Vai al contenuto| Home page|

   Ti trovi in: HOME »Programmi, progetti e risultati »I progetti »PRIN - Programmi di ricerca di Rilevante Interesse Nazionale»Programma di ricerca»Unità di ricerca
INIZIO_TESTO_DA_INDICIZZARE

UNITA' DI RICERCA

italiano - english
Bibliografia
[1] The cellml modeling language. 2000.
[2] Spad signaling pathway database. 2000.
[3] The systems biology workbench software. 2000.
[6] T. Akutsu, S. Miyano, and S. Kuhara. Algorithms for identifying boolean networks and related biological networks based on matrix multiplication and fingerprint function. Journal of Computational Biology, 7(3):331–343, 2000.
[7] T. Akutsu, S. Miyano, and S. Kuhara. Algorithms for inferring qualitative models of biological networks. In PSB, volume 5, pages 293–304, Singapore, 2000. World Scientific Press.
[10] R. Alves and M. A. Savageau. Extending the method of mathematically controlled comparison to include numerical comparisons. Bioinformatics, 16(9):786–798, 2000.
[12] A. Arkin, J. Ross, and H.H. McAdams. Stochastic kinetic analysis of developmental pathway bifurcation in phage lambda-infected escherichia coli cells. Genetics, 149:1633–1648, 1998.
[13] G. D. Bader, I. Donaldson, C. Wolting, B. F. Ouellette, T. Pawson, and C. W. Hogue. Bind-the biomolecular interaction network database. Nucleic Acids Research, 29(1):242–245, 2001.
[15] U. S. Bhalla and R. Iyengar. Emergent properties of networks of biological signaling pathways. Science, 283(5400):381–387, 1999.
[28] P. Dhaeseleer, S. Liang, and R. Somogyi. Genetic network inference: from co-expression clustering to reverse engineering. Bioinformatics, 16(8):707–726, 2000.
[29] K. Eilbeck, A. Brass, N. Paton, and C. Hodgman. Interact: an object oriented protein-protein interaction database. In Intelligent Systems for Molecular Biology, volume 7, pages 87–94, Palo Alto, 1999. AAAI Press.
[30] Z. Eker, M. Knapp, K. Laderoute, P. Lincoln, J. Meseguer, and K. Sonmez. Pathway logic: Simbolic analysis of biological signaling. In PSB, volume 7, Singapore, 2002. World Scientific Press.
[32] A. Finney, H. Sauro, M. Hucka, and H. Bolouri. Anxml-based model description language for systems biology simulations. Technical report, California Institute of Technology, September 2000. Technical report.
[34] P. J. E. Goss and J. Peccoud. Quantitative modeling of stochastic systems in molecular biology by using stochastic petri nets. Proceedings of the National Academy of Sciences USA, 95(12):6750–6755, 1998.
[35] P. J. E. Goss and J. Peccoud. Analysis of the stabilizing effect of rom on the genetic network controlling cole1 plasmid replication. In PSB, volume 4, pages 65–76, Singapore, 1999. World Scientific Press.
[36] R. Hofestadt and S. Thelen. Quantitative modeling of biochemical networks. In Silico Biology, 1(1):39–53, 1998.
[37] M. Holcombe and A. Bell. Computational models of immunological pathways. In M. Holcombe and R. Paton, editors, Information Processing in Cells and Tissues: Proceeding of IPCAT ’97, pages 213–226, New York, 1998. Plenum Press.
[38] T. Igarashi and T. Kaminuma. Development of a cell signalling networks database. In PSB ’97, pages 187–197, Singapore, 1997. World Scientific Press.
[39] N. Kam, I.R. Cohen, and D. Harel. The immune system as a reactive system: Modeling t cell activation with statecharts. In Proc. Symposia on Human-Centric Computing Languages and Environments, pages 15–22. IEEE Computer Society Press, 2001.
[40] N. Kam, D. Harel, and I.R. Cohen. Modeling biological reactivity: Statecharts vs. boolean logic. In Proc. 2nd International Conference on Systems Biology, Pasadena, CA, 2001.
[41] P. D. Karp, M. Krummenacker, S. Paley, and J. Wagg. Integrated pathway/genome databases and their role in drug discovery. Trends in Biotechnology, 17(7):275–281, 1999.
[42] T. Kazic. Semiotes: a semantics for sharing. Bioinformatics, 16(12):1129–1144, 2000.
[43] F. A. Kolpakov, E. A. Ananko, G. B. Kolesov, and N. A. Kolchanov. Genenet: a gene network database and its automated visualization. Bioinformatics, 14(8):529–537, 1998.
[44] R. Kuffner, R. Zimmer, and T. Lengauer. Pathway analysis in metabolic databases via differential metabolic display. Bioinformatics, 16(9):825–836, 2000.
[46] K.M. Kyoda, M. Muraki, and H. Kitano. Construction of a generalized simulator for multi-cellular organisms and its application to smad signal transduction. In PSB, volume 5, pages 317–328, Singapore, 2000. World Scientific Press.
[48] H. Matsuno, A. Doi, M. Nagasaki, and S. Miyano. Hybrid petri net representation of gene regulatory network. In PSB, volume 5, pages 341–352, Singapore, 2000. World Scientific Press.
[49] H. H. McAdams and A. Arkin. Stochastic mechanisms in gene expression. Proceedings of the National Academy of Sciences USA, 94(3):814–819, 1997.
[50] H. H. McAdams and L. Shapiro. Circuit simulation of genetic networks. Science, 269(5224):650–656, 1995.
[51] L. Mendoza, D. Thieffry, and E. R. Alvarez-Buylla. Genetic control of flower morphogenesis in arabidopsis thaliana: a logical analysis. Bioinformatics, 15(7–8):593–606, 1999.
[57] H. Ogata, S. Goto, K. Sato, W. Fujibuchi, H. Bono, and M. Kanehisa. Kegg: Kyoto encyclopedia of genes and genomes. Nucleic Acids Research, 27(1):29–34, 2000.
[64] M. G. Samsonova and V. N. Serov. Network: an interactive interface to the tools for analysis of genetic network structure and dynamics. In PSB, volume 4, pages 102–111, Singapore, 1999. World Scientific Press.
[65] C. Sanchez, C. Lachaize, F. Janody, B. Bellon, L. Roder, J. Euzenat, F. Rechenmann F, and B. Jacq. Grasping at molecular interactions and genetic networks in drosophila melanogaster using flynets, an internet database. Nucleic Acids Research, 27(1):89–94, 1999.
[66] L. Sanchez, J. van Helden, and D. Thieffry. Establishement of the dorso-ventral pattern during embryonic development of drosophila melanogasater: a logical analysis. Journal of Theoretical Biology, 189(4):377–389, 1997.
[67] H. M. Sauro. Scamp: a general-purpose simulator and metabolic control analysis program. Computer Applications in Bioscience, 9(4):441–450, 1993.
[68] S. Schuster, D. A. Fell, and T. Dandekar. A general definition of metabolic pathways useful for systematic organization and analysis of complex metabolic networks. Nature Biotechnology, 18(3):326–332, 2000.
[69] E. Selkov, Y. Grechkin, N. Mikhailova, and E. Selkov. Mpw: the metabolic pathways database. Nucleic Acids Research, 26(1):43–45, 1998.
[72] Z. Szallasi. Genetic network analysis in light of massively parallel biological data. In PSB, volume 4, pages 5–16, Singapore, 1999. World Scientific Press.
[73] D. Thieffry and D. Romero. The modularity of biological regulatory networks. Biosystems, 50(1):49–59, 1999.
[74] D. Thieffry and R. Thomas. Qualitative analysis of gene networks. In PSB, volume 3, pages 77–88, Singapore, 1998.World Scientific Press.
[75] M. Tomita, K. Hashimoto, K. Takahashi, T. S. Shimizu, Y. Matsuzaki, F. Miyoshi, K. Saito, S. Tanida, K. Yugi, J. C. Venter, and C. A. Hutchison 3rd. E-cell: software environment for whole-cell simulation. Bioinformatics, 15(1):72–84, 1999.
[79] J. van Helden, A. Naim, R. Mancuso, M. Eldridge, L. Wernisch, D. Gilbert D, and S. J. Wodak. Representing and analysing molecular and cellular function using the computer. Biological Chemistry, 381(9–10):921–935, 2000.
[81] E. O. Voit. Computational Analysis of Biochemical Systems. Cambridge University Press, 2000.
[83] E.Wingender, X. Chen, E. Fricke, R. Geffers, R. Hehl, I. Liebich, M. Krull M, V. Matys, H. Michael, R. Ohnhauser, M. Pruss, F. Schacherer, S. Thiele, and S. Urbach. The transfac system on gene expression regulation. Nucleic Acids Research, 29(1):281–283, 2001.
[84] I. Xenarios, E. Fernandez E, L. Salwinski, X. J. Duan, M. J. Thompson, E. M. Marcotte, and D. Eisenberg. Dip: the database of interacting proteins: 2001 update. Nucleic Acids Research, 29(1):239–241, 2001.
[85] T-M. Yi, Y. Huang, M. I. Simon, and J. Doyle. Robust perfect adaptation in bacterial chemotaxis through integral feedback control. Proceedings of the National Academy of Sciences USA, 97(9):4649–4653, 2000.

Programma di ricerca

Systems Biology: modellazione, linguaggi e analisi (Sybilla)
Università di riferimento
Università degli Studi di TRENTO - INFORMATICA E TELECOMUNICAZIONI - TRENTO(TN)
Responsabile dell'Unità di ricerca
Corrado PRIAMI
Descrizione
Seguiamo tre linee principali di ricerca. La prima è relativa alla modellazione di sistemi biologici (sia testualmente che graficamente); la seconda è relativa al disegno e allo sviluppo di strumenti proof-of-concept per l'analisi e simulazione dei sistemi modellati con i formalismi definiti nel primo punto; la terza è relativa alla verifica, raffinamento e validazione delle idee, teorie e strumenti sviluppati nelle altre linee di ricerca. MODELLAZIONE DEI SISTEMI BIOLOGICI E' nostra convinzione che i fenomeni biologici possano servire come sorgente di ispirazione per nuove primitive di calcoli di processi. A questo proposito, progetteremo operatori elementari che catturano in modo primitivo i tipi di reazioni osservate in biologia. Queste reazioni non corrispondono necessariamente a comunicazioni (almeno non non sempre a comunicazioni volute): una cellula non è mai desiderosa di farsi infettare da un virus. Infatti, in molte circostanze, le reazioni biochimiche sembrano essere guidate, piuttosto che da volontà dei partner, da concetti come vicinanza di particelle, affinità chimica e simili. I calcoli di processi, per loro natura, coniderano input e output, quindi comunicazioni, come forma elementare di azione/reazione tra sistemi concorrenti. Non è chiaro se questo possa modellare completamente l'interazione biologica. Per questo motivo la definizione di un insieme limitato di operatori ispirati alla biologia è un obiettivo della ricerca di questa unità. Il passo successivo in questa direzione è l'investigazione di quali degli operatori proposti è già espresso (o esprimibile) dai calcoli esistenti per i sistemi concorrenti. Inoltre, lo studio di nuovi operatori ispirati dalla biologia, e la simulazione di sistemi biologici, potrebbe portare a nuove classificazioni dei livelli di astrazione in cui solitamente la biologia è presentata e studiata. Questa ricerca potrebbe anche essere il punto di partenza per l'apertura di laboratori in silico dove i biologi e gli informatici lavorano fianco a fianco sfruttando un comune approccio sperimentale e formale. Secondo quanto introdotto nella fase 1 del progetto che si svolge nel primo anno investigheremo nuove primitive per linguaggi di modellazione/programmazione di sistemi biologici. Studieremo anche la rappresentazione grafica delle primitive per favorire l'intuizione e l'interazione con i biologi. Inoltre sviluppereme l'estensione stocastica del calcolo che proporremo seguendo la linea guida della definizione del pi-calcolo stocastico. Questa estensione è essenziale per trattare sistemi biologici reali dove ciascuna reazione non è deterministica, ma governata da un insieme di parametri quantitativi. ANALISI E SIMULAZIONE Per l'analisi adottiamo due tecniche principali: la logica e la semantica operazionale stocastica. Il primo approccio è orientato alla definizione di una logica capace di esprimere proprietà di sistemi biologici rappresentati mediante algebre di processo e adatta ad essere verificata attraverso model checker esistenti. Costruiamo questo pezzo di ricerca su esperienze pregresse relative alla definizione di una logica per gli ambienti mobili e la verifica di proprietà mediante NuSMV. La semantica operazionale stocastica è necessaria a definire un simulatore per il nuovo calcolo e qui seguiremo la nostra precedente esperienza con lo stocastico pi-calcolo e il suo simulatore BioSPI. Questo strumento è già stato utilizzato con successo per l'analisi quantitativa di sistemi biologici reali. Solo per ricordare l'ultima applicazione, BioSPI è stato usato per simulare un processo infiammatorio specifico che conduce alla sclerosi multipla, e i risultati della simulazione riproduco, entro un errore sperimentale stimato, il comportamento funzionale ottenuto dai dati attraverso esperimenti di laboratorio. In BioSPI l'evoluzione temporale dei livelli delle popolazioni molecolari è governato dal numero iniziale dei processi a dai tassi di comunicazione tra di loro. La condizione di gara è implementata mediante l'algoritmo di Gillesppie che calcola l'evoluzione temporale delle densità di probabilità per le concentrazioni delle specie chimiche coinvolte. Sfortunatamente lo stocastico pi-calcolo ha alcune limitazioni come l'assenza di legatori espliciti per la codifica di ambienti o l'assenza di una nozione esplicita di località. Pianifichiamo di superare queste limitazioni con la proposta del nuovo formalismo del punto precedente che è progettato a partire da una pluriennale esperienza di modellazione attraverso il pi-calcolo stocastico. Secondo quanto detto, la fase due del progetto che si svolge nel secondo anno svilupperà le tecniche di analisi e implementerà i prototipi per il calcolo definito nella fase 1. VERIFICA, RAFFINAMENTO E VALIDAZIONE Questa fase inizia a metà del primo anno e prosegue sino alla fine del progetto. Essa è necessaria per verificare l'applicabilità del nuovo calcolo e degli strumenti associati a casi di studio reali, per eventualmente raffinarne la definizione sulla base dei feedback ottenuti, e per validare l'approccio e i risultati ottenuti. I casi di studio che gudano tutto il processo sono legati allo studio del sistema immunitario umanao. In particolare considereremo l'attivazione dei linfociti dai macrofagi perchè ciò contiene quasi tutte le peculiarità dei meccanismi di segnalazione e interazione al livello molecolare/cellulare. Termineremo il progetto applicando la nostra proposta ad un caso di studio più complesso che sarà scelto dalla letteratura o derivato dall'interazione esistente tra questa unità e numerosi gruppi di biologi.