가변환경의 진화

이 기사의 주제는 위키피디아의 일반적인 공신력 가이드라인을 충족하지 못할 수 있다. 주제와 무관하고 사소한 언급 이상의 중요한 내용을 제공하는 신뢰할 수 있는 2차 소스를 인용함으로써 주제의 공신력을 증명할 수 있도록 도와주십시오. 공지를 표시할 수 없는 경우, 기사는 병합, 리디렉션 또는 삭제될 가능성이 높다. 출처 찾기: "변수 환경에서의 진화" – 뉴스 · 신문 · 책 · 학자 · JSTOR (2010년 11월) (이 템플릿 메시지를 제거하는 방법과 시기 학습)

가변 환경의 진화(EVE)는 다양한 환경에서 미생물 세포 행동을 시뮬레이션하기 위해 고안된 컴퓨터 프로그램이다.세포 반응의 예측은 시스템 생물학과 컴퓨터 생물학에서 빠르게 진화하는 주제다.목표는 실리코에서 일련의 환경 자극에 반응하는 특정 유기체의 행동을 예측하는 것이다.그러한 예측은 예방의학, 생명공학, 미생물 재공학에 상당한 영향을 미칠 수 있다.행동의 계산적 예측은 방대한 생물 네트워크의 통합과 시뮬레이션과 외부 자극의 생성이라는 두 가지 주요 요소를 가지고 있다.이 방법의 현재 제한사항은 다양한 셀룰러 서브시스템에 대한 종합적인 실험 데이터의 부족과 부적절한 연산 알고리즘이다.null

개요

환경적 요소들 사이의 시간적 상호관계에 기초하여 행동과 유전자 발현을 조절하는 것을 배우는 유기체는 그러한 예측을 할 수 없는 다른 유기체들에 비해 경쟁적 우위를 가지고 있다.예를 들어, 언제 영양소가 환경에 존재할 것인가를 배우는 것은 유기체가 식자원을 차지할 유전자를 선택적으로 표현할 수 있게 하여 유기체가 에너지를 수확할 수 있게 한다.null

간단한 박테리아조차도 이러한 종류의 행동을 모델링하는 것은 어떤 문제를 내포하고 있다.생물학적 시스템의 다양성을 고려할 때, 환경 변화에 대한 행동 대응의 수는 거의 무한대로 나타날 것이다.그러나 최근의 연구는 생물학적 시스템이 특정 환경에 최적화되어 있고 따라서 자극에 비교적 구체적인 방법으로 반응할 것이라는 것을 보여주었다.이 특수성은 계산을 상당히 단순화시킨다.null

두 번째 도전은 겉보기에는 무작위로 보이는 환경 사건이다.낮 대 밤 또는 다른 계절과 같은 순환이나 시간 주기를 배제하는 환경에서의 많은 사건들은 날씨 패턴, 물 염분, 산소 수준과 같이 예측할 수 없다.그러나, 특정 환경적 요인이 일시적으로 결합되는 것으로 밝혀졌다.예를 들어, 수온의 증가는 종종 수염의 증가와 상관관계가 있다.이러한 관계는 유기체가 특정 환경 요인에 적시에 반응할 수 있도록 하여 생물학적 적합성을 증가시킨다.null

세포 반응의 예측은 과학자들, 의사들, 그리고 생물 공학자들 모두에게 상당한 관심을 가지고 있다.예를 들어, 특정한 유기체가 외부와 내부의 자극에 어떻게 반응하는지를 연구하는 것은 진화의 메커니즘에 대한 통찰력을 산출할 수 있다.이와 동시에, 이러한 지식은 의사와 보건 공무원들이 질병을 유발하는 박테리아와 양성자의 감염 주기를 이해하는 데 도움을 줄 수 있어 예방 대책을 수립할 수 있다.마지막으로, 박테리아가 다른 자극하에서 어떻게 행동하는지 아는 것은 기름유출물을 제거하는 것과 같은 특정한 기능을 수행하는 공학적 박테리아의 개발을 촉진할 수 있다.이러한 예는 행동을 예측하는 많은 응용 프로그램 중 일부에 불과하다.^[1]null

프로그램 구성 요소

셀룰러 모델

세포, 분자, 화학 생물학에 대한 인간의 이해의 급속한 확장으로 대사 경로, 신호 전달 경로, 유전자 규제 네트워크에 대한 방대한 데이터가 생성되었다.셀룰러 모델링은 컴퓨터의 도움으로 이러한 경로를 분석하고 시각화하려고 한다.EVE의 상당 부분은 이러한 생물학적 시스템을 위한 알고리즘, 데이터 구조 및 시각화 도구를 작성하는 데 전념한다.null

환경모델

환경적 요인의 발생 빈도는 완전 주기적 사건과 완전 무작위 사건 사이에 존재한다.어떤 사건들은 분리해서 볼 때 완전히 무작위로 나타난다.그러나, 다른 사건과 함께 이러한 사건들은 매우 "예측 가능한" 것으로 보일 수 있다.그러한 관계는 여러 시간 척도로 존재할 수 있으며, 이것은 자유 생물들의 고도로 구조적인 서식지를 반영한다.EVE는 이러한 중간 이벤트를 모델링하려고 시도한다.null

컴퓨터 프레임워크

대부분의 세포 모델은 단세포 미생물을 기반으로 한다.이러한 단순한 유기체들은 복잡한 신경망이 없기 때문에, 컴퓨터 모델링은 전사, 번역, 변환 후 수정, 단백질-단백질 상호작용과 같은 세포의 다양한 생화학적 경로에 초점을 맞춘다.이러한 유형의 상호작용을 모델링하려는 다양한 알고리즘과 프로그램이 존재한다.null

