The goal of systems biology is a predictive understanding of the whole.
Szallasi et al., System Modeling in Cellular Biology, MIT Press
Die Algorithmische Systembiologie befasst sich mit Methoden und Daten
(i) zur vollständigen Modellierung ganzer Systeme und
(ii) zur detailierten Modellierung und Simulation des dynamischen Verhaltens von Systemen in Raum und Zeit.
Systeme sind allgemein (beobachtbare/messbare) Objekte und ihre (kausalen) Interaktionen.
Mathematische Modelle dieser Systeme sind ordinäre oder partielle Differentialgleichungsysteme (ODE/PDEs)
bzw. stochastische diskrete Ereignisysteme (Petri netze).
Diese Methoden sind wichtig, um das (differentielle) Verhalten von Systemen
in verschiedenen Konditionen (krank, gesund,...),
in verschiedenen Entwicklungs- und Differentierungsstadien,
auf verschiedenen Ebenen (Pathway, Zelle, Gewebe, Organismus, Umwelt ...)
und nach zufälligen Perturbationen (Krankheit, Infektionen, Stress, Ernährung, ...) oder zielgerichteten Interventionen (Therapie, Medikamente, Ernährung, ...)
zu modellieren, zu verstehen und - im besten Fall - (quantitativ) vorherzusagen.
Eine spezielle Anwendung dieser Instanz und ein neues Anwendungsgebiet der Bioinformatik und Systembiologie
ist die Lebensmittel Systembiologie. Hier soll insbesondere Wirkung von Lebensmitteln auf die Systeme der Konsumenten
der Lebensmittel (Ernährung) möglichst in molekularer Auflösung aber auch holistisch auf Ebene der verschiedenen
Systeme (Zellen (Blutzellen, Immunzellen, ...), Gewebe (Leber, Niere, Muskeln, ...), Phänotyp (Übergewicht, Bluthochdruck, ...))
von Mensch und Tier untersucht werden. Dabei sollen die Wechselwirkungen von Nahrung auf die Systeme
möglichst kausal erfasst werden.
Die Vorlesung im Bioinformatik/Informatik Masterstudium behandelt folgende Fragen und Probleme:
- Wie können biologische Systeme durch Netzwerke möglichst vollständig und holistisch beschrieben werden?
(Netzwerkrekonstruktion und Inferenz)
- Wie kann Wissen über biologische Systeme durch Netzwerke repräsentiert und integriert werden?
(semantische Netze, Knowledge-Graphen)
- Wie können zeitliche und räumliche Organisation und Verhalten von Systemen analysiert und vorhergesagt werden?
(Kinetik, Simulation, Invarianten, Selbstorganisation)
- Moderne Messverfahren und „genom-weite“ Hochdurchsatzverfahren:
- Wie können Daten helfen, Systeme und Netzwerke aufzuklären?
- Wie können umgekehrt Systemmodelle helfen die Daten besser zu interpretieren?
- Was sind die kausalen Interaktionen von Lebensmitteln und den Systemen der Konsumenten?
- Gibt es individuelle Unterschiede dieser Interaktionen wegen genetischer/genomischer Variation?
(Personalized Medicine, Personalized Nutrition).
Hintergrund
Durch die Sequenzierung des menschlichen Genoms und der Genome anderer Organismen verfügen wir nun über ein vollständiges Inventar aller direkt aus dem Genom ableitbaren Einheiten und Moleküle, im Wesentlichen also aller Gen, Protein und RNA Spezies. Weiterhin kann das Verhalten von Zellen auf der Ebene der Transkription mit Hilfe von Genexpressionsmessungen genomweit untersucht werden. Die Kombination mit anderen "high-throughput" Techniken erlaubt es, auch Aussagen über metabolische Stoffwechselwege, Protein-Interaktionsnetze und Gen-Regulationsnetze („Pathways“) zu treffen.
Moderne experimentelle Daten ermöglicht es, biologische Systeme auf der Ebene von Pathways und Netzwerken zu untersuchen und zu modellieren, d.h. auf einer höheren Organisationsstufe als die der individuellen Moleküle. Dazu müssen SYSTEMS BIOLOGY Perspektiven entwickelt werden, zusammen mit den nötigen Techniken und Algorithmen zur Konstruktion, Inferenz und Analyse komplexer biologischer Modelle.
