Descubrimiento de subredes en modelos SBML

Área de la Ciencia:

• Biología de sistemas
• Biología computacional
• La bioinformática

Sus antecedentes:

• Los avances de la investigación biomédica se basan en el análisis estructural de los sistemas biológicos.
• El descubrimiento de subred identifica subestructuras específicas y más grandes dentro de las redes de reacción química (CRN), a diferencia de la búsqueda de motivos.
• El análisis de vías biológicas complejas como la vía MAPK requiere herramientas computacionales eficientes.

Objetivo del estudio:

• Para introducir pySubnetSB, un paquete Python de código abierto para el descubrimiento de subred en CRN.
• Demostrar reducciones significativas en la complejidad computacional para el descubrimiento de subred utilizando pySubnetSB.
• Desarrollar una evaluación de la significación estadística para el descubrimiento de subredes y explorar hipótesis biológicas.

Principales métodos:

• Utilizando el estándar de lenguaje de marcado de biología de sistemas (SBML) para la representación de CRN.
• Implementación de un algoritmo eficiente dentro de pySubnetSB para el descubrimiento de subredes a gran escala.
• Aplicación de métodos estadísticos para evaluar la importancia de las subredes descubiertas.

Principales resultados:

• pySubnetSB reduce drásticamente la complejidad computacional, por ejemplo, de 10^78 a 10^8 evaluaciones para tamaños de red específicos.
• El descubrimiento de la subred identificó correctamente la función de la vía de la proteína quinasa activada por mitógeno (MAPK) en varios Biomodelos.
• El análisis reveló posibles osciladores ocultos y mecanismos de respuesta inmune intracelular conservados.

Conclusiones:

• pySubnetSB proporciona una herramienta eficiente y efectiva para el descubrimiento de subred en las RCR.
• La metodología facilita la identificación de vías funcionales y genera nuevas hipótesis biológicas.
• Este trabajo avanza en el análisis computacional de sistemas biológicos complejos y en la identificación de vías.