Informatie

9.6: Meer dan één afzonderlijk personage tegelijk modelleren - Biologie


Het is extreem gebruikelijk om datasets te hebben met meer dan één discreet karakter - je zou zelfs kunnen stellen dat multivariate discrete datasets de hoeksteen van systematiek zijn. De fundamenten van de moderne fylogenetische vergelijkende biologie werden echter gelegd door Hennig (1966) en de andere vroege cladisten, die methoden ontwikkelden voor het gebruik van discrete karaktergegevens om fylogenetische bomen te verkrijgen die de evolutionaire geschiedenis van clades laten zien.

Bijna alle fylogenetische reconstructiemethoden die discrete karakters als data gebruiken, gaan uit van een belangrijke veronderstelling: dat elk van deze karakters onafhankelijk van elkaar evolueert. Wiskundig berekent men de waarschijnlijkheid voor elk afzonderlijk teken en vermenigvuldigt vervolgens deze waarschijnlijkheid (of, equivalent, voegt de log-waarschijnlijkheid toe) over alle tekens om de waarschijnlijkheid van de gegevens te verkrijgen.

De aanname van karakteronafhankelijkheid is duidelijk niet waar in het algemeen. In het geval van morfologische karakters interageren structuren vaak met elkaar om de geschiktheid van een individu te bepalen, en het lijkt zeer waarschijnlijk dat die structuren niet onafhankelijk zijn. Soms zijn we zelfs specifiek geïnteresseerd in het al dan niet onafhankelijk evolueren van bepaalde reeksen karakters. Methoden die karakteronafhankelijkheid veronderstellen a priori zijn niet bruikbaar voor dat soort kader.

Felsenstein (1985) maakte een enorme indruk op het gebied van evolutionaire biologie met een statistisch argument over soorten: soorten kunnen niet worden beschouwd als onafhankelijke gegevenspunten omdat ze een evolutionaire geschiedenis delen. Soorten die het nauwst aan elkaar verwant zijn, zullen covariëren, simpelweg vanwege die gedeelde geschiedenis. Tegenwoordig kan men geen artikel over vergelijkende biologie publiceren zonder rechtstreeks rekening te houden met de niet-onafhankelijkheid van soorten die aan een boom evolueren. Het is echter nog steeds heel gebruikelijk om de niet-onafhankelijkheid van karakters te negeren, zelfs als ze samen in hetzelfde organisme voorkomen! De gedeelde ontwikkelingsgeschiedenis van twee karakters binnen één lichaam leidt zeker vaak tot correlaties tussen deze karakters.


Grenzen in de diergeneeskunde

De affiliaties van de redacteur en de recensenten zijn de meest recente op hun Loop-onderzoeksprofielen en weerspiegelen mogelijk niet hun situatie op het moment van beoordeling.


  • Artikel downloaden
    • Download PDF
    • LeesCube
    • EPUB
    • XML (NLM)
    • Aanvullend
      Materiaal
    • Eindopmerking
    • Referentiemanager
    • Eenvoudig TEXT-bestand
    • BibTex


    DELEN OP

    Op agenten gebaseerde modellering, systeemdynamiek of simulatiemodel voor discrete gebeurtenissen voor simulatie van toeleveringsketens

    Elk simulatieparadigma wordt gekenmerkt door een reeks kernaannames en enkele onderliggende concepten om de wereld te beschrijven. Deze veronderstellingen beperken in feite de ontwikkeling van een conceptueel model voor het studiesysteem. De keuze van een geschikt simulatieparadigma is dan ook een belangrijke stap in het modelontwikkelingsproces. In dit artikel wordt de selectie van een simulatie-aanpak voor supply chain-modellering besproken. Hiervoor wordt de supply chain beschreven vanuit het perspectief van twee gevestigde systeemtheorieën. In de eerste plaats worden supply chains gedefinieerd als socio-technische systemen. Daarna worden ze beschreven vanuit het perspectief van complexe adaptieve systemen. Deze studie geeft een reeks kenmerken voor supply chains als complexe socio-technische systemen die vervolgens worden gebruikt om drie simulatieparadigma's voor supply chain-modellering te vergelijken - namelijk systeemdynamica, discrete-even simulatie en agent-gebaseerde simulatie.