Die Vorlesung gibt einen Einblick in Algorithmen und Anwendungen sowie in aktuelle Forschung auf dem Gebiet der Systembiologie. Über das hier erworbene Wissen hinaus werden praktische Erfahrungen mit den Problemstellungen und Methoden in der begleitenden Übung vermittelt.
Die folgenden Themen werden behandelt:
- Modellierung von biologischen Systemen: Werkzeuge und Methoden
- Petri Netze als Modellierungs-Framework
- Simulation mit Differenzialgleichungen (ODE)
- Stochastische Simulation
- Metabolic Control Analysis (MCA) und Flux Balance Analysis (FBA)
- Modellierung von biologischen Systemen
- Netzwerkrekonstruktion und Lernen in Netzen: Boolsche und Bayes-Netze
- Evolution und Selbstorganisation
Algorithmic Systems Biology deals with methods and data
(i) for the complete modeling of entire systems and
(ii) for detailed modeling and simulation of the dynamic behavior of systems in space and time.
Systems, in general, are (observable/measurable) objects and their (causal) interactions.
Mathematical models of these systems are ordinary or partial differential equation systems (ODE/PDEs)
or stochastic discrete event systems (Petri nets).
These methods are important to understand the (differential) behavior of systems
in different conditions (sick, healthy,...),
in different stages of development and differentiation,
on different levels (pathway, cell, tissue, organism, environment, ...)
and after random perturbations (disease, infections, stress, nutrition, ...)
or targeted interventions (therapy, medication, nutrition, ...),
to model, understand and - in the best case - predict (quantitatively) these differemces.
A special application of this instance and a new field of application of bioinformatics and systems biology
is food systems biology. In particular, the effect of food on the systems of the consumers
of the food (nutrition), if possible in molecular resolution, but also holistically at the level of the various
systems (cells (blood cells, immune cells, ...), tissue (liver, kidney, muscles, ...), phenotype (obesity, high blood pressure, ...))
of humans and animals. The interactions of food on the systems should be modelled and understood
based on causal interactions if possible.
Translated with DeepL.com (free version)
- How can biological systems be described as completely and holistically as possible by networks?
(network reconstruction and inference)
- How can knowledge about biological systems be represented and integrated by networks?
(semantic networks, knowledge graphs)
- How can the temporal and spatial organization and behavior of systems be analyzed and predicted?
(kinetics, simulation, invariants, self-organisation)
- Modern measurement techniques and "genome-wide" high-throughput methods
- How can data help to clarify systems and networks?
- Conversely, how can system models help to better interpret the data?
- What are the causal interactions of food and the systems of their consumers
- Are there individual differences of these interactions based on genetic/genomic variations?
(Personalized Medicine, Personalized Nutrition).
Background
By sequencing the human genome and the genomes of other organisms, we now have a complete inventory of all units and molecules that can be directly derived from the genome, essentially all gene, protein and RNA species. Furthermore, the behaviour of cells at the transcriptional level can be studied genome-wide by means of gene expression measurements. In combination with other high-throughput techniques, it is also possible to make statements about metabolic pathways, protein interaction networks and gene regulation networks ("pathways").
Modern experimental data allow biological systems to be studied and modelled at the level of pathways and networks, i.e. at a higher organisational level than that of individual molecules. This requires the development of SYSTEMS BIOLOGY perspectives, together with the necessary techniques and algorithms to construct, inference and analyse complex biological models.
The lecture gives an insight into algorithms and applications as well as current research in the field of Systems Biology. Beyond the knowledge acquired here, practical experience with the problems and methods will be conveyed in the accompanying exercise.
The following Topics are covered:
- Modelling of biological systems: Tools and methods
- Petri nets as a modeling framework
- Simulation with differential equations (ODE)
- Stochastic simulation
- Metabolic Control Analysis (MCA) and Flux Balance Analysis (FBA)
- Modelling of biological systems
- Network reconstruction and learning in networks: Boolean and Bayesian networks
- Evolution and self-organisation
