Información

Modelos de detección de quórum para sistemas multiagente

Modelos de detección de quórum para sistemas multiagente



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

La detección de quórum es un sistema de estímulos y respuestas correlacionados con la densidad de población que utilizan las bacterias para coordinar la expresión génica. Estoy buscando un modelo matemático / computacional simple de detección de quórum que se abstraiga de los detalles del mecanismo que lo implementa dentro del agente, pero que mantenga las propiedades clave entre agentes, como la velocidad de difusión, el rango y el tiempo.

¿Existe un modelo matemático abstracto estándar de detección de quórum utilizado por los biólogos?

No estoy interesado en los detalles de un organismo específico, pero me gustaría un modelo general que pudiera aplicar para capturar la "esencia" de cualquier organismo que se base en la detección de quórum para parte de su comportamiento.


Bernardini y col. (2007) proporcionaron una extensión a los sistemas P que incorporan los conceptos básicos de la detección de quórum, y Romero-Campero y Pérez-Jiménez (2008) han utilizado su enfoque para modelar la bioluminosidad en vibrio fischeri. Este enfoque me atrae conceptualmente, pero eso se debe a que soy predominantemente un informático. Aunque P-system se puede usar para modelar sistemas biológicos (Ardelean & Cavaliere, 2003), todavía se sienten fundamentalmente informáticos y, por lo general, no se publican en lugares biológicos ortodoxos. Esto me hace sospechar que existe un enfoque más estándar entre los biólogos, probablemente a través de sistemas dinámicos y ecuaciones de difusión.


Encontré este papel[1], que podría ser relevante; que utiliza es un enfoque más inspirado químicamente. Otro papel[2] También puede ser interesante, se necesita un enfoque de sistemas más dinámico.

Mi instinto personal sería usar ecuaciones diferenciales ordinarias: generar una población de células en posiciones aleatorias, asignar a cada célula niveles de cualquier especie molecular relevante y generar una lista de EDO que describa las tasas de cambio de la especie en una determinada especie. célula en términos de expresión, degradación y difusión génica. Entonces debería poder simular la evolución temporal del sistema simplemente resolviendo el sistema (grande) de EDO dadas sus condiciones iniciales. Algo parecido al enfoque de este documento[3] (lea la información complementaria), solo sus células se moverían durante la simulación, en lugar de permanecer quietas como parte de un tejido. La implementación se volvería espinosa, porque tendría que adaptarse al movimiento de las celdas a medida que resuelve las EDO. Me imagino que esto podría lograrse simplemente tratando las posiciones iniciales de las celdas como parte de las condiciones iniciales del sistema y luego definiendo las EDO que gobiernan la tasa de cambio en cada dimensión (ya sea al azar o tal vez se muevan de manera coordinada). para que este aspecto del sistema pueda evolucionar durante la integración.

Referencias:

  1. Rai N, Anand R, Ramkumar K, Sreenivasan V, Dabholkar S, Venkatesh KV, Thattai M. 2012. Predicción por lógica promotora en la detección de quórum bacteriano. Biología computacional PLoS 8: e1002361.

  2. Chiang W-Y, Li Y-X, Lai P-Y. 2011. Modelos simples para detección de quórum: análisis dinámico no lineal. Revisión física E 84.

  3. Lubensky DK, Pennington MW, Shraiman BI, Baker NE. 2011. Un modelo dinámico de formación de cristales ommatidiales. Actas de la Academia Nacional de Ciencias de los Estados Unidos de América 108: 11145-50.


Módulos de comunicación de detección de quórum para consorcios microbianos

El poder de un solo organismo modificado está limitado por su capacidad de modificación genética. Para sortear las limitaciones de cualquier microbio en particular, está surgiendo una nueva frontera en biología sintética: la ecología sintética o la ingeniería de consorcios microbianos. Aquí desarrollamos sistemas de comunicación para dichos consorcios en un esfuerzo por permitir un comportamiento social complejo entre los diferentes miembros de una comunidad. Postulamos que dichas comunidades superarán a los monocultivos en su capacidad para realizar tareas complicadas si la comunicación entre los miembros de la comunidad está bien regulada. La detección de quórum fue identificada como el candidato más prometedor para el control preciso de ecosistemas microbianos diseñados, debido a su gran diversidad y utilidad establecida en biología sintética. A través de la modificación de promotores y proteínas, diseñamos dos sistemas de detección de quórum (rpa y tra) para agregarlos a los sistemas lux y las ampliamente utilizados. Al probar la intercomunicación entre todos los sistemas, caracterizamos minuciosamente muchos sistemas inducibles nuevos para un control versátil de comunidades de ingeniería. Además, hemos identificado varios pares de sistemas que exhiben tipos útiles de ortogonalidad. En particular, se demostró que los sistemas tra y rpa no tienen diafonía de señal ni diafonía de promotor entre sí, lo que los hace completamente ortogonales en su funcionamiento. En general, al caracterizar las interacciones entre los cuatro sistemas y sus componentes, estos circuitos deberían prestarse a circuitos genéticos de nivel superior para su uso en consorcios microbianos.

