Loading
Note di Apprendimento
Study Reminders
Support
Text Version

Analisi di robustezza e Flux Sampling

Set your study reminders

We will email you at these times to remind you to study.
  • Monday

    -

    7am

    +

    Tuesday

    -

    7am

    +

    Wednesday

    -

    7am

    +

    Thursday

    -

    7am

    +

    Friday

    -

    7am

    +

    Saturday

    -

    7am

    +

    Sunday

    -

    7am

    +

Ingegneria MetabolicaProf. Amit GhoshSchool of Energy Science and EngineeringIndian Institute of Technology, KharagpurLecture - 21Robustness Analysis and Phenotypic Phase PlaneWelcome to metabolic engineering course, oggi discuteremo dell'analisi della robustezza e dei piani di fase fenotipici per la rete metabolica.(Fare Tempo di slide: 00.36)Così, gli argomenti saranno trattati oggi riguardano la formulazione matematica della funzione oggettiva e poi i prezzi shadow e l'analisi dei costi ridotti, l'analisi del piano di fase fenotipo da questo analisi di rete il diverso schema di ottimizzazione verrà utilizzato per capire realmente la rete globale come è possibile progettare e come poter far emergere nuove proprietà?(Fare Slide Time: 01.00)Così, questi sono i metodi basati costanti già disponibili nella classe precedente abbiamo discusso di analisi di variabilità flux. Quindi, questo abbiamo discusso. Quindi, in realtà abbiamo una gamma di flussi che è v 1 min e v 1 max, v 2 min e v 2 max. Quindi, queste gamme di flussi che dobbiamo stimare perché ci sono molte molteplici soluzioni che esistono nella rete biochimica.Così, data una funzione oggettiva possiamo avere un valore di gamma di flussi che può dare luogo alla funzione oggettiva che è il valore di funzione obiettivo a biomassa che è unico. Quindi, la funzione di obiettivo a biomassa per una data rete è unica solo che tutti gli altri flussi interni possono avere una gamma che può passare dal basso valore minimo al valore massimo e qualsiasi valore all'interno di tale intervallo può dare origine alla massima biomassa.E poi si discute di algoritmo di cancellazione dei geni è abbiamo discusso nella classe precedente abbiamo appreso della cancellazione FBA (()) (02.09). Ecco, queste sono le 3 tecniche che abbiamo imparato. Quindi, molte cose che si possono fare con metodo basato sul vincolo FBA che abbiamo imparato l'analisi della variabilità flux e oggi impareremo di robustezza, piano di fase, accoppiamento flux che abbiamo già imparato nella classe precedente. Così, man mano che si progrediamo impariamo più o più di questi metodo basato sul vincolo usando la rete metabolica possiamo fare varie analisi di analisi di vincoli basati su analisi per comprendere la rete.(Fare Slide Time: 02.38)Quindi, questa è la formulazione FBA che abbiamo discusso in precedenza il problema di ottimizzazione FBA per ogni formulazione oggettiva inizia effettivamente con la funzione oggettiva. Quindi, una funzione che può essere minimizzata o ingrandita per identificare la soluzione ottimale e il vincolo che si mette sui flussi consentiti che è il limite inferiore legato e superiore dei diversi vincoli normativi in termini di flussi che si possono mettere e poi si ha l'approssimazione dello stato costante che non c'è accumulo metabolita e poi si massimizza la funzione oggettiva.(Fare Slide Time: 03.16)Così, questa formulazione di massimizzazione è sostanzialmente rappresentata in termini di reazione di flusso. Quindi, abbiamo detto lo slide illustra la formazione di funzione oggettiva usando un semplice esempio. Quindi, ci sono 4 flussi metabolici, quindi ci sono più flussi metabolici che abbiamo e la funzione oggettiva che devi progettare è in realtà massimizzare la produzione di ATP questo sarà massimizzato, per massimizzare la produzione ATP quindi, il c ha 0 per tutti gli altri il c you define acolumn vector c che hanno tutti i componenti 0 tranne dove ATP c'è, abbiamo la V ATP.Così, l'unico V ATP che posiziona