Μοντελοποίηση - Ανακατασκευή Βιολογικών Δικτύων ΕΙΣΑΓΩΓΗ Η έκρηξη πληροφοριών που προσφέρουν οι high-throughput μέθοδοι στη βιολογία οδηγεί αναπόφευκτα στη χρήση νέων αναλυτικών εργαλείων για την επεξεργασία τους. Τα μαθηματικά μοντέλα αποτελούν κορμό της Βιολογίας Συστημάτων και στρέφονται στην ολιστική θεώρηση της επιστήμης, ξεφεύγοντας από την παραδοσιακή ντετερμινιστική προσέγγιση, βοηθώντας στην κατανόηση και εξήγηση των βιολογικών φαινομένων. Επιτρέπουν την θεωρητική και υπολογιστική δυναμική προσομοίωση και ανάλυση των βιολογικών δικτύων και την χρήση μαθηματικών εργαλείων για την κατανόηση των πολύπλοκων βιολογικών μηχανισμών. Τα In silico πειράματα αποτελούν εργαλεία γρήγορης και μαζικής εξακρίβωσης ή μη θεωρητικών υποθέσεων, αντικαθιστώντας έτσι ανά περιπτώσεις τα πολυέξοδα και χρονοβόρα in vivo ή n vitro πειράματα ή βοηθώντας στον καλύτερο σχεδιασμό τους. Μπορούν επίσης να προβλέψουν την απόκριση ενός συστήματος κάτω από συνθήκες που δεν έχουν ή δεν μπορούν να ελεγχθούν. (2) Ένα μαθηματικό μοντέλο περιγράφει ένα σύστημα με μαθηματικούς όρους, χωρίς όμως να είναι μια ακριβής περιγραφή του συστήματος αυτού. Γενικά τα μαθηματικά μοντέλα αποτελούν μια αφαιρετική περιγραφή της πραγματικότητας. Τα βιολογικά φαινόμενα περιγράφονται με μετρήσεις, με αριθμητικές τιμές και μονάδες μέτρησης, και οι σχέσεις μεταξύ των μετρήσεων περιγράφονται με εξισώσεις. Σκοπός τους είναι η κατανόηση του συστήματος, η μελέτη της επίδρασης των διαφόρων συστατικών του και η πρόβλεψη της συμπεριφοράς του. Η μοντελοποίηση ακολουθεί τα εξής βήματα: 1)Ποσοτικοποίηση των μετρήσεων: οι αριθμητικές τιμές που περιγράφουν το σύστημα 2)Περιγραφή ενός δυναμικού κανόνα: περιγραφή του πως οι βασικές μετρήσεις αλλάζουν 3)Ανάπτυξη μοντέλου: μαθηματική μετάφραση των παρατηρήσεων 4)Εύρεση λύσης: χρήση μαθηματικών μεθόδων για πρόβλεψη της συμπεριφοράς του συστήματος 5)Εγγραφή προσομοίωσης: χρήση υπολογιστικών μεθόδων για πρόβλεψη της συμπεριφοράς του συστήματος Η επιλογή του μοντέλου πρέπει να βασίζεται στο είδος των δεδομένων και στο στόχο δημιουργίας του. Ένα μοντέλο με πολλές παραμέτρους πρέπει να μπορεί να περιγράψει με λεπτομέρεια χαμηλούς απλά φαινόμενα και απαιτεί μεγάλη ποσότητα δεδομένων για να δομηθεί. Αντίθετα ένα αφαιρετικό μοντέλο μικρής πολυπλοκότητας μπορεί να επιτύχει στο να αποτυπώσει υψηλού επιπέδου φαινόμενα και απαιτεί μικρότερο όγκο δεδομένων. (1)

(1) Frederik R. Adler, Modeling the dynamics of life, ISBN-13: 978-0-8400-6418-9 (2) Gillespie D. et al., Stochastic modelling of gene regulatory networks, Int. J. Robust Nonlinear Control 2005; 15:691–711