Palabras clave: diafonía consorcios microbianos ortogonal quórum sensing ecología sintética.

Declaracion de conflicto de interes

Los autores declaran no tener ningún interés financiero en competencia.

Cifras

Posibles fuentes de diafonía entre ...

Fuentes potenciales de diafonía entre sistemas de detección de quórum. Arriba a la izquierda: la proteína R (LuxR) se une ...

Ingeniería de nuevos sistemas QS en…

Ingeniería de nuevos sistemas QS en E. coli ( A ) Fluorescencia media de…

Dosis-respuesta de la detección de quórum multiplexada ...

Dosis-respuesta de circuitos de detección de quórum multiplexados: (A) Esquema genético de un solo constructo ...

Área de actividad de la curva dosis-respuesta ...

Área de actividad de la curva dosis-respuesta como estándar de rendimiento. (A) El cambio de pliegue máximo de…

Identificación de diafonía y ortogonalidad entre ...

Identificación de diafonía y ortogonalidad entre circuitos QS. (A) Área de actividad del equipado ...

Verificación de la ortogonalidad del componente QS.…

Verificación de la ortogonalidad del componente QS. (A) Esquema genético de cepas ortogonales de señal 708…


Los sistemas de detección de quórum de Vibrio campbellii DS40M4 y BB120 son genética y funcionalmente distintos

Por correspondencia. Correo electrónico [email protected] Tel. + 812-856-2235 Fax. + 812-856-5710.

Departamento de Biología, Universidad de Indiana, Bloomington, IN, EE. UU.

Estos autores contribuyeron igualmente a este trabajo.

Departamento de Biología, Universidad de Indiana, Bloomington, IN, EE. UU.

Estos autores contribuyeron igualmente a este trabajo.

Departamento de Biología, Universidad de Indiana, Bloomington, IN, EE. UU.

Departamento de Biología, Universidad de Indiana, Bloomington, IN, EE. UU.

Departamento de Biología, Universidad de Indiana, Bloomington, IN, EE. UU.

Centro de Genómica y Bioinformática, Universidad de Indiana, Bloomington, IN, EE. UU.

Instalación de espectrometría de masas, Universidad de Indiana, Bloomington, IN, EE. UU.

Departamento de Química, Universidad de Indiana, Bloomington, IN, EE. UU.

Departamento de Química, Universidad de Indiana, Bloomington, IN, EE. UU.

Centro de Genómica y Bioinformática, Universidad de Indiana, Bloomington, IN, EE. UU.

Departamento de Biología, Universidad de Indiana, Bloomington, IN, EE. UU.

Universidad Friedrich Schiller, Instituto de Microbiología, Jena, Alemania

Grupo de microverso, Universidad Friedrich Schiller de Jena, Jena, Alemania

Departamento de Biología, Universidad de Indiana, Bloomington, IN, EE. UU.

Por correspondencia. Correo electrónico [email protected] Tel. + 812-856-2235 Fax. + 812-856-5710.

Resumen

Vibrio campbellii BB120 (previamente clasificado como Vibrio harveyi) es una cepa modelo fundamental para estudiar la detección de quórum en vibrios. Una evaluación filogenética de secuenciados Vibrio cepas en Genbank revelaron que BB120 está estrechamente relacionado con el aislamiento ambiental V. campbellii DS40M4. Explotamos la competencia de DS40M4 para la captación de ADN exógeno para generar rápidamente más de 30 cepas isogénicas con deleciones de genes que codifican homólogos del sistema de detección de quórum BB120. Nuestros resultados muestran que el circuito de detección de quórum de DS40M4 es distinto de BB120 en tres formas: (i) DS40M4 no produce un autoinductor de acil homoserina lactona pero codifica un receptor LuxN huérfano activo, (ii) los pequeños ARN reguladores de quórum (Qrrs) no están únicamente regulados por la señalización del autoinductor a través del regulador de respuesta LuxO y (iii) el regulón de detección de quórum DS40M4 es mucho más pequeño que el BB120 (

400 genes, respectivamente). Utilizando la genómica comparativa para ampliar nuestra comprensión de la diversidad de circuitos de detección de quórum, observamos que la conservación de las proteínas LuxM / LuxN difiere ampliamente entre y dentro de Vibrio especies. Estas cepas también son fenotípicamente distintas: DS40M4 exhibe una muerte celular interbacteriana más fuerte, mientras que BB120 forma biopelículas más robustas y es bioluminiscente. Estos resultados subrayan la necesidad de examinar los aislados silvestres para obtener una visión más amplia de la diversidad bacteriana en el ecosistema marino.