abbiamo 1 e altri valori sono 0. Quindi, moltiplichiamo il c dot v qualsiasi in realtà otteniamo i 0 moltiplicati per questi dovrebbero essere recepiti. Quindi, poi si moltiplica v dot c o c dot v poi questa sarebbe una lettera di colonna che viene trasferita questa è l'annullamento di questo. Quindi, quando si moltiplica c dot v, allora quello che si ottiene è 0 moltiplicato per v G6P e poi 0 moltiplicato per flux vettore F6P e 1 moltiplicato V ATP.Così, tutti gli altri termini ottengono 0 perché si sta moltiplicando per zero con tutti gli altri flussi eccetto V ATP. Quindi, massimizzi da quando vuoi definire una funzione oggettiva che voglio massimizzare la produzione ATP. Ecco perché ho mantenuto la c per essere nonzero a V posizione ATP. Quindi, il coefficiente di flux ATP è positivo dato che si sta massimizzando. Così, in questo modo si definisce la funzione oggettiva e il vincolo rimanente S dot v = 0 e una condizione di limite già noto.In questo modo è possibile formulare la funzione oggettiva. Quindi, qualsiasi biomassa è possibile ottimizzare qualsiasi flusso anche tu puoi massimizzare o minimizzare. Quindi, nella variabilità flux ho visto che si sta minimizzando e massimizzando i flussi forniti e la sua funzione oggettiva che è la velocità di crescita si sta tenendo fisso a quel valore massimo, quindi in questo modo è possibile formulare una funzione oggettiva e definire cv è sostanzialmente un vettore di colonne e c è un vettore di righe.Quindi, c è un vettore di righe. Quindi, quando si moltiplica c e v poi si ottiene un valore che è V ATP che si desidera massimizzare questo uno si desidera massimizzare o massimizzare V ATP fornito di avere c vettore e v vettore che è sostanzialmente sommità di c e v.(Fare Slide Time: 06.24)Così, la funzione di crescita che già conosce la funzione di crescita che richiedevo questo era il requisito per fare 1 grammo di E. coli. Ecco, queste sono le funzioni di crescita che qui sono state definite, vedi la Z. Dunque, Z stiamo massimizzando qui. Quindi, Z è possibile definire così come una combinazione lineare di componente differente nella biomassa. Quindi, abbiamo bisogno di V ATP moltiplicato per il coefficiente questo coefficiente lo si ottiene dall'esperimento.Così, questo coefficiente lo si ottiene dal valore sperimentale per 41,257 3,547 NADH. Quindi, questi sono il componente che devi vedere per ogni cellula che varia da cella a cella. Quindi, questo è definito per E. coli fai supporre di usare Saccharomyces cerevisiae questo componente cambierà il coefficiente, il valore del coefficiente cambierà. Così che questo significhi che per la cella per far crescere tutti i componenti deve essere fornito in questo importo per ottenere una certa crescita nella cella che si ha a questo fluo che è il valore del coefficiente che dovreste essere in grado di fornire altrimenti non crescerà.Così, quindi un equilibrio impostato sulla domanda metabolica rende la funzione oggettiva di crescita che viene mostrata qui la composizione della biomassa quindi risolva a definire il vettore di peso c, la funzione di crescita completa di E. coli è molto più complicata di una che viene mostrata qui sopra. Dal momento che varie funzioni di manutenzione devono essere considerate, per semplicità consideriamo una semplice equazione in cui i coefficienti vengono mostrati qui sopra che sono sperimentalmente determinati e poi aggiungerebbe quest' altra funzione oggettiva per la crescita.Così, questo il NADH, quanto NADH? Quanto NADPH? G6P, F6P l'importo che è richiesto che arriva come coefficiente nell'equazione di biomassa.