프로그램 개요

EVE는 복잡한 환경을 중심으로 예측 가능한 내부 모델을 모델링할 수 있는 시뮬레이션 프레임워크다.EVE는 모든 생화학적 경로가 다음 단계를 통해 진행된다는 가정인 "중앙 도그마"에 따라 작용한다: DNA => RNA => 단백질.게다가, 생화학적 네트워크는 비동기적이고 확률적인 방식으로 진화한다.이러한 두 가지 가정을 통해 생물학적 상호작용/변화의 계단식 시간적 역학 시뮬레이션을 할 수 있다.null

제작자들에 따르면, 세포 행동을 시뮬레이션하려는 이전의 시도에 기초하여, "우리 시뮬레이션의 생화학적, 진화적, 생태학적 사실성을 향상시키는 많은 특징, 환경과의 상호작용의 맥락에서 미생물 규제 네트워크를 시뮬레이션하는 데 중요한 특징들을 통합한다.타고."^[2]이 프로그램은 RNA, mRNA, 단백질을 포함한 모든 분자종과 그들의 상호작용을 고려한다.각 성분은 기초 표현, 분해, 규제 강도와 같은 생물학적 매개변수를 시뮬레이션하는 소위 노드로 표현된다.프로그램은 이러한 노드 네트워크를 서로 연결하고 개별 노드 간의 상호작용을 시뮬레이션한다.null

각 응답 경로에 에너지 비용이 많이 들도록 모델링.인공 유기체는 주변으로부터 "음식"의 형태로 에너지를 흡수하는 반면, 각각의 상호작용 경로는 높은 수준의 에너지를 소비한다.이 설정은 에너지 최소화를 선호하는 선택 압력을 발생시킨다.null

실리코의 세포들은 이 계산 생태계에 배치되어 서로 자원을 놓고 경쟁할 수 있게 된다.자원의 분포는 시간 의존적인 방식으로 설정된다.각 라운드 동안, 생화학적 경로에 무작위 돌연변이와 동요가 소개된다.각 라운드가 끝날 때마다 에너지 카운트가 가장 낮은 셀은 제거된다.특정 시간 동안 경로의 표현을 최적화하여 에너지 흡수량을 극대화할 수 있는 셀을 선택한다.null

프로그램 기능

제너레이션 기반 시뮬레이터

고정 크기 모집단은 미리 정의된 "에너지 패킷"을 받는다.시뮬레이션 중에 주어진 지점에서 셀의 경로는 돌연변이를 겪으며 각 노드의 특성이 업데이트된다.한 라운드가 끝난 후, 세포는 획득한 에너지에 정비례하는 확률에 기초하여 선택된다.null

실시간 시뮬레이터

세대 기반 시뮬레이터와 유사하게, 셀은 시뮬레이션이 시작될 때 미리 정의된 에너지 패킷을 받는다.그러나 실험의 어느 지점에서든 세포는 돌연변이를 일으키거나 죽을 수 있다.null

다양한 유형의 시뮬레이션

선택 압력에 기초하여, 다양한 시뮬레이션을 다음과 같은 그룹으로 분류하였다: - 지연 게이트: 신호와 자원은 OR, AND, XOR, NAND, NOR 동적 논리 함수에 의해 관련된다. - 멀티 게이트: 신호와 자원은 OR, AND, XOR, NAND, NOR 동적 논리 함수의 조합에 의해 상호 관련된다. - 스케일레이터:정기적인 안내 신호가 있거나 없는 RP1의 진동 발현을 진화하는 선택 압력. - 바이-안정 스위치:두 개의 환경 신호가 ON/OFF 펄스 스위치로 작동하는 환경에서 바이안정성을 진화시키기 위한 선택 압력. -진행/분산 잠금:지속 시간 또는 위상 분산이 변동하는 환경 자원의 지속시간을 예측하는 네트워크를 진화시키기 위한 선택 압력.null

예측 결과

수천 세대 후에, 시뮬레이션은 일시적으로 연결된 환경 단서에 근거하여 그들의 "식사 시간"을 예측할 수 있는 유기체를 만들어냈다.이러한 진화의 패턴은 앞에서 설명한 시뮬레이션의 모든 유형에 대해 반복되었다.이 연구의 결과는 과학자들이 체내 대장균 세포를 실험적으로 재프로그래밍하도록 자극했다.일반적으로 대장균은 상당한 온도 변화가 있을 때 혐기성 호흡으로 전환된다.하지만, 시뮬레이션의 원리에 따라, 과학자들은 박테리아가 더 높은 온도에 노출되었을 때 유산소 호흡을 켜게 할 수 있었다.이러한 실험은 그러한 시뮬레이션이 박테리아의 세포 반응 경로에 중요한 통찰력을 어떻게 산출할 수 있는지를 보여준다.^[3][4]null

단점들

시뮬레이션은 많은 양의 컴퓨팅 성능과 시간을 필요로 한다.이브 프레임워크는 대장균 시뮬레이션에서 2년 이상 평균 500개 노드 워크로드를 실행한 다중 노드 슈퍼컴퓨터 클러스터(BlueGene/L 및 Beowulf)를 사용했다.프로그램의 성공을 위해서는 정확한 양의 데이터를 보유하는 것이 필수적이다.프로그램은 알려진 경로와 상호작용에 대한 정보를 통합하므로, 이러한 유형의 시뮬레이션은 필수 생화학적 경로가 대부분 해명된 유기체에게만 유용하다.null

참조

외부 링크

• 프린스턴 대학교 타바조이 랩