Apéndice S1: Información de soporte

Tenga en cuenta: El editor no es responsable del contenido o la funcionalidad de la información de apoyo proporcionada por los autores. Cualquier consulta (que no sea el contenido faltante) debe dirigirse al autor correspondiente del artículo.


Una breve historia del modelado basado en agentes

El estudio de agentes autónomos que interactúan dentro de un entorno virtual se remonta a los inicios de la informática y las máquinas autorreplicantes propuestas por von Neumann en la década de 1940 [13]. Estos fueron diseñados para imitar el proceso de replicación que es fundamental para la vida. Las máquinas tomaron materiales de entrada y señales de su entorno y, a través de un conjunto predefinido de reglas, crearon una copia idéntica de sí mismas.

El primer uso del término "agente" con el mismo significado que en esta revisión llegó mucho más tarde, alrededor de la década de 1980-1990 [14]. Durante este período, los aumentos en la potencia informática hicieron factible la simulación de sistemas de un tamaño útil y se observó un rápido crecimiento en la cantidad de herramientas disponibles para apoyar a los investigadores en esta área. Algunos de los más populares se basaron en el lenguaje de programación Logo [15] (por ejemplo, StarLogo [16] y NetLogo [17]) que se desarrolló originalmente para su uso en la enseñanza. Debido a su simplicidad, Logo se adaptaba perfectamente para permitir que cualquiera definiera las reglas de una simulación basada en agentes y estudiara los comportamientos emergentes que pudieran surgir. Desde entonces, el uso de modelos basados ​​en agentes ha seguido expandiéndose, con el enfoque ahora ampliamente utilizado en los campos de la economía [18], el comportamiento social [19], la ecología [20], la microbiología [9] y la epidemiología [21]. , así como muchos otros.


Modelos de detección de quórum para sistemas multiagente - Biología

Descargar
Si al hacer clic no se inicia una descarga, intente hacer clic con el botón derecho o controlar el clic y elegir "Guardar" o "Descargar".

El descubrimiento de que las bacterias pueden comunicarse entre sí
cambió nuestra percepción general de muchos organismos simples y únicos
habitando nuestro mundo. En lugar del lenguaje, las bacterias usan señales.
moléculas que se liberan al medio ambiente. Al igual que
liberando las moléculas de señalización, las bacterias también pueden
medir el número (concentración) de las moléculas dentro de un
población. Hoy en día usamos el término 'Quorum Sensing' (QS) para
describir el fenómeno por el cual la acumulación de señalización
moléculas permiten que una sola célula detecte la cantidad de bacterias
(densidad celular). En entornos naturales, existen muchos tipos de
bacterias con una variedad de moléculas de señalización. Como emplean
diferentes idiomas, no necesariamente pueden hablar con todos los demás
bacterias. Presentando el modelo de autómatas celulares propuesto para
describir los principales mecanismos de Quorum Sensing donde Vibrio
fischeri, y su modelo utilizando el concepto de Multi-Agents System.

Los controles básicos del modelo son:
CONFIGURACIÓN - Creación del entorno y la distribución de Vibrio Fisheri
GO - Ejecuta el modelo
SLIDERS - Parámetros del experimento
SELECTOR - Visualización de modo
INTERRUPTOR - Seleccionar una semilla

Mostrar el potencial de modelar agentes múltiples en modelos que se repiten en biología.

J. Liu. Agentes autónomos y sistemas multiagente: exploraciones en aprendizaje, autoorganización y computación adaptativa. Científico mundial, 2001.

E. Greenberg. Detección de quórum en bacterias gramnegativas. ASM News, 63: 371–377, 1997.


  • la detección de quórum: La detección de quórum es un sistema de estímulo y respuesta correlacionado con la densidad de población. Muchas especies de bacterias utilizan la detección de quórum para coordinar la expresión génica de acuerdo con la densidad de su población local.
  • densidad: Una medida de la cantidad de materia contenida en un volumen dado.
  • población: Una colección de organismos de una especie en particular, que comparten una característica particular de interés, la mayoría de las veces la de vivir en un área determinada.

