiplex time-course data. PLOS Comput. Biol. 14(10), e1006538 (2018). https://doi.org/10.1371/journal.pcbi.1006538

23.

Saez-Rodriguez, J., et al.: Discrete logic modelling as a means to link protein signalling networks with functional analysis of mammalian signal transduction. Mol. Syst. Biol. 5(1), 331 (2009). https://doi.org/10.1038/msb.2009.87CrossRefPubMedPubMedCentral

24.

Tournier, L., Goelzer, A., Fromion, V.: Optimal resource allocation enables mathematical exploration of microbial metabolic configurations. J. Math. Biol. 75(6–7), 1349–1380 (2017). https://doi.org/10.1007/s00285-017-1118-5CrossRefPubMed

25.

Tsiantis, N., Balsa-Canto, E., Banga, J.R.: Optimality and identification of dynamic models in systems biology: an inverse optimal control framework. Bioinformatics 34(14), 2433–2440 (2018). https://doi.org/10.1093/bioinformatics/bty139CrossRefPubMed

26.

Videla, S., Saez-Rodriguez, J., Guziolowski, C., Siegel, A.: Caspo: a toolbox for automated reasoning on the response of logical signaling networks families. Bioinformatics p. btw738 (2017). https://doi.org/10.1093/bioinformatics/btw738

27.

Zañudo, J.G.T., Yang, G., Albert, R.: Structure-based control of complex networks with nonlinear dynamics. Proc. Natl. Acad. Sci. U.S.A. 114(28), 7234–7239 (2017). https://doi.org/10.1073/pnas.1617387114CrossRefPubMedPubMedCentral

Titel: Learning Boolean Controls in Regulated Metabolic Networks: A Case-Study
verfasst von: Kerian Thuillier
Caroline Baroukh
Alexander Bockmayr
Ludovic Cottret
Loïc Paulevé
Anne Siegel
Verlag: Springer International Publishing
Buch: Computational Methods in Systems Biology
Print ISBN: 978-3-030-85632-8

Electronic ISBN: 978-3-030-85633-5

Copyright-Jahr: 2021
DOI: https://doi.org/10.1007/978-3-030-85633-5_10

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"