(Fare Slide Time: 08.32)Così, ora, arriveremo ad un altro concetto che è il prezzo ombra che è il duplice problema, quello che è l'ombra dei prezzi nella progettazione di strategie di ingegneria metabolica una domanda importante è che in che misura si possono alterare i flussi specifici perché si sta facendo ingegneria metabolica si sta fondamentalmente cambiando i flussi di flussoterapia che si alterano quando si fa ingegneria metabolica ciò che è successo o si sta rimuovendo un gene o aggiungendo un gene o un gene regolabile o in grado di regolare o giù il gene regolatore.E poi quello che è successo i flussi all'interno dell'accampamento si altera, la qualunque perturbazione genetica che fai in definitiva i flussi si alterano questo è un fenomeno regolare quello che e hai fatto in modo che l'effetto sarà su questo processo cellulare di interesse tra cui la crescita e la formazione dei prodotti. Quindi, qualunque sia la perturbazione che si fa a livello genetico, dovrebbe essere che dovrebbe incidere sul processo cellulare.Se non sta influenzando il processo cellulare allora si ha uno sforzo come se in genere queste strategie di ingegneria metabolica siano in realtà intensiva del lavoro e ci vuole molto tempo. Supponi, vuoi rimuovere un gene che impiega da 2 a 3 mesi o anche più a seconda dell'organismo che stai cambiando. Quindi, questo include la crescita e la formazione di prodotto. Quindi, il tuo obiettivo principale è quello di realizzare in realtà la formazione di prodotto e anche la crescita.Quindi, se i flussi non influenzano la crescita e il prodotto allora è la perturbazione genetica non si usa. Quindi, bisogna progettare in modo tale che i flussi specifici con cui si desidera alterarlo abbia un effetto sui processi cellulari come la crescita e la formazione del prodotto, questi problemi possono essereaffrontati all'interno della formulazione LP la programmazione lineare che abbiamo discusso nelle classi precedenti.Quella formulazione di programmazione lineare può essere utilizzata, dove l'analisi della sensibilità può essere eseguita per la soluzione ottimale. Quindi, l'analisi di sensibilità può essere calcolata in termini di prezzi ombra, questo è un altro termine che serve a calcolare effettivamente la sensibilità della rete metabolica, i prezzi ombra sono il derivato della funzione oggettiva. Quindi, quello che è il prezzo ombra è sostanzialmente un derivato della funzione oggettiva al limite rispetto al cambio di flusso.Così, è sostanzialmente un derivato che viene dato da gamma i. Quindi, Z è la funzione oggettiva che già conosci è la biomassa della funzione oggettiva e poi si fa un derivato della funzione oggettiva rispetto al cambio di flusso. Quindi, non i flussi interni sono il flusso di cambio che si fa un derivato e questi prezzi ombra, in modo da poter essere utilizzato per determinare se questa cella è limitata da un particolare vincolo o meno.Ecco il flusso di scambio che il flusso che sta entrando nella cella, se ha una limitazione o una costante nella crescita cellulare che è possibile controllare questa caratteristica è stato impedito di essere molto utile nell'interpretazione di una soluzione ottimale e nella decisione metabolica che si fa poi soprattutto nell'ingegneria metabolica. Quindi, che il flusso in eccesso sia effettivamente importante per la cellula o non che sia possibile controllare utilizzando questa equazione.Utilizzando questa equazione il prezzo ombra definendo con precisione il cambio incrementale nella funzione oggettiva, se un flux vincolato è il cambiamento incrementale, il prezzo ombra può cambiare in modo discontinuo poiché il flusso in eccesso è variegato, questi prezzi ombra possono essere utilizzati per determinare se uno stato funzionale ottimale di una rete è limitato dalla disponibilità di un particolare composto. Quindi, se la rete è in realtà vincolata da qualsiasi composto che sta prendendo o producendo che si possa verificare.Sometime cosa succede i molti prodotti che stanno sintetizzando la cellula stanno effettivamente vincolando la rete? Quindi che utilizzando i prezzi dell'ombra, si può anche verificare se si limita se la disponibilità di un particolare composto sta effettivamente vincolando la rete o meno. Quindi, questo è molto importante per il calcolo dei prezzi ombra è importante verificare la limitazionedella rete o la robustezza della rete è possibile verificare molto facilmente sulla sensibilità della rete.