BioUML - интегрированная платформа для построения моделей виртуальной клетки и физиологических функций человека Колпаков Ф.А. 1,2, Толстых Н.И. 1, Валеев Т.Ф. 1, Киселев И.Н. 1,2, Кутумова Е.О. 1,2, Евшин И.С. 1,3, Семисалов Б.В. 1,2, Шарипов Р.Н. 1,4, Кондрахин Ю.В. 1,2, Кель А.Э. 1,5 1 ООО «Институт системной биологии», г. Новосибирск, 2 КТИ ВТ СО РАН, г. Новосибирск, 3 НГУ, г. Новосибирск 4 ИЦиГ СО РАН, г. Новосибирск 5 geneXplain GmbH, г. Вольфенбютель, Германия

План доклада Технология BioUML Методология разработка компьютерной техники: визуальное моделирование ( графическая нотация) модульный подход определение интерфейсов переключатели разработка программного обеспечения итерационный подход функциональные тесты социальные технологии совместные исследования (collaborative research) crowdsourcing Новые экспериментальные данные Модель виртуальной клетки (концепция) Текущие результаты Virtual cell GTRD – Gene Transcription Regulation Database модели регуляции генной экспрессии генов Proteome – база данных о количестве белков в клетке Apoptosis - модель апоптоза из 13 модулей. Virtual Human – база данных моделей различных физиологических функций человека. Содержит более 40 модулей связанных с работой сердечнососудистой системы и почки.

Технология

BioUML platform BioUML is an open source integrated platform for systems biology that spans the comprehensive range of capabilities including access to databases with experimental data, tools for formalized description, visual modeling and analyses of complex biological systems. Due to scripts (R, JavaScript) and workflow support it provides powerful possibilities for analyses of high-throughput data. Plug-in based architecture (Eclipse run time from IBM is used) allows to add new functionality using plug-ins. BioUML platform consists from 3 parts: BioUML server – provides access to biological databases; BioUML workbench – standalone application. BioUML web edition – web interface based on AJAX technology;

supported standards: SBML, SBGN, BioPAX, SED-ML, SBO, MIRIAM, CellML – some examples, CellDesigner extension support – state concept – SED-ML as workflow Modular modelling: composite models, agent based models systems biology – reproducible highthroughput data analyses: analyses: algorithms, scripts, workflows integration with R/Bioconductor, Galaxy data: microarrays, NGS, ChIP-SEQ visualization: genome browser BioUML – as platform for collaborative research – Amazon EC2 servers – data repository - groups, projects, import/export, FTP upload – chat, history Main features

R world Java/BioUML world JavaScript host objects allows to merge R/Bioconductor and Java/BioUML worlds

Main platforms for bioinformatics and BioUML Taverna standalone application powerful workflows Galaxy workflows, web interface, collaborative research, genome browser scripts, statistics, plots R/Bioconductor BioUML platform standalone application powerful workflows web interface, collaborative research genome browser scripts, statistics, plots BioClipse Eclipse plug-in based architecture, chemoinformatics Eclipse plug-in based architecture, chemoinformatics

Main platforms for bioinformatics and BioUML Taverna standalone application powerful workflows Galaxy workflows, web interface, collaborative research, genome browser scripts, statistics, plots R/Bioconductor BioUML platform standalone application powerful workflows web interface, collaborative research genome browser scripts, statistics, plots + systems biology visual modelling simulation parameters fitting … + chat for on-line consultations BioClipse Eclipse plug-in based architecture, chemoinformatics Eclipse plug-in based architecture, chemoinformatics

Методология разработка компьютерной техники: визуальное моделирование (графическая нотация) модульный подход четкое определение интерфейсов переключатели (состояние) разработка программного обеспечения итерационный подход функциональные тесты социальные технологии совместные исследования (collaborative research) crowdsourcing

Yuri Lazebnik Can a biologist fix a radio?Or, what I learned while studying apoptosis. Cancer Cell, 2002, 2(3):

Biologist view Engineers view 2002 However, I hope that it is only a question of time before a user-friendly and flexible formal language will be taught to biology students, as it is taught to engineers, as a basic requirement for their future studies. My advice to experimental biologists is to be prepared. Y. Lazebnik, 2002

