برای مدت زیادی تحقیقات در بیولوژی مولکولی بر روی انالیز اجزا مشخصی از شبکه های سلولی (ژن ها، پروتئین ها، متابولیک ها) به صورت مجزا متمرکز شده بود.

با این روش بسیاری از ژن ها مشخص شدند و وظایفشان تفسیر شد. ولی سیستم های بیولوژیک پیچیده هستند و خصوصیاتشان نتیجه ی شبکه ی واکنش های به هم پیوسته ایست که در مکان و زمان در حال گسترش است.

 

مشخصات اساسی سیستم های زنده، مثل جذب مواد مغذی، رشد و تکثیر یا درک و پردازش سیگنال های محیطی می تواند در کوچکترین واحد زنده یعنی سلول به ظهور برسد.

بنابراین درک خواص سیستم های سلولی ضروری است، ولی به روشی نیاز است که واکنش های سلولی و وظایف فیزیولوژیکی که مشخصات کل ارگانیسم هستند را در نظر بگیرد.

خصوصا در درک فرایند های توسعه (developmental processes) و بیماری های پیچیده و چند ژنی (multigenic) که وابسته به عملکرد یک ژن یا جز خاص نیستند، روش های سیستمی اهمیت بیشتری پیدا می‌ کنند⁠.


در طول دهه ی قبل روش تحقیقاتی جدیدی در بیولوژی به نام بیولوژی سیستمی به وجود امد.

بیولوژی سیستمی توضیح می دهد که فیزیولوژی و بیماری در سطح های مختلفی می باشند؛ از مسیر های مولکولی و شبکه های تنظیمی، تا سلول ها و اعضا و نهایتا در سطح کل ارگانیسم یا حتی اکوسیستم.

با استفاده از مدل های کامپیوتری برای این فرایند ها، میتوان برای بیماری ها و یا اثرات درمان، پیش بینی های کامپیوتری ایجاد کرد⁠.

مدل ها دید نسبی ایجاد می کنند و هدفشان توضیح این است که کدام خواص سیستم برای درک ان ضروری و کافی هستند. عملکرد یک مدل به طور کلی با توانایی پیش بینی ان مدل تعیین می شود⁠.

بیولوژی سیستمی در حال ایجاد انقلابی در دانش ما درباره ی مکانیسم بیماری ها و تفسیر داده های حاصل از تکنولوژی های پر بازده (high-throughput technologies) است.

بیولوژی سیستمی مطالعه هماهنگ شده ی سیستم های بیولوژیکی به وسیله ی؛
(۱) بررسی اجزا شبکه های سلولی و روابط انها،
(۲) اجرای تکنیک های ازمایشگاهی پر بازده و کلی ژنوم (whole-genome)،
(۳) ترکیب کردن روش های محاسباتی با تلاش های تجربی می باشد.

روش های بیولوژی سیستمی در سال های گذشته به وسیله ی تکنولوژی های پر بازده به سرعت متحول شدند.

جهش مهم با توالی یابی های (sequencing) بزرگ مانند پروژه ی ژنوم انسان رخ داد که در نتیجه تقریبا کل ژنوم انسانی و دیگر ژنوم ها شناسایی شد⁠.

تکنولوژی های پروتئومیک (Proteomic) برای شناسایی حالت های رمزخوانی (Translation) در مقیاس بزرگ استفاده شدند، مانند 2D-gels و جرم سنجی (mass spectrometry) و ارایه های پروتئینی فاز معکوس (reverse phase protein arrays).

داده های تعامل های پروتئین-پروتئین که اجزای بسیاری را درگیر می کنند اندازه گیری شدند تا اطلاعاتی در سطح پروتئوم (proteome) را بدست دهند⁠.


این اطلاعات اگرچه بسیار مفید هستند ولی به خاطر کمبود برنامه های انالیز منسجم نمیتوان به طور بهینه از انها استفاده کرد.

برای تایید اعتبار این داده ها در گستره ی سلسله مراتب سیستم از DNA و RNA تا پروتئین و شبکه های تعاملی و بعد از ان تا سلول ها، بافت ها، اعضا و حتی کل مجموعه، نیازمند جمع اوری و هماهنگ کردن این چنین اطلاعاتی هستیم.

بنابراین یک بخش مهم از بیولوژی سیستمی ادغام اطلاعات است که اساس گسترش مدل های محاسباتی را فراهم می اورد.

تکنیک های مدل سازی و شبیه سازی برای درک سیستم های بیولوژیک پیچیده ارزشمند هستند.

روش محاسباتی امکان استفاده از شبیه سازی برای پیش بینی رفتار دینامیک سیستم های بیولوژیکی را بنابر مدل های تعریف شده و برای امتحان صحت فرضیات اساسی عرضه کرده است.

برای این منظور، ساخت مدل های کامپیوتری که با مشاهدات تجربی همخوان باشند ضروری است. گسترش این چنین مدلی نیازمند تکرار فرایند زیر می باشد؛


(۱) طراحی مدل مبتنی بر دانش موجود،
(۲) شبیه سازی و تجزیه و تحلیل مدل (model-analysis)،
(۳) که منتج به تولید فرضیات جدید می شود،
که می تواند با ازمایش های تجربی در ازمایشگاه ثابت شود و برای پالایش مدل دوباره استفاده شود.

نوشتن دیدگاه


 

آموزش های گام به گام

سمینار خانه های هوشمند برای دوران پیری

سمینار خانه های هوشمند برای دوران پیری

ادامه مطلب...

دومین دوره مسابقات برنامه نویسی دانش آموزی امیرکبیر

دومین دوره مسابقات برنامه نویسی دانش آموزی امیرکبیر

ادامه مطلب...

دومین دوره مسابقات برنامه نویسی دانش آموزی امیرکبیر

دومین دوره مسابقات برنامه نویسی دانش آموزی امیرکبیر

ادامه مطلب...

مسابقه حل مسائل مهندسی شیمی به کمک کامپیوتر دانشگاه صنعتی شریف

مسابقه حل مسائل مهندسی شیمی به کمک کامپیوتر دانشگاه صنعتی شریف
مسابقه حل مسائل مهندