عنوان پایان‌نامه
شناسایی حالت های پایه ای در شبکه های متابولیکی
- رشته تحصیلی
- بیوتکنولوژی
- مقطع تحصیلی
- دکتری تخصصی پیوسته
- محل دفاع
- کتابخانه پردیس علوم شماره ثبت: 5048;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 58471
- تاریخ دفاع
- ۰۹ تیر ۱۳۹۲
- دانشجو
- شایان تابع بردبار
- استاد راهنما
- سیدامیر مرعشی
- چکیده
- حالتهای پایه ای، بردارهای شار در حالت تعادل شبکه ی متابولیکی با مجموعه ی حداقلی واکنشهای فعال هستند. هر حالت پایه متناظر با یک مسیر متابولیکی است. بنابراین مطالعه ی حالتهای پایه ای برای تولید متابولیتهای مهم از لحاظ بیوتکنولوژی، مفید است. از آنجا که در مورد اکثر شبکه های متابولیکی ژنوم مقیاس بدلیل اتمام حافظه هیچ حالت پایه ای قابل محاسبه نیست، این احتیاج به حافظه می تواند کاربردهای حالتهای پایه را مخدوش کند. در این مطالعه، ما روشی بر اساس نمونه گیری تصادفی برای محاسبه ی حالتهای پایه ای ارائه می کنیم. در این روش، یک الگوریتم کاهش شبکه، بر پایه ی روشهای موازنه شار، برای محاسبه ی حالتهای پایه مورد استفاده قرار می گیرد. ما نشان می دهیم که این روش با موفقیت برای بازیابی حالتهای پایه ای در شبکه های متوسط مقیاس و ژنوم مقیاس مورد استفاده قرار گرفت و حالتهای پایه به شکلی کاملا غیر جهتدار نمونهگیری شده اند. قابل استفاده بودن این نتایج به وسیله ی محاسبه ی مقادیر تخمینی شارهای کنترل مؤثر در شبکه ی متابولیکی ای کولای، نشان داده شده است.
- Abstract
- Elementary modes (EMs) are steady-state metabolic flux vectors with minimal set of active reactions. Each EM corresponds to a metabolic pathway. Therefore, studying EMs is helpful for analyzing the production of biotechnologically important metabolites. However, memory requirements for computing EMs may hamper their applicability, as in most genome-scale metabolic models no EM can be computed due to running out of memory. In this study, we present a method for computing randomly sampled EMs. In this approach, a network reduction algorithm is used for EM computation, which is based on flux balance-based methods. We show that this approach can be used to successfully recover the EMs in the medium- and genome-scale metabolic network models, while the EMs are sampled in an unbiased way. The applicability of such results is shown by computing “estimated” control-effective flux values in Escherichia coli metabolic network.
