nach oben

Erschienen in:

2021 | OriginalPaper | Buchkapitel

Automatic Synthesis of Boolean Networks from Biological Knowledge and Data

verfasst von : Athénaïs Vaginay, Taha Boukhobza, Malika Smaïl-Tabbone

Erschienen in: Optimization and Learning

Verlag: Springer International Publishing

Einloggen

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

search-config

KI-gestützte Suche

Aus

Abstract

Boolean Networks (BNs) are a simple formalism used to study complex biological systems when the prediction of exact reaction times is not of interest. They play a key role to understand the dynamics of the studied systems and to predict their disruption in case of complex human diseases. BNs are generally built from experimental data and knowledge from the literature, either manually or with the aid of programs. The automatic synthesis of BNs is still a challenge for which several approaches have been proposed. In this paper, we propose ASKeD-BN, a new approach based on Answer-Set Programming to synthesise BNs constrained in their structure and dynamics. By applying our method on several well-known biological systems, we provide empirical evidence that our approach can construct BNs in line with the provided constraints. We compare our approach with three existing methods (REVEAL, Best-Fit and caspo-TS) and show that our approach synthesises a small number of BNs which are covering a good proportion of the dynamical constraints, and that the variance of this coverage is low.

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 An Exploratory Analysis on a Disinformation Dataset

Nächstes Kapitel Solving Inventory Routing Problems with the Gurobi Branch-and-Cut Algorithm

raf, randomnet_n7k3, xiao_wnt5a, arellano_rootstem, davidich_yeast and faure_cellcycle.

Systems Biology Markup Language.

Albert, R., Thakar, J.: Boolean modeling: a logic-based dynamic approach for understanding signaling and regulatory networks and for making useful predictions. Wiley Interdisc. Rev. Syst. Biol. Med. 6(5), 353–369 (2014). https://doi.org/10.1002/wsbm.1273CrossRef

Biane, C., Delaplace, F., Melliti, T.: Abductive network action inference for targeted therapy discovery. Electron. Notes Theoret. Comput. Sci. 335, 3–25 (2018). https://doi.org/10.1016/j.entcs.2018.03.006CrossRef

Bornholdt, S.: Less is more in modeling large genetic networks. Science 310(5747), 449–451 (2005). https://doi.org/10.1126/science.1119959CrossRef

Chatain, T., Haar, S., Kolčák, J., Paulevé, L.: Most permissive semantics of Boolean networks. Research Report (2020). https://hal.archives-ouvertes.fr/hal-01864693

Chevalier, S., Noël, V., Calzone, L., Zinovyev, A., Paulevé, L.: Synthesis and simulation of ensembles of Boolean networks for cell fate decision. In: Abate, A., Petrov, T., Wolf, V. (eds.) CMSB 2020. LNCS, vol. 12314, pp. 193–209. Springer, Cham (2020). https://doi.org/10.1007/978-3-030-60327-4_11CrossRef

Gebser, M., Kaminski, R., Kaufmann, B., Schaub, T.: Answer Set Solving in Practice. Morgan & Claypool Publishers, Williston (2012). ISBN 978-1-60845-971–1CrossRef

Kauffman, S.A.: Metabolic stability and epigenesis in randomly constructed genetic nets. J. Theor. Biol. 22(3), 437–467 (1969). https://doi.org/10.1016/0022-5193(69)90015-0MathSciNetCrossRef

Klarner, H., Streck, A., Siebert, H.: PyBoolNet: a python package for the generation, analysis and visualization of Boolean networks. Bioinformatics (2016). https://doi.org/10.1093/bioinformatics/btw682CrossRef

Lähdesmäki, H., Shmulevich, I., Yli-Harja, O.: On learning gene regulatory networks under the Boolean network model. Mach. Learn. 52(1), 147–167 (2003). https://doi.org/10.1023/A:1023905711304CrossRefMATH

10.

Lazebnik, Y.: Can a biologist fix a radio?—Or, what i learned while studying apoptosis. Cancer Cell 2(3), 179–182 (2002). https://doi.org/10.1016/S1535-6108(02)00133-2MathSciNetCrossRef

11.

Le Novère, N.: Quantitative and logic modelling of molecular and gene networks. Nat. Rev. Genet. 16(3), 146–158 (2015). https://doi.org/10.1038/nrg3885CrossRef

12.

Liang, S., Fuhrman, S., Somogyi, R.: REVEAL, a general reverse engineering algorithm for inference of genetic network architectures. In: Pacific Symposium on Biocomputing, pp. 18–29 (1998). ISSN 2335–6928

13.

Locke, J.C.W., et al.: Experimental validation of a predicted feedback loop in the multi-oscillator clock of arabidopsis thaliana. Mol. Syst. Biol. 2(1), 59 (2006). https://doi.org/10.1038/msb4100102CrossRef

14.

Malik-Sheriff, R.S., et al.: BioModels—15 years of sharing computational models in life science. Nucleic Acids Res. 48(D1), D407–D415 (2020). https://doi.org/10.1093/nar/gkz1055CrossRef

15.

Müssel, C., Hopfensitz, M., Kestler, H.A.: BoolNet—an R package for generation, reconstruction and analysis of Boolean networks. Bioinformatics 26(10), 1378–1380 (2010). https://doi.org/10.1093/bioinformatics/btq124CrossRef

16.

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.2016.07.009CrossRef

17.

Schwab, J.D., Kühlwein, S.D., Ikonomi, N., Kühl, M., Kestler, H.A.: Concepts in Boolean network modeling: what do they all mean? Comput. Struct. Biotechnol. J. 18, 571–582 (2020). https://doi.org/10.1016/j.csbj.2020.03.001CrossRef

18.

Spellman, P.T., et al.: Comprehensive identification of cell cycle-regulated genes of the yeast Saccharomyces cerevisiae by microarray hybridization. Mol. Biol. Cell 9(12), 3273–3297 (1998). https://doi.org/10.1091/mbc.9.12.3273CrossRef

Titel: Automatic Synthesis of Boolean Networks from Biological Knowledge and Data
verfasst von: Athénaïs Vaginay
Taha Boukhobza
Malika Smaïl-Tabbone
Verlag: Springer International Publishing
Buch: Optimization and Learning
Print ISBN: 978-3-030-85671-7

Electronic ISBN: 978-3-030-85672-4

Copyright-Jahr: 2021
DOI: https://doi.org/10.1007/978-3-030-85672-4_12

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"

Premium Partner