La detección de quórum es un sistema de estímulo y respuesta correlacionado con la densidad de población. Muchas especies de bacterias utilizan la detección de quórum para coordinar la expresión génica de acuerdo con la densidad de su población local. De manera similar, algunos insectos sociales usan la detección de quórum para determinar dónde anidar. Además de su función en los sistemas biológicos, la detección de quórum tiene varias aplicaciones útiles para la informática y la robótica.

La detección de quórum puede funcionar como un proceso de toma de decisiones en cualquier sistema descentralizado, siempre que los componentes individuales tengan: (a) un medio para evaluar el número de otros componentes con los que interactúan y (b) una respuesta estándar una vez que un número umbral de componentes es detectado.

La detección de quórum se puede lograr degradando la molécula de señalización. Usando un medio KG, las bacterias de extinción de quórum se pueden aislar fácilmente de varios entornos, incluido el que anteriormente se consideraba no cultivable. Recientemente, se ha aislado una bacteria de extinción de quórum bien estudiada y se ha estudiado su cinética de degradación de AHL mediante el uso de cromatografía líquida de resolución rápida (RRLC).

Algunos de los ejemplos más conocidos de detección de quórum provienen de estudios de bacterias. Las bacterias utilizan la detección de quórum para coordinar ciertos comportamientos en función de la densidad local de la población bacteriana. La detección de quórum puede ocurrir dentro de una sola especie bacteriana, así como entre diversas especies, y puede regular una gran cantidad de procesos diferentes, en esencia, sirviendo como una simple red de comunicación. Se pueden usar una variedad de moléculas diferentes como señales. Las clases comunes de moléculas de señalización son oligopéptidos en bacterias Gram-positivas, N-Acil Homoserina Lactonas (AHL) en bacterias Gram-negativas y una familia de autoinductores conocidos como autoinductores-2 (AI-2) tanto en Gram-negativos como en Gram- bacterias positivas.

Figura: La detección de quórum: Modelo de detección de quórum.

Las bacterias que utilizan la detección de quórum producen y secretan de forma constitutiva ciertas moléculas de señalización (llamadas autoinductores o feromonas). Estas bacterias también tienen un receptor que puede detectar específicamente la molécula de señalización (inductor). Cuando el inductor se une al receptor, activa la transcripción de ciertos genes, incluidos los de síntesis del inductor. Existe una baja probabilidad de que una bacteria detecte su propio inductor secretado. Por lo tanto, para que se active la transcripción de genes, la célula debe encontrar moléculas de señalización secretadas por otras células en su entorno. Cuando solo hay unas pocas bacterias del mismo tipo en las proximidades, la difusión reduce la concentración del inductor en el medio circundante a casi cero, por lo que las bacterias producen poco inductor. Sin embargo, a medida que crece la población, la concentración del inductor pasa un umbral, lo que hace que se sintetice más inductor. Esto forma un circuito de retroalimentación positiva y el receptor se activa por completo. La activación del receptor induce la regulación positiva de otros genes específicos, lo que hace que todas las células comiencen la transcripción aproximadamente al mismo tiempo. Este comportamiento coordinado de las células bacterianas puede ser útil en una variedad de situaciones. Por ejemplo, la luciferasa bioluminiscente producida por Vibriofischeri no sería visible si fuera producido por una sola célula. Al utilizar la detección de quórum para limitar la producción de luciferasa a situaciones en las que las poblaciones de células son grandes, las células de V. fischeri pueden evitar el desperdicio de energía en la producción de productos inútiles.

Las estructuras tridimensionales de proteínas involucradas en la detección de quórum se publicaron por primera vez en 2001, cuando se determinaron las estructuras cristalinas de tres ortólogos LuxS mediante cristalografía de rayos X. En 2002, también se determinó la estructura cristalina del receptor LuxP de Vibrio harveyi con su inductor AI-2 (que es una de las pocas biomoléculas que contienen boro) unido a él. Muchas especies bacterianas, incluida la E. coli, una bacteria entérica y organismo modelo para las bacterias gramnegativas, producen AI-2. Un análisis genómico y filogenético comparativo de 138 genomas de bacterias, arqueas y eucariotas encontró que & ldquothe enzima LuxS requerida para la síntesis de AI-2 está muy extendida en bacterias, mientras que la proteína de unión periplásmica LuxP está presente solo en cepas de Vibrio, & rdquo lo que lleva a la conclusión que otros organismos pueden usar componentes diferentes del sistema de transducción de señales AI-2 de las cepas de Vibrio para detectar la señal de AI-2 o que no tienen tal sistema de detección de quórum en absoluto. & rdquo Ciertas bacterias pueden producir enzimas llamadas lactonasas que pueden atacar e inactivar las AHL.