TNF-α module (SBGN) 2010 Standards in systems biology SBML – Systems Biology Markup Language SBGN – Systems Biology Graphics Notation

Biologist view Engineers view

Biologist view Engineers view Last centaury: th

Modular design

Modules: clear specification of interfaces input/output contacts

Функциональные тесты

Новые экспериментальные данные

Global quantification of mammalian gene expression control. Schwanhäusser B, Busse D, Li N, Dittmar G, Schuchhardt J, Wolf J, Chen W, Selbach M. Nature May 19; 473(7347): фибробласты мыши - одновременное измерение транскриптома и протеома для генов - измерено время полураспада для всех мРНК и соответствующих белков - построена полногеномная модель для предсказания скорости синтеза мРНК и белков Deep proteome and transcriptome mapping of a human cancer cell line. Nagaraj N, Wisniewski JR, Geiger T, Cox J, Kircher M, Kelso J, Pääbo S, Mann M. Mol Syst Biol Nov 8;7:548. doi: /msb HeLa cells - число молекул для белков и 9207 соответствующих РНК - проведенный анализ показывает, что покрыто большинство белков и РНК кодирующих генов The quantitative proteome of a human cell line. Beck M, Schmidt A, Malmstroem J, Claassen M, Ori A, Szymborska A, Herzog F, Rinner O, Ellenberg J, Aebersold R. Mol Syst Biol Nov 8;7:549. doi: /msb человек, остеосаркома – U20S клеточная линия - количество молекул для белков - диапазон измерений – 7 порядков, от десятков до молекул белка на клетку.

Схема эксперимента

Виртуальная клетка концепция модели

Базовая модель на основе данных Schwanhäusser et al, транскриптом - протеом - параметры - для мРНК – k synth-RNA, k degr-RNA - для белков - k transl-p, k degr-p

Базовая модель на основе данных Schwanhäusser et al, транскриптом - протеом - параметры - для мРНК – k synth-RNA, k degr-RNA - для белков - k transl-P, k degr-P воздействие транскриптом (виртуальный микрочиповый эксперимент) протеом предсказание эксперимент микрочип NGS мас-спекрометрия сравнение

Базовая модель на основе данных Schwanhäusser et al, транскриптом - протеом - параметры - для мРНК – k synth-RNA, k degr-RNA - для белков - k transl-P, k degr-P воздействие моделирование воздействия: - путь передачи сигнала - задействованные гены - модели регуляции транскрипции соответствующих генов - базовая модель - транскрипция мРНК - трансляция белок

геномнабор регуляторных сайтов, полученных в результате мета-анализа данных: ChIP-SEQ предсказанных сайтов эволюционно-консервативных районов микрочиповых экспериментов математические модели на основе геномных и транскриптомных данных транскриптом протеом регуляторные пути система АДУ + дискретные события модификации белков образование комплексов функции F для регуляции: транскрипции, трансляции, распада белков (например, через убиквитинирование) метаболомсистема ОДУ GTRD Apoptosis GTRD Proteome Экспериментальные данные: - Schwanhausser et al., Beck et al., Nagaraj N., 2011 Ubiquitomix

Текущие результаты

Целью которой является: - построение моделей регуляции генной экспрессии для всех генов человека, мыши и крысы - ежеквартальное обновление моделей на основе вновь появляющихся данных в полуавтоматическом режиме на основе сценариев (workflow) Модели строятся на 2 уровнях: 1) набор сайтов связывания транскрипционных факторов, полученных в ходе мета-анализа на основе данных: - ChIP-SEQ - предсказанных сайтов - эволюционно-консервативных районов - микрочиповых экспериментов. 2) математические модели регуляции отдельных генов, представленные в виде дифференциальных уравнений; GTRD Gene Transcription Regulation Database

Фрагмент сценария для автоматической обработки ChIP-Seq данных

Моделирование генной экспрессии - гены прямо или косвенно влияющие на его экспрессию (регуляторы). - уровень экспрессии i-того гена-регулятора в момент времени t. - экспрессия гена-мишени в момент времени t. Задачи: 1.Составление списка генов-регуляторов – на основе GTRD. 2.Выбор регуляторной функции (т.е. выбор модели). Модель регуляции гена-мишени: Фиксируем ген-мишень G. Исходные данные:

Варианты моделей 2. Простая нелинейная модель: 1. Линейная модель со сдвигом: 3. Стохастическая нелинейная модель: где- сигма-функция.