(Fare Slide Time: 12.42)Quindi, un altro termine che abbiamo introdotto è il costo ridotto la misura della sensibilità il costo ridotto può essere definito come l'importo con cui la funzione oggettiva può essere ridotta se il corrispondente enzima è costretto a portare un flusso che prima non portava un flux. Quindi, ci hai acceso o espresso quel gene, in modo che porti un flusso. Quindi, quando anche l'ingegneria metabolica è molto cruciale in cui si aggiunge il gene ora tutto di un improvviso trasporta un flusso.Ma non appena il vettore di reazione si fluide a causa della disponibilità enzimatica dell'enzima, allora quanto la funzione oggettiva sta andando a ridurre se la funzione oggettiva ridurrà o meno? La funzione oggettiva è sostanzialmente il tasso di crescita se c'è un effetto sul tasso di crescita o no? Momento che aggiungi un gene. Così che anche tu puoi verificare usando il modello metabolico nell'analisi dei sistemi metabolici diverse domande importanti che possono essere affrontate con un'analisi che includa i costi ridotti.Utilizzando un costo ridotto è possibile effettuare l'analisi del sistema metabolico e si possono affrontare diversi costi e che possono insorgere a causa dell'ingegneria metabolica, i costi ridotti possono essere utilizzati per analizzare la presenza di una distribuzione di flux equivalente alternativa. Quindi, che abbia un flusso equivalente o no? Se il giusto set di riduzione dei costi sono 0 o meno che anche tu puoi controllare.Inoltre, i costi ridotti sono importanti nell'esaminare l'effetto dell'eliminazione del gene. Come ho detto in ingegneria metabolica, facciamo un sacco di cancellazione genica se questa la cancellazione di geni influenzano effettivamente la funzione complessiva del metabolismo che può anche cambiare dal costo ridotto. Quindi, l'analisi dei costi ridotti è un altro parametro, i costi ridotti possono essere definiti come l'importo con cui la funzione oggettiva cambierà con il livello di flusso attraverso una reazione interna che non è una soluzione di base.Si tratta di un flux che ha un flux netto da 0, una questione importante che può essere affrontata utilizzando costi ridotti, i costi ridotti possono essere utilizzati per analizzare la presenza di una distribuzione di flusso equivalente alternata. Se un costo ridotto è di 0, significa che il livello di flusso attraverso la corrispondente reazione non modifica la funzione oggettiva, quindi il costo ridotto è di 0 supplisce, ottengo un 0 per quella reazione che significa che non corrisponde in realtà a non cambiare la funzione oggettiva.Quindi, la tua funzione oggettiva che è il tasso di crescita o l'equazione di biomassa non sta cambiando, il tasso di crescita non sta cambiando solo ridurre i costi può essere utile nell'esaminare l'effetto dell'eliminazione dei geni. Ecco perché l'eliminazione genica e l'altro esperimento che si desidera eseguire sulla panchina è possibile verificare prima se il valore è 0 aggiungendo un gene poi non sta influenzando la crescita, poi è benefico per l'ingegneria metabolica analogamente, per la cancellazione è anche possibile controllare. Quindi, questa misura di riduzione dei costi è in realtà la sensibilità della rete metabolica che state progettando o il fenotipo che state pianificando.