Métodos

Cepas y condiciones de crecimiento bacteriano

los P. aeruginosa La cepa PUPa3 utilizada en este estudio es un aislado de rizosfera de arroz ambiental de la India [21]. Para construir el signal nortemutante nativo (SN) de la cepa PUPa3, ambos lasI y rhlI se inactivaron mediante una inactivación por inserción de dos pasos utilizando plásmidos suicidas (Steindler et al., presentado). Del mismo modo, el signal BEl mutante lind (SB) se construyó inactivando tanto el LASR y rhlR genes en la cepa PUPa3 mediante inactivación por inserción utilizando plásmidos suicidas (Steindler et al., presentado).

Los ensayos de enjambre se realizaron utilizando placas de medio M8 (sales M9 sin NH4Cl) (Kohler et al., 2000) que contiene 0,5% de agar y suplementado con 0,2% de glucosa y 0,05% de glutamato (Murray y Kazmierczak, 2006). La inoculación se realizó con un palillo estéril sumergido en una suspensión bacteriana de OD600 2.7. A continuación, las placas se incubaron a 30 ° C durante la noche, seguido de incubación a temperatura ambiente durante 48 horas adicionales. Los AHL se adquirieron de Fluka-Sigma-Aldrich o de P. Williams (Universidad de Nottingham, Reino Unido) y se agregaron exógenamente a placas de enjambre hasta una concentración final de 2 µM. P. aeruginosa también se cultivó en medio rico en LB (Sambrook et al., 1989) con 0,5 p / v de agar.

Descripción del modelo computacional

Diseñamos un modelo basado en agentes para representar las celdas de P. aeruginosa. En este modelo, cada célula es un agente autónomo que regula su propio comportamiento en función de la concentración de nutrientes y de las señales AHL (S, F) que se encuentran en su entorno. Las células realizan movimientos aleatorios en el plano 2D e interactúan entre sí a través de señales difusibles AHL. Cada parámetro de este sistema se define en unidades arbitrarias (se dan más detalles en el archivo adicional 1).

Cada agente autónomo realiza un algoritmo simple (Figura 9A). Las funciones realizadas por la célula se regulan de una manera basada en umbrales de acuerdo con el esquema regulador que se muestra en la Figura 1A. En estado solitario o planctónico (PAG), hay un nivel de señal de referencia S producción. Como la concentración ambiental de S supera el umbral, la producción de S aumenta de 5 a 15 veces (V.V, resultados no publicados sobre P. aeruginosa PUPa3) y la producción de factor secretado (F) empieza. Este es el estado activado (A). Tan pronto como la concentración de F en el medio ambiente supera un umbral, las células aumentan su ingesta de nutrientes y se mueven más rápido, lo que resulta en un estado de enjambre (sudoeste). Se puede concebir que el nivel de S cae por debajo del umbral mientras que F todavía está por encima de él. En este caso, las células se mueven y metabolizan a la velocidad del estado de enjambre, pero la producción de S vuelve al nivel más bajo.

Propiedades de los agentes celulares. A) Descripción del algoritmo realizado por los agentes en cada momento. En "STOP", las células entran irreversiblemente en un estado estacionario metabólicamente inactivo. Las funciones dependen del estado de activación de cada mutante y están reguladas de una manera basada en umbrales por los niveles de señal. B) Balance energético de los distintos mutantes estudiados. Los valores numéricos se muestran en la Tabla 1 y se describen en el archivo adicional 1. El "estado de enjambre" incluye dos estados (con la producción de S "activada" [nivel de enjambre] o "desactivada" [nivel solitario]) (Tabla 1).

El proceso se rige por el balance energético de las células (Figura 9B). En cada paso, las células absorben una cierta cantidad de nutrientes, definidos en unidades de energía arbitrarias. La energía se gasta en mantenimiento ("metabolismo"), producción de S y F, mientras que el resto se almacena. Por tanto, la energía almacenada en una célula puede describirse como

mi(t + 1) = mi(t) + mi(comida) - mi(S) - mi(F) - mi(metabolismo),

dónde E (t) es la energía almacenada en el momento t, mientras que los otros términos representan el gasto energético correspondiente a la ingesta de nutrientes, la producción de señales de AHL, la producción de nutrientes y el metabolismo, respectivamente. Si la energía almacenada supera un umbral, la célula se divide. Si la energía almacenada no es suficiente para cubrir los gastos, la celda entrará en una fase estacionaria, es decir, dejará de funcionar irreversiblemente. Los agentes proceden a través de pasos aleatorios, donde un paso de una longitud determinada se toma en una dirección elegida al azar. En el estado de enjambre, las células se mueven aproximadamente 3 veces más rápido que en otros estados (solitarios o activados).