Proteome

Apoptosis На данный момент содержит наиболее полную модель апоптоза, включающую 13 модулей 286 белков и их комплексов 684 реакции 719 параметров Прототип базы данных модулей (математический моделей) для регуляторных и метаболических путей.

Modular model of apoptosis

Mitochondron module (BMOND ID: Int_Mitoch_module) Bagci EZ, et al, Biophysical J 2006 Albeck JG, et al, PLoS Biol 2008 Additions: Activation of CREB and deactivation of BAD by Akt- PP and ERK-PP Upregulation of Bcl-2 by CREB Bcl-2 suppression by p53

EGF module ( BMOND ID: Int_EGF_module) Schoeberl B, et al: Nature Biotechnology 2002 Borisov N, et al: Molecular Systems Biology 2009 Additions: Reactions of protein syntheses and degradations

Bentele M, 2004 Neumann L, 2010 CD95L module and results of fitting its dynamics to experimental data

top-down Modular model allows us to combine both up-down and bottom-up approaches bottom-up

Virtual human Virtual (Physiological) Human – база данных моделей различных физиологических функций человека. На данный момент содержит более 40 модулей связанных с работой сердечнососудистой системы и почки: проанализированы существующие модели сердечно- сосудистой системы человека; разработан подход к объединению моделей с различным математическим формализмом на основе агентного моделирования; выбранные модели объединены в комплексную модель сердечно-сосудистой системы человека; комплексную модель валидирована с использованием экспериментальных данных.

Агентное моделирование

Элементы блочной модели

BioUML

Модель сердечных сокращений Солодянников Ю. В. Элементы математического моделирования и идентификация системы кровообращения. Самара. Изд-во Самар. ун-та, с. Q – поток P – давление R – сопротивление V – объем DO 2 – кислородный долг H – нейрогуморальный фактор

Пример работы модели Среднее артериальное давление Поток крови из желудочка в артерии Поток крови через капилляры мм рт. ст.мл/сек сек

Модель почечной регуляции Karaaslan F. et al. Long-term mathematical model involving renal sympathetic nerve activity, arterial pressure, and sodium excretion. Ann Biomed Eng (11):

Модель почечной регуляции ОбозначениеОписание e aum Эффект автономной нервной системы. C adh Концентрация антидиуретического гормона. C anp Концентрация натриуретического пептида. C al Концентрация альдостерона. C at Концентрация ангиотензина. CrCr Концентрация ренина. С sod Концентрация натрия. Fi co Сердечный выброс (минутный объем). Fi u Скорость тока мочи. P ma Среднее артериальное давление. P mf Среднее наполняющее давление. P ra Давление в правом предсердии. RАртериальное сопротивление. rsnaПочеченая симпатическая нервная активность. vasВаскуляризация. V ecf Объем внеклеточной жидкости.

Пример работы модели Среднее артериальное давление мм рт. ст. Общее время эксперимента – 7 дней. Потребоение соли увеличено с до 0.26 мЭкв/л через 50 часов после начала эксперимента и уменьшено до 0.02 мЭкв/л через 133 часа.

Модель артериального дерева Возможные граничных условий на выходе из сердца и на концах последних артериях: 1. Зависимость давления от времени p(t) 2. Зависимость площади от времени A(t) 3. Зависимость потока от времени Q(t) 4. Условие фильтрации: Q = K D (p-p v )

Пример работы модели Профиль давления на входе в аорту На выходе – постоянное давление 70 мм. рт. ст.

Объединение моделей, шаг 1

Среднее давление Среднее сопротивление Поток на выходе Объем крови Поток на входе Давление на входе Сопротивление на выходе

Комплексная модель ССС человека

Trash

Acknowledgements Part of this work was partially supported by the grant: European Committee grant Net2Drug European Committee grant LipidomicNet Integration and interdisciplinary grants 16, 91 of SB RAS. BioUML team Software developers Biologists Nikita Tolstyh Ilya Kiselev Ruslan Sharipov Tagir Valeev Elena KutumovaIvan Yevshin Anna Ryabova Alexey Shadrin