Obliczanie wartości sygnałów w deterministycznych i stochastycznych modelach ścieżek sygnałowych Paweł Lachor, Institute of Informatics, Silesian University.

Prezentacja na temat: "Obliczanie wartości sygnałów w deterministycznych i stochastycznych modelach ścieżek sygnałowych Paweł Lachor, Institute of Informatics, Silesian University."— Zapis prezentacji:

1 Obliczanie wartości sygnałów w deterministycznych i stochastycznych modelach ścieżek sygnałowych Paweł Lachor, Institute of Informatics, Silesian University of Technology Krzysztof Puszyński, Institute of Automatic Control, Silesian University of Technology

2 Zrealizowane projekty Wizualizacja i analiza modeli ścieżek sygnałowych Slover stochastyczno-deterministycznych modeli 2

3 Narzędzie do wizualizacji Prostota obsługi Interaktywność Uniwersalność (można przestawić dowolne ekserymenty) Platforma Action Script System łatwy w rozbudowie o kolejne funkcjonalnosci Prosty XML format danych wejściowych 3

4 4

5 Timelapse fluorescence images of one cell over 29 h after 5 Gy of gamma irradiation. Nuclear p53-CFP and Mdm2-YFP are imaged in green and red, respectively. „Oscillations and variability in the p53 system” by Naama Geva-Zatorsky 5

6 6 Genetic regulatory circuits Exploring mechanisms of oscillations in p53 and NF- кB systems Hat Beata, Krzysztof Puszyński and Tomasz Lipniacki, IET Systems Biology, SYB-2008-0156.R1 Model of dynamics of regulatory interactions between p53 and Mdm2. The "Toy" model involving interlinked positive and negative feedbacks.

7 7 Aplikacja w akcji

8 8

9 Slover Pojawił się problem długotrwałych obliczeń w śrdowisku MATLAB. Zgodnie z postulatem Haseltine’a i Rawlingsa, planował realizację algorytmu Gillespiego dla wolnych reakcji w połączeniu z równaniami różniczkowymi zwyczajnymi w celu przybliżeń deterministycznych. 9

10 System Został zrealizowany w C++ W pełni obiektowo Zachowana została prostota rozbudowy Cały silnik jest stworzony w postaci singletonu który można zaimportować do innego systemu i łatwo go tam obudować Zarządzanie pamięcią zostało zoptymalizowane W początkowej fazie problem było zaproponowanie szkieletu który musi jak optymalnie realizować obliczenia Utrudnia tutaj zadanie fakt iż ma być zachowana całkowita prostota przy tworzeniu plików modelu, parametrów i w przyszłości wejść. 10

11 Model i parametry A1(p[01]+(p[02]*(p[10]/(p[10]+AB))))+{p[05]*AB} {p[06]*(A*(B*(C/(C+p[09]))))}+(p[11]*A)0 C1(p[03]*(p[07]/(AB+p[07])))(p[12]*C)48 B0{p[04]*(C*(p[08]/(C+p[08])))}+{p[05]*AB} {p[06]*(A*(B*(C/(C+p[09]))))}+{p[13]*B}32 AB0{p[06]*(A*(B*(C/(C+p[09]))))} {p[05]*AB}+{p[14]*AB}0 p[07]100000 % k3 // polowa predk prod C p[08]100000 % k4 // polowa pred prod B p[09]100000 % k5 // polowa pred tworzenia AB p[10]100000 % k6 // polowa pred prod wym A p[11]0.00000001 % d1 // deg A p[12]0.0000001 % d2 // deg C p[13]0.001 % d3 // deg B p[14]0.0001 % d4 // deg AB 11

12 Generowane wyniki ACBABczasa*iPainput 0.0148.00532000.511820.255910 0.0248.0132010.511870.767754 0 0.0348.01532020.5119191.27965 0 0.0448.0233030.5119690 0 0.0548.02533040.513019 0.5124940 0.0648.0333050.5130691.02554 0 0.0748.03533060.5131191.53863 0 0.0848.0433070.5131692.05178 0 0.0948.04533080.5132192.56497 0 0.148.0534090.5132690 0 0.1148.0549350100.5143190 0 12

13 Wyniki testów i plany rozwoju Już na etapie tworzenia zauważamy ogromną poprawę wydajności omawianego programu. Obserwujemy przyśpieszenia rzędu stu-krotnego dla bardziej złożonych modeli stochastycznych W kolejnych etapach planujemy: Dodanie możliwości obliczania więcej niż jednej komórki na raz, co doprowadzi do zrównoleglenia wątków Istnieje realna możliwość udostępnienia aplikacji poprzez stronę internetową innym osobą zaangażowanym w obliczanie takich właśnie modeli, ułatwiając im szybkie pozyskiwanie wyników swoich eksperymentów Planowane jest pełne połączenie z projektem wizualizacji w celu stworzenia większego serwisu 13