Difusión de materiales

Inicialmente, el medio ambiente se representa en términos de un solo material difusible. norte, que denota todos los nutrientes. En el proceso de simulación, las células producirán otros materiales difusibles, como señales S y factor F. La concentración de tal componente. tu se describe mediante la ecuación:

dónde D y R son las constantes uniformes de difusión y desintegración, respectivamente. Suponemos que los nutrientes se difunden pero no se descomponen (R [nutrientes] = 0), pero S y F tanto difusos como en descomposición. La ecuación [2] es una ecuación de reacción-difusión típica que se resuelve de forma independiente para nutrientes y señales en una cuadrícula rectangular con condiciones de contorno periódicas utilizando un método explícito de diferencias finitas, en cada punto de tiempo de la simulación.

El entorno se representa como una pista longitudinal 2D con condiciones de contorno periódicas en los lados longitudinales (Figura 2). El plano se discretiza en cuadrados y la concentración de materiales difusibles se considera constante dentro del cuadrado. Esta configuración corresponde a una superficie cilíndrica longitudinal, comenzando con una "pared" impenetrable al comienzo de la "pista de carreras" longitudinal. Al comienzo de la carrera, las celdas tienen una cantidad de energía almacenada elegida al azar, y un número igual de tales celdas se coloca en ubicaciones elegidas al azar en cada cuadrado a lo largo de la línea de partida. El límite de la colonia está representado por una línea que separa la colonia celular del medio ambiente. Inicialmente, esta línea de separación será paralela a la línea de partida, a un cuadrado de ella. A medida que avanza la simulación, las celdas se moverán aleatoriamente dentro del límite mientras ambos F y S difusa fuera del límite. El avance del límite se modeló de acuerdo con un principio modificado adaptado de Cohen [22], es decir, los intentos de escape de las celdas se contaron para cada cuadrado del cuadrado exterior adyacente al límite, aumentando un contador de avance del límite. BI con un valor de 1+ (k * F), dónde F es la concentración del factor y k es una constante de proporcionalidad. Si BI alcanza un umbral, el borde se mueve más allá del cuadrado en cuestión. Como resultado, el borde avanza de un cuadrado a otro.

En comparación con los modelos diseñados para describir patrones coloniales, nuestro modelo está muy simplificado, ya que está regulado por umbrales y no tiene en cuenta los gradientes de concentración.

Evaluación de experimentos de modelado

Evaluamos los resultados en términos cualitativos y, siempre que sea posible, sobre una base comparativa (por ejemplo, en comparación con las células de tipo salvaje. La Figura 7 (texto principal) muestra un gráfico de tamaño de población (Figura 7A) y velocidad (Figura 7B) como una función del tiempo de simulación (unidades arbitrarias). A modo de analogía con la cinética de reacción, es conveniente dividir las curvas en fases iniciales aproximadas, transitorias y de estado estacionario. Como ocurre un enjambre en el espacio, usamos los términos "corto rango "para la fase inicial y" largo alcance "para la fase de estado estacionario, respectivamente. El tamaño de la población y la velocidad observada en el estado estacionario son independientes del tamaño de la población inicial. Se observa que el estado estacionario no no siempre aparecen, algunas poblaciones modelo (como las poblaciones muy pequeñas o los modelos con un metabolismo ineficiente) mueren después de una fase transitoria de enjambre.

Para la caracterización de la capacidad de enjambre, definimos la aptitud de enjambre como una medida de la eficiencia con la que una célula llega a una determinada ubicación en el espacio. La aptitud de enjambre de un tipo celular es proporcional al tamaño de la población pag y a la velocidad v observado en el estado estacionario. Entonces podemos definir la aptitud relativa de enjambre de un mutante como

donde los subíndices metro y peso se refieren a mutante y tipo salvaje respectivamente. Para el estado estacionario, los valores pyv pueden leerse en las curvas, p. Ej. podemos leer valores promediados calculados para un período de tiempo más largo. El valor de SF resultante caracterizará la capacidad del mutante para alcanzar un destino de largo alcance. En principio, SFde largo alcance es independiente del tamaño de la población inicial, sin embargo, lo calculamos rutinariamente usando poblaciones iniciales iguales para mutante y wt. La aptitud del enjambre de corto alcance, por otro lado, se refiere a la capacidad de una célula para llegar a un destino en una etapa temprana del enjambre. Como podemos decir aproximadamente que el movimiento de cualquier colonia al inicio es muy pequeño, usamos la aproximación v metrov peso. por lo que la aptitud relativa de enjambre de corto alcance se puede calcular como

dónde pag metroy pag pesoindican el tamaño de la población enjambrante tomado en un punto de tiempo muy temprano, como 200 pasos de tiempo después del inicio del enjambre (Figura 7C, recuadro). Como la aptitud de corto alcance depende del tamaño de la población inicial, la determinamos utilizando poblaciones iniciales estrictamente idénticas, típicamente 1000 celdas de 2 modelos diferentes, distribuidas al azar. En el recuadro de la Figura 7C se muestran ejemplos de valores calculados.