(Fare Slide Time: 15.44)Così, in sintesi, i prezzi dell'ombra e i costi ridotti ciò che abbiamo imparato in prezzi ombra, abbiamo definito dZ / db per ogni vincolo o metabolita che sta importando o esportando. Così, dZ / db i prezzi dell'ombra sono meno di 0 significa che il metabolita è richiesto dalla cellula e aumenterà la funzione oggettiva in prezzi ombra un prezzo ombra è maggiore di 0 che significa che il metabolita non è richiesto dalla cellula e si può rimuovere il metabolita dalla rete.Quindi, queste sono le 2 importanti conclusione dal prezzo ombra, il prezzo ombra è inferiore al 0 che significa che il metabolita è richiesto dalla cellula e se si fornisce più del metabolita e poi quello che accadrà la tua crescita aumenterà che la Z aumenterà. Allo stesso modo, il contrario è il caso in cui il prezzo ombra è maggiore di 0, quando il prezzo ombra è maggiore di 0 che significa che il metabolita non richiesto per la crescita cellulare.Che significa eliminare il metabolita aumenterebbe la Z, se si elimina quel metabolita e si aumenterà. E il costo ridotto quello che vediamo che ha ridotto i costi è inferiore al 0 che significa aumentare la flux ridurrebbe Z, quindi se il costo ridotto è in aumento significa che è meno di 0 che significa il flux se si aumenta il flusso, quindi queste sono le 2 importanti conclusioni che si attingono dai prezzi dell'ombra e il costo ridotto.(Fare Slide Time: 17.29)Ora, si discuterà dell'analisi della robustezza, di ciò che è l'analisi della robustezza, la sensibilità della proprietà ottimale di una rete può essere valutata cambiando parametro su una determinata gamma di valore e ripetutamente computing lo stato ottimale. Sia l'ambiente che i parametri geneticipossono essere considerati. Così, qui in quel che accadrà cambierai il sensore, verificando la sensibilità delle proprietà ottimali della rete come il tasso di crescita cambiando alcuni parametri su una gamma di valori.Così, si cambia uno dei parametri, cosa cambia una serie di valori come da 0 a 10 e che quei parametri possono essere considerati come parametri ambientali o genetici che possono essere considerati perché la robustezza si desidera verificare come la rete sta cambiando con la modifica di un parametro alla volta. Così, è possibile modificare un parametro alla volta. E poi si vede come una variazione di parametro in un parametro come la rete sta cambiando.Così, un parametro può essere variato in maniera stepwise. E il problema LP risolto per ogni incrementale Le isocline possono essere verticali o orizzontali allora cosa è successo? Il valore alfa in queste fasi sarà di 0 e l'infinito e queste fasi nascono quando i prezzi ombra uno del sottoinsieme va a 0. E quindi non ha alcun valore per la cellula. Quindi, il prezzo ombra che è gamma negli anni ' 2 il prezzo ombra per A uno dei tassi di ripresa va al 0. Così, quando il prezzo ombra va al 0 allora non ha valore alla cella. E nel terzo caso, cosa è successo? Le fasi nel piano di fase fenotipo possono avere un valore alfa positivo.Così, alfa in questo caso consideriamo alpha ad essere maggiore di 0. Così, in queste fasi, uno dei substrati è innovato verso l'ottenimento della funzione oggettiva e questo substrato avrà un prezzo ombra positivo. Quindi, questo è quando si considera alfa maggiore 0 quello che è successo è uno dei prezzi ombra che diventano positivi. Il lato positivo dell'operazione metabolica in questo modo è un lavaggio, in quanto consuma substrato che non è necessario per migliorare la funzione oggettiva.I picchi post, le fasi con valori alfa positivi sono attese fisiologicamente instabili. Ad esempio, sotto la cella di selezione di selezione si muoverebbe il loro stato fenotipo fuori dalla fase. Quindi, in questo caso, cosa è successo? Hanno consumato substrato che non è necessario per migliorare la funzione oggettiva, in modo da poter rimuovere che metabolita l'alfa quando alfa è positivo, le fasi con alfa positive sono attese fisiologicamente instabili. E poi quello che noi quarto è fondamentalmente dovuto alla limitazione stoichiometrica.Ci sono fasi di stato stazionario infeasible nel piano di fase fenotipo, se il substrato viene ripreso al ritmo rappresentato da questo punto la rete metabolica non è in grado di obbedire all'energia di massa e alla costante di redox mentre genera la biomassa, la rete metabolica può funzionare solo in modo transitorio in una tale regione. Quindi, in sostanza si tratta della regione che si trova nella regione infeasiviale dove è lo stoichiometrico; questo è dovuto alla limitazione della rete stechiometrica che crea fasi di costante stato infeasible nel piano di fase fenotipo. Quindi, questa è una regione fattibile.