    1. Inleiding

    De uitgebreide accumulatie van gegevens van korte en grootschalige experimenten met een breed spectrum van biologische functies van B- en T-lymfocyten in zowel normale als pathologische scenario's, heeft geleid tot intensief onderzoek naar moleculaire gebeurtenissen die hebben geleid tot hun vroege ontwikkeling, plasticiteit en nooddifferentiatie . Als gevolg hiervan is de constructie van regulerende netwerken een vindingrijk hulpmiddel geworden voor analyses op systeemniveau van beslissingen over het lot van cellen door onderlinge verbinding van moleculaire elementen, zoals biochemische signalen die door de micro-omgeving worden geleverd (bijv. cytokinen, groeifactoren, transmembraanliganden, antigenen , enz.) en transcriptiemodules die ten grondslag liggen aan de regulatie van afstammingsspecifieke genexpressie. Inzicht krijgen in het dynamische gedrag van regulerende netwerken in de biologie vereist simulatie als continue of discrete modellen (1). Discrete modellering, vertegenwoordigd door Booleaanse en meerwaardige netwerkmodellen, is nuttig geweest bij differentiatieprocessen van adaptieve B- en T-lymfocyten (2𠄸), voor moleculaire omschakeling in cellulaire specificatie (9), voor de voorspelling van micro-omgevingsafhankelijke celplasticiteit (6, 10), en voor de analyse van signaleringsgebeurtenissen die stroomafwaarts plaatsvinden van activering van antigeenherkenningsreceptoren (11, 12). Bovendien is Booleaanse algebra gebruikt in cytometrie om gecombineerde poorten te creëren voor de identificatie en selectie van cellulaire subsets en lymfoïde fenotypering (13). Desalniettemin is het nut van discrete modellen beperkt omdat ze de uitkomsten van kwantitatieve biologische experimenten niet kunnen voorspellen bij het werken aan fenomenen die gevoelig zijn voor graduele expressie van transcriptiefactoren of biochemische gradiënten. Dit is het geval bij de meeste ziekten waarbij lymfocyten betrokken zijn en niet-discrete fluctuaties in de micro-omgeving celdifferentiatie en plasticiteit kunnen beïnvloeden, wat de immuunresponsen bij de progressie van chronische pathologieën beïnvloedt, zoals lymfoproliferatieve aandoeningen, tumorgroei, diabetes, cardiovasculaire en chronische ziekten. onder andere luchtwegaandoeningen. Discrete modellen kunnen vervolgens worden omgezet in differentiaalvergelijkingen om dynamische analyses van regulerende netwerken mogelijk te maken, als getransformeerde continue modellen, met mogelijke implicaties in lymfoïde cel-geassocieerde pathologieën (14�).

    Hier stellen we de fuzzy logic-transformatie van een discreet model in een continu model voor om hun nadelen te compenseren en om biologische systemen te simuleren met een bekende netwerkarchitectuur die sterk wordt beïnvloed door concentratieafhankelijke signalen (tabel 1).

    tafel 1. Wiskundige dynamische modelleringssubtypen: voor- en nadelen.


    Dankbetuigingen

    We danken A Keating en E Fire voor hun hulp in de vroege stadia van dit project en W Fontana, J Gunawardena en A Mallavarapu voor hun hulp en advies. Dit werk werd ondersteund door NIH-subsidies P50-GM68762 en P01-CA139980. CFL werd ondersteund door The Harold Whitworth Pierce Charitable Trust (via The Medical Foundation) en NIH Transition to Independence Grant K22-CA151918.

    Bijdragen van auteurs: CFL, JLM en JAB schreven samen de PySB- en EARM 2.0-code, en samen met PKS bedachten ze de algemene aanpak en schreven de paper.


    Bekijk de video: Ordening - De dubbele naamgeving van Linneaus (Januari- 2022).