Las figuras 7C y 7D muestran ejemplos de modelos mutantes que difieren en sus tasas de división relativas. En nuestro modelo, la velocidad del movimiento frontal está regulada principalmente por la tasa de división, que a su vez depende de la cantidad de energía que las células son capaces de almacenar (ahorrar) en cada paso. Por lo tanto, las células que gastan menos energía (tienen menos costos metabólicos) serán más viables y competirán con las células que gastan más energía, como se muestra en el ejemplo de la Figura 7D. En estos cálculos, la tasa de división (división promedio por celda por punto de tiempo) se puede determinar directamente para todo el experimento contando las divisiones para una población determinada. La tasa de división relativa, R, se calculó luego dividiendo la tasa de división de un mutante con la del tipo salvaje. El consumo de energía se calculó como mi(S) + mi(F) + mi(metabolismo), y el consumo relativo de energía mi se calculó dividiendo el consumo de energía del mutante con el del tipo salvaje. A continuación, se modificó el consumo de energía para producir modelos mutantes con diferentes valores relativos de aptitud de enjambre. La distribución asimétrica de las dos especies dentro del frente (inserciones 1 y 2 en La Figura 7D) muestra que las especies menos exitosas son empujadas hacia las regiones que contienen menos nutrientes.


Resumen

El modelado basado en agentes ofrece una metodología para simular la aparición de comportamientos multicelulares y nos ayuda a comprender mejor las reglas celulares subyacentes que los facilitan.

Los sistemas biológicos sintéticos que dependen de la comunicación entre células o interacciones físicas son muy susceptibles de modelado basado en agentes y existe un uso creciente de la técnica en el campo.

Existen numerosas herramientas computacionales para apoyar el desarrollo de modelos basados ​​en agentes para la biología sintética. Sin embargo, las compensaciones en la facilidad de uso y las características disponibles significan que es esencial una selección cuidadosa de una herramienta adecuada.

El uso más amplio de modelos basados ​​en agentes respaldará la ampliación de la biología sintética, permitiendo no solo la creación de nuevas funciones a gran escala, sino también brindando información sobre cómo los sistemas naturales logran capacidades similares.


Detección de quórum en el sistema inmunológico

La detección de quórum es la regulación de los programas de expresión génica en respuesta a cambios en la densidad de población. Probablemente se lo reconozca mejor como un mecanismo a través del cual las comunidades bacterianas pueden sincronizar comportamientos, como la formación de biopelículas y la bioluminiscencia. Este artículo de comentario destaca la evidencia emergente que sugiere que la detección de quórum también contribuye a la regulación de las respuestas de las células inmunes.

La detección de quórum se basó originalmente en la idea de que la cooperación entre las células bacterianas de una sola especie no valdría la pena a menos que estuviera presente un número suficiente de células, es decir, hasta que se alcanzara un umbral de densidad. En la detección de quórum bacteriano, las bacterias controlan su densidad de población comunicándose a través de la generación y detección de señales extracelulares solubles llamadas inductores 1. A medida que aumenta la densidad de células bacterianas sensibles al quórum, también lo hace la concentración del inductor. Una vez que la densidad bacteriana y por lo tanto la concentración del inductor alcanza un cierto nivel, esto dará como resultado las alteraciones colectivas de la expresión génica bacteriana, lo que facilita comportamientos sincronizados, como la formación de biofilm, virulencia y bioluminiscencia 1. Por lo tanto, la detección de quórum permite que las células dentro de una población funcionen al unísono y, al hacerlo, realicen comportamientos como una entidad colectiva.


Modelo matemático y diseño de simulación

Supuestos del modelo

Formulamos un modelo matemático que describe la detección de quórum en una comunidad de biopelículas en crecimiento en un conducto estrecho que consta de varias colonias, imitando las condiciones que ocurren en los poros del suelo o en los vasos sanguíneos de las plantas. Se supone que la biopelícula está formada por células bacterianas y EPS, y se describe por las densidades locales de sus componentes. La biopelícula propiamente dicha es la región en la que estas densidades no son cero, está rodeada por el líquido a granel. La biopelícula se expande debido al crecimiento celular y la producción de EPS, los cuales están acoplados a la disponibilidad de un nutriente de carbono. Se supone que el nutriente está disuelto. En la fase acuosa que rodea la biopelícula, el nutriente es transportado por convección de flujo a granel y por difusión de Fickian. En la propia biopelícula se difunde, aunque a un ritmo reducido debido a la mayor resistencia a la difusión del EPS y las células. Los nutrientes son degradados en la biopelícula por las células en crecimiento para el crecimiento y la producción de EPS.

