Yliopiston etusivulle Suomeksi På svenska In English Helsingin yliopisto

Computational Approaches to Biological Network Inference and Modeling in Systems Biology

Show simple item record

dc.contributor Helsingin yliopisto, bio- ja ympäristötieteellinen tiedekunta, biotieteiden laitos fi
dc.contributor Helsingfors universitet, bio- och miljövetenskapliga fakulteten, biovetenskapliga institutionen sv
dc.contributor University of Helsinki, Faculty of Biological and Environmental Sciences, Department of Biosciences en
dc.contributor Institute of Biotechnology en
dc.contributor.author Ta, Hung fi
dc.date.accessioned 2012-10-02T09:03:14Z
dc.date.available 2012-11-20 fi
dc.date.available 2012-10-02T09:03:14Z
dc.date.issued 2012-11-30 fi
dc.identifier.uri URN:ISBN:978-952-10-8300-6 fi
dc.identifier.uri http://hdl.handle.net/10138/37009
dc.description.abstract Living systems, which are composed of biological components such as molecules, cells, organisms or entire species, are dynamic and complex. Their behaviors are difficult to study with respect to the properties of individual elements. To study their behaviors, we use quantitative techniques in the "omic" fields such as genomics, bioinformatics and proteomics to measure the behavior of groups of interacting components, and we use mathematical and computational modeling to describe and predict their dynamical behavior. The first step in the understanding of a biological system is to investigate how its individual elements interact with each other. This step consist of drawing a static wiring diagram that connects the individual parts. Experimental techniques that are used - are designed to observe interactions among the biological components in the laboratory while computational approaches are designed to predict interactions among the individual elements based on their properties. In the first part of this thesis, we present techniques for network inference that are particularly targeted at protein-protein interaction networks. These techniques include comparative genomics, structure-based, biological context methods and integrated frameworks. We evaluate and compare the prediction methods that have been most often used for domain-domain interactions and we discuss the limitations of the methods and data resources. We introduce the concept of the Enhanced Phylogenetic Tree, which is a new graphical presentation of the evolutionary history of protein families; then, we propose a novel method for assigning functional linkages to proteins. This method was applied to predicting both human and yeast protein functional linkages. The next step is to obtain insights into the dynamical aspects of the biological systems. One of the outreaching goals of systems biology is to understand the emergent properties of living systems, i.e., to understand how the individual components of a system come together to form distinct, collective and interactive properties and functions. The emergent properties of a system are neither to be found in nor are directly deducible from the lower-level properties of that system. An example of the emergent properties is synchronization, a dynamical state of complex network systems in which the individual components of the systems behave coherently, almost in unison. In the second part of the thesis, we apply computational modeling to mimic and simplify real-life complex systems. We focus on clarifying how the network topology determines the initiation and propagation of synchronization. A simple but efficient method is proposed to reconstruct network structures from functional behaviors for oscillatory systems such as brain. We study the feasibility of network reconstruction systematically for different regimes of coupling and for different network topologies. We utilize the Kuramoto model, an interacting system of oscillators, which is simple but relevant enough to address our questions. en
