Forschung und wissenschaftliches Rechnen - Beiträge zum - GWDG
Forschung und wissenschaftliches Rechnen - Beiträge zum - GWDG
Forschung und wissenschaftliches Rechnen - Beiträge zum - GWDG
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Schnittstelle unterstützt den Benutzer bei der Erstellung von Modellen zellulärer<br />
Reaktionsnetzwerke <strong>und</strong> bietet verschiedene Simulations- <strong>und</strong> Analysefunktionalitäten.<br />
Zudem baut PyBioS auf einem objektorientierten Konzept<br />
auf, dessen Nutzen bereits für die Modellierung <strong>und</strong> Simulation von DNA Array<br />
Experimenten gezeigt wurde (Wierling, Steinfath, Elge, Schulze-Kremer,<br />
Aanstad, Clark, Lehrach & Herwig 2002). Zunächst beschreibe ich im Folgenden<br />
die Implementierung des objektorientierten Systems <strong>und</strong> rekapituliere<br />
einige Gr<strong>und</strong>lagen der kinetischen Modellierung. Anschließend gebe ich<br />
einen Überblick der relevanten Datenbanken KEGG <strong>und</strong> Reactome <strong>und</strong> erläutere,<br />
wie diese für die benutzergeführte Modellpopulierung genutzt werden<br />
können. Abschließend gehe ich auf das Skalierungsverhalten des Systems<br />
hinsichtlich der Erstellung <strong>und</strong> Simulation großer Modelle ein <strong>und</strong> zeige verschiedene<br />
Anwendungsbeispiele für den Einsatzbereich von PyBioS.<br />
2 Implementierung<br />
Die Vorgehensweise bei der Modellierung sieht generell folgendermaßen aus:<br />
Zuerst wird ein Modell erstellt (1), welches so lange mit Hilfe von Simulationen,<br />
Parameter-Fitting <strong>und</strong> anderen Methoden angepasst wird (2), bis es<br />
den experimentellen Beobachtungen entspricht, die man mit dem Modell beschreiben<br />
möchte. Anschließend kann das Modell für in silico Experimente<br />
genutzt werden (3), um Vorhersagen zu treffen, die man dann in vitro oder<br />
in vivo genauer studieren kann (4), oder Fragen zu untersuchen, deren Beantwortung<br />
experimentell kaum oder gar nicht möglich ist (5) (Kitano 2002).<br />
Die Erkenntnisse, die man in den Schritten 4 <strong>und</strong> 5 gewinnt, können wiederum<br />
zur Verfeinerung des Modells genutzt werden. Dieser rekursive, auf<br />
Simulationen aufbauende Ansatz benötigt, speziell für die Analyse großer<br />
Systeme, geeignete Programme, die den Anwender dabei unterstützen.<br />
PyBioS bietet Funktionalitäten für die Modellpopulierung, Simulation <strong>und</strong><br />
Analyse. Modelle in PyBioS haben eine hierarchisch objektorientierte Struktur.<br />
Jedes Modell wird in einer separaten Modell-Instanz (ein Objekt der<br />
Klasse SimulationEnvironment) gespeichert <strong>und</strong> setzt sich aus Objekten verschiedener<br />
Klassen zusammen, die den biologischen Objekten entsprechen<br />
<strong>und</strong> von der abstrakten Klasse BioObject erben (Abb. 2). Im Folgenden werden<br />
Objekte dieser Klassen als BioObjekte bezeichnet. Einige dieser Klassen<br />
erben zusätzlich von einer Container-Klasse (Environment), die es diesen<br />
Objekten gestattet wiederum andere BioObjekte zu enthalten, wodurch die<br />
Modelle ihre hierarchische Struktur bekommen. Alle BioObjekte haben einige<br />
gemeinsame Attribute, wie einen eindeutigen Bezeichner (id), eine Liste<br />
von alternativen Namen (z.B. Trivialnamen von Metaboliten) eine Konzentrationsangabe<br />
(concentration) <strong>und</strong> eine Liste von Datenbankreferenzen. Zu-<br />
57