Distinguimos entre células bacterianas reguladas hacia arriba y hacia abajo. La regulación al alza y la regulación a la baja están controladas por la concentración local de AHL. La regulación al alza ocurre localmente cuando y donde la concentración de AHL excede un umbral. Si la concentración de AHL en una colonia de biopelículas reguladas al alza (parcialmente) cae por debajo de este umbral crítico, las células reguladas al alza se regulan a la baja. También se supone que AHL está disuelto. La AHL se transporta por convección y difusión en la fase acuosa circundante y por difusión en el biofilm, también a un ritmo reducido. Después de que la bacteria produce AHL, se difunde en la fase acuosa. Las células reguladas al alza producen AHL a un ritmo más alto (en un orden de magnitud) que las células reguladas a la baja, y se descomponen abióticamente, a un ritmo mucho más lento de lo que se producen.

Suponemos que las células reguladas hacia arriba y hacia abajo crecen al mismo ritmo, pero las células reguladas al alza producen EPS a tasas mucho más altas (diez veces). Además, asumimos que el tamaño de celda promedio para bacterias reguladas hacia arriba y hacia abajo es el mismo, es decir, la densidad máxima de células y EPS es la misma para ambos tipos de células. The increased production of EPS implies an increased nutrient consumption of upregulated cells. Based on the parameters for EPS production kinetics and stoichiometry of [26], we estimate with a simple rule of proportions that upregulated cells consume approximately twice the amount of nutrients that down-regulated cells consume. We do not distinguish between the EPS that is produced by each type of bacteria, but combine them into one EPS fraction.

In addition to bacteria that engage in quorum sensing, i.e., switch between down- and upregulated states, we also consider non-quorum sensing bacteria species, which behave as either downregulated or upregulated cells, in regards to parameters for growth, consumption, and EPS production. These non-quorum sensing cells carry an AHL-receptor mutation and cannot be upregulated or produce any AHL. Although they are technically mutant cells, we will refer to these non-quorum sensing bacteria as different species throughout the paper.

We formulate this model in the framework of the density-dependent nonlinear diffusion model for biofilms which was originally introduced for a prototype single species biofilm in [16], and has since been extended to multi-species systems. Quorum sensing was first included in this model in our earlier study [28]. In the current study, we expand on this model by explicitly accounting for EPS, which was previously implicitly subsumed in the biomass fractions. Our model of EPS production is based on the one-dimensional biofilm model of [26]. Some authors suggest that under conditions of severe nutrient limitations, EPS could be broken down and converted into nutrients by the cells [6–9, 54]. Following [26], we include this process as an option in our model and investigate whether it affects quorum sensing activity and biofilm composition.

Governing equations

The mathematical model for biofilm growth, quorum sensing, and EPS production, based on the above assumptions, is formulated as a differential mass balance for the bacterial biomass fraction, EPS, growth-promoting nutrient substrate and quorum sensing molecules.

Following the usual convention of biofilm modelling, the density of the particulate substances (bacterial cells and EPS), is expressed in terms of the volume fraction that they occupy [10]. We denote the volume fraction locally occupied by downregulated quorum sensing cells by METRO0 [-], the volume fraction of upregulated quorum sensing cells by METRO1 [-]. Their densities are accordingly METRO0 *METRO max y METRO1*METRO max, where the constant METRO max [gm -3 ] is the maximum biomass density, in terms of mass COD per unit volume.

The non-quorum sensing bacteria are accordingly expressed in terms of the volume fractions METRO2 (downregulated cells) and METRO3 (upregulated cells). A summary of the cell types and behaviours is given in Table 1.

Similarly, EPS density is expressed in terms of its variable volume fraction EPS [-] and the constant maximum EPS density EPS max [gm -3 ], as EPS * EPS max.

The dissolved growth controlling nutrient substrates and the dissolved quorum sensing molecules are described in terms of their concentrations C [gm -3 ] and AHL [nM].

The differential mass balances for the dependent variables METRO0,1,2,3, EPS, C, AHL are obtained as:


Ver el vídeo: Webinar: Nuevos modelos de Negocio aplicados a Sistemas de Detección de Intrusos (Agosto 2022).