dc.description.abstract Molekyylit, solut, eliöt ja eliölajit muodostavat monimutkaisia dynaamisia järjestelmiä, joiden käyttäytymistä on vaikea johtaa niiden yksittäisten osasten ominaisuuksista. omiikka -tekniikat, joihin kuuluvat esimerkiksi genomiikka, bioinformatiikka ja proteomiikka, mahdollistavat vuorovaikutuksessa olevien komponenttien käyttäytymisen kvantitatiivisen mittaamisen. Tässä työssä käytän matemaattista ja laskennallista mallinnusta kompleksisten systeemien kuvaamiseen ja niiden dynamiikan ennustamiseen. Biologisen systeemin ymmärtämisen ensimmäinen vaihe on yksittäisten elementtien vuorovaikutusten tutkiminen. Tuloksena on staattinen kytkentäkaavio yksittäisten komponenttien yhteyksistä. Kokeelliset menetelmät havainnoivat biologisten komponenttien välisiä vuorovaikutuksia laboratorio-oloissa, kun taas laskennalliset lähestymistavat pyrkivät ennustamaan vuorovaikutuksia yksittäisten komponenttien ominaisuuksien perusteella. Työn ensimmäisessä osassa esittelen proteiini-proteiini-interaktioiden ennustamiseen tarkoitettuja menetelmiä. Näihin menetelmiin kuuluvat vertaileva genomiikka, rakennepohjaiset ja biologiseen kontekstiin pohjautuvat sekä integroidut menetelmät. Arvioin ja vertailen domeeni-domeeni-interaktioiden ennustamiseen yleisimmin käytettyjä menetelmiä. Erityisesti pohdin menetelmien ja tietovarantojen rajoituksia. Otan käyttöön uuden käsitteen, Laajennetun Fylogeneettisen Puun, joka kuvaa graafisesti proteiiniperheiden kehityshistoriaa ja jonka pohjalta ehdotan uutta menetelmää proteiinien välisten toiminnallisten yhteyksien osoittamiseen. Sovelsin menetelmää proteiinien toiminnallisten yhteyksien ennustamiseen ihmisellä ja hiivalla. Biologisen systeemin ymmärtämisen seuraava vaihe on luoda käsitys sen dynamiikasta. Systeemibiologiassa pyritään ymmärtämään emergenttejä ominaisuuksia eli miten erillisten komponenttien yhteisvaikutuksesta syntyy erityisiä kollektiivisia ominaisuuksia ja toimintoja. Kompleksisen systeemin emergenttit ominaisuudet eivät ole näkyvissä eivätkä suoraan pääteltävissä systeemin alemman tason ominaisuuksista. Synkronointi on esimerkki emergentistä ominaisuudesta. Synkronoinnissa kompleksisen vuorovaikutusverkon yksittäiset komponentit tahdistuvat ja käyttäyvät lähes yhtenäisesti. Työn toisessa osassa käytän laskennallista mallinnusta jäljittelemään yksinkertaistettuja kompleksisia systeemejä. Keskityn selvittämään, kuinka vuorovaikutusverkon topologia vaikuttaa synkronoinnin viriämiseen ja leviämiseen. Esitän yksinkertaisen mutta tehokkaan menetelmän verkon rakenteen rekonstruointiin värähtelevän systeemin, kuten aivojen, toiminnallisen käyttäytymisen perusteella. Tutkin järjestelmällisesti verkon rekonstruoinnin onnistumista eri kytkentälujuuksilla ja erilaisilla verkon topologioilla. Hyödynnän Kuramoton mallia vuorovaikuttavista värähtelijöistä, joka on yksinkertainen mutta riittävä vastaamaan kysymyksiimme. fi
dc.format.mimetype application/pdf fi
dc.language.iso en fi
dc.publisher Helsingin yliopisto fi
dc.publisher Helsingfors universitet sv
dc.publisher University of Helsinki en
dc.relation.isformatof URN:ISBN:978-952-10-8299-3 fi
dc.relation.isformatof Helsinki: 2012, 1799-7372 fi
dc.rights Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty. fi
dc.rights This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited. en
dc.rights Publikationen är skyddad av upphovsrätten. Den får läsas och skrivas ut för personligt bruk. Användning i kommersiellt syfte är förbjuden. sv
dc.subject bioinformatics fi
dc.title Computational Approaches to Biological Network Inference and Modeling in Systems Biology en
dc.type.ontasot Väitöskirja (artikkeli) fi
dc.type.ontasot Doctoral dissertation (article-based) en
dc.type.ontasot Doktorsavhandling (sammanläggning) sv
dc.ths Holm, Liisa fi
dc.opn Ribeiro, Andre fi
dc.type.dcmitype Text fi

Files in this item

Files Description Size Format View/Open
computat.pdf 1.850Mb PDF View/Open
This item appears in the following Collection(s)

Show simple item record

Search Helda


Advanced Search

Browse

My Account