(Fare Slide Time: 36:52)Così, quello che abbiamo è in sostanza l'alfa è in realtà negativa e la alfa una è positiva e queste sono la regione che si formano più grandi quando l'alfa diventa positiva o negativa abbiamo la regione futile e la limitazione del singolo substrato e la limitazione del substrato si arriva sotto queste sono queste sono la regione 4 che qui viene mostrata.Così, queste sono la regione infeasimibile che non siete importanti e poi abbiamo la regione futile e il substrato limitazione regione e questa singola limitazione del substrato, questo è possibile calcolare dal piano di fase fenotipo.(Fare Slide Time: 37:37)Così, in sintesi quello che si ottiene è la regione infeasiviale dove il flusso non si bilancia, quindi lo stoichiometrico. Si tratta della limitazione dello stoichiometrico e della regione di limitazione del singolo substrato dove alfa = 0. Quindi, questo dice se si va al precedente dove è avvenuta la limitazione del substrato e questa è la limitazione del substrato dove alfa = 0 o alfa = 0 o l'infinito. In questo caso la limitazione del substrato è avvenuta e poi abbiamo una regione in cui alfa meno di 0 e questa è la limitazione dual substrati.(Fare Slide Time: 38:18)Così, questa è la regione in cui si ha il substrato dual alfa inferiore a 0. Così, alfa meno di 0 che è il substrato dual. Quindi, questo è l'alfa meno di 0. Ecco allora che la regione abbiamo ildual substrato in limitazione e poi abbiamo una regione futile dove l'alfa è maggiore di 0, quindi, questo è il caso che abbiamo l'alfa maggiore di 0 e la linea di ottimizzazione gli isoclini l'altezza costante nelle mappe topografiche e la linea di ottimizzazione corrisponde al rendimento massimo della biomassa.La linea di ottimizzazione si troverà nella regione in cui otterremo la massima linea di biomassa di ottimizzazione corrisponde alla resa di biomassa massima che state osservando fissando il carbonio aggiornato e ottimizzando la biomassa utilizzando un FBA, questo vi darà l'unico punto di ottimizzazione. Così, una volta sistemati il tasso di assorbimento del carbonio e la biomassa e dopo aver ottimizzato la biomassa otterrete un unico punto sulla linea di ottimizzazione.E questa è la regione che dovete operare per ottenere la massima biomassa e vedrete anche che andranno ad aggiungere che l'assorbimento di carbonio di ossigeno in carbonio, sarete in grado di ottenere la massima biomassa mentre fanno l'ingegneria metabolica. Quindi, questo è il piano di fase fenotipo di crescita che si può ottenere per un po' facendo questo acetato di ceylon uguale acetato ma si può vedere la velocità di assorbimento dell'ossigeno che sta cambiando con il tempo e poi la velocità di assorbimento dell'acetato sarà modificata.E questa è la linea di ottimizzazione che si presenta qui dove la crescita è massima, questa è la regione in cui vogliamo operare la regione se si può operare la cellula in quella regione poi si può ottenere il massimo che si può vedere che è la mia biomassa è in realtà maggiore di 0,27 ed è qui che si vuole far funzionare la cella.(Fare Slide Time: 40 :16) Allo stesso modo, se si vuole far crescere le cellule che sono su succinato, allora si può vedere la linea di ottimizzazione dove il tasso di crescita è massimo è mostrato qui e questa è la regione che si vuole offrire alla cellula questa è la fine e poi oltre quella, è stata la limitazione del doppio substrato. In questo modo è possibile caratterizzare l'analisi di sensibilità e l'analisi inversa in termini di uptake rate che è l'assorbimento di ossigeno e il tasso di assorbimento del substrato. Così, variando questi 2 parametri, saremo in grado di disegnare il fenotipo spiegano e cercheremo di calcolare la linea di ottimizzazione dove il tasso di crescita è massimo.(Fare Slide Time: 40:53)Così, nel calcolo il bilanciamento del flusso e la capacità costante da spazi poliedrici chiusi. Quindi, praticamente non si riesce a fare il bilanciamento del flux analizzare un proprio tipo di struttura questo è questo poliedrico è in pratica in realtà si contiene tutta la soluzione di bilanciamento del flux e la programmazione lineare può essere utilizzata per trovare la soluzione ottimale in questo spazio. Quindi, utilizzando la programmazione lineare, sarà possibile ottenere la soluzione ottimale è un punto unico in cui si ha il tasso di crescita massimo.E inoltre si possono ombreggiare i prezzi e i costi ridotti sono utilizzati per caratterizzare la soluzione ottimale. Quindi, usando i prezzi dell'ombra e la formula dei costi ridotti che abbiamo discusso oggi possiamo essere voi a caratterizzare la soluzione ottimale come la soluzione ottimale è buona o cattiva che si possa caratterizzare e tutte le possibili combinazioni del valore di 2 parametri possono portare alla definizione di un piano di fase.Quindi, potete attingere dalla rete in cui si sarebbe in grado di considerare 2 parametri come l'assorbimento di ossigeno e la velocità di assorbimento del substrato è possibile disegnare un piano di fase e i confininel piano di fase solo il cono poliedrico. Quindi, i confini che già arriviamo e si possono ottenere dal cono poliedrico e quindi i confini rappresentano il percorso sistemico.Così, questo è quello che impariamo oggi. E per i riferimenti potete leggere il libro scritto da Bernard Palsson è che l'assistenza varie proprietà della rete di ricostruzione e si può leggere anche sulla revisione della natura in microbiologia. Inoltre puoi leggere il Journal of batteriology. Questi sono i riferimenti che potete leggere per voi per lo studio. Grazie per l'ascolto. Speriamo che ti sia piaciuta la classe.Metabolic Engineering Prof. Amit Ghosh School of Energy Science and Engineering Indian Institute of Technology - Kharagpur Lecture - 22 Flux Sampling, Optknock e Optstrain Welcome to metabolic engineering course, oggi discuteremo di flux sampling optknock and optstrain. Il campionamento di Flux è un concetto molto importante in cui è possibile campionare lo spazio di soluzione della rete metabolica che si sta effettivamente analizzando. Può essere la rete metabolica di E. coli o rete metabolica di lievito e optknock è un algoritmo di progettazione del ceppo e l'optstrain è anche un algoritmo di progettazione del ceppo o si può progettare il ceppo in silico. E poi una volta che avremo una previsione migliore si può andare in laboratorio ed eseguire l'esperimento. (Riferimento Slide Time: 01.02)Così, questo comporta lo spazio di soluzione di flusso di campionamento che impareremo oggi e l'algoritmo di progettazione del ceppo optknock e optstrain. Si tratta di un algoritmo molto diffuso che viene utilizzato dalle industrie, dal mondo accademico e poi abbiamo molto successo. (Riferirsi Slide Time: 01.20)Così, questo è un metodo basato sul vincolo che si discute ogni classe per gli ultimi 2, 3 giorni, dove si può vedere che l'abbiamo appreso sull'analisi della variabilità flux, che viene mostrata qui e poi quando poi ieri abbiamo appreso del campionamento flux e poi oggi si va a imparare il campionamento. E l'accoppiamento flux abbiamo imparato nella precedente analisi di robustezza di classe abbiamo imparato anche in classe precedente. Quindi, simulazione dinamica che abbiamo imparato in classe precedente, la cancellazione dei geni abbiamo imparato anche in classe precedente. Così, questo oggi andiamo a imparare il campionamento e anche optbussola. Ecco, queste sono le 2 cose che impareremo oggi. (Riferimento Slide Time: 02.09)Così, introdurrò solo come si può realmente caratterizzare lo spazio della soluzione metabolica. Quindi, lo spazio di soluzione che si può vedere è in realtà dei vincoli è delimitato dal vincolo e come è possibile campionare le soluzioni con un dot - dot è possibile vedere di dover campionare le soluzionispazio che è possibile ottenere e ottenere la rete metabolica molto ben definita. E questo è il solito utilizzo di un'analisi di variabilità FVA flux per ottenere la gamma di fluxes ma il campionamento è il modo migliore in cui è possibile campionare accuratamente lo spazio di soluzione e quindi caratterizzare la propria rete metabolica. Quindi ci sono metodi per caratterizzare lo spazio di soluzione metabolica, come l'analisi estrema del pathway, questo impareremo nelle classi successive e poi l'effetto di un vincolo imponente può anche essere studiato utilizzando metodi di campionamento randomizzati. Definizione delle dimensioni dello spazio delle soluzioni e di come cambia lo spazio. Così, si definisce lo spazio dello spazio di soluzione. E poi come cambia lo spazio della soluzione con il vincolo o, con la presenza di una funzione di tempo, si può vedere come gli spazi di soluzione stanno effettivamente cambiando con il tempo. E poi si potrà randomizzare il campionamento per caratterizzare lo spazio di soluzione di soluzione di flux soluzione spazio anche spazio di soluzione cinetica e il campionamento randomizzato può essere utilizzato per comprendere le funzionalità di rete enzimatiche che sono la loro condizione di diabete della condizione cellulare o ischemia. Queste sono la condizione di malattia che si può caratterizzare utilizzando il metodo di campionamento del flusso. Quindi può essere applicato agli spazi che sono lineari o non lineari possono essere applicati a spazi convessi o non convessi, e spazi di soluzione. Quindi perlopiù appliceremo nello spazio di soluzione convessa dove è necessario il campionamento per comprendere il tipo di rete, le capacità di rete in diverse condizioni di malattia che possono essere valutate anche. (Riferimento Slide Time: 04.14)Così vediamo cosa è un campionamento uno spazio? Cosa si intende per campionare uno spazio? Suppamiamo quindi che cos' è l'area di questo oggetto si può calcolare l'area dell'oggetto che è molto complicata. Per portare un può calcolare questo oggetto dimensionale 2 che sto mostrando qui. Quindi un oggetto dimensionale 3 può essere più complicato. Rendiamo semplice, abbiamo considerato un oggetto dimensionale 2 e gli oggetti dimensionali da 2 si possono effettivamente calcolare l'area solo per campionatura. Quindi se si fa un campionamento uniforme di quest' area, allora si tratterà di simulazione questi studi hanno portato a diversi risultati notevoli 3 dei quali brevemente parlerò brevemente dell'istogramma fornire informazioni sulla forma dello spazio delle soluzioni. Così, l'istogramma si può vedere che ogni flux ha la glicolisi e il percorso PPV, si può vedere che l'istogramma questi in istogramma in realtà dà circa la forma dello spazio di soluzione e quanto probabile che il flusso possa cadere in determinati valori numerici. Ad esempio, alcuni istogrammi sono piatti che implicano che ogni valore numerico per un flusso con una determinata reazione sia uguale. Quindi, alcuni flussi di reazione sono in realtà piatto in questo caso, in questo caso si può vedere che è piatto. Quindi, tutti questi valori sono ugualmente probabili. Tantissimi sono piatti in realtà così, tutto questo valore su questa gamma è in realtà altrettanto probabile e si può calcolare la correlazione incrociata tra qualsiasi coppia di flux. Quindi, è possibile andare anche correlando 2 flussi e correlazione tutti i valori possono essere calcolati anche. E si può vedere come i valori di flusso sono correlati e questo è un altro modo in cui si può effettivamente dire come le reazioni 2 siano correlate alla misurazione dei flussi scarsamente correlati è probabile che sia più informativa che misurare i flussi altamente correlati. Quindi, alcune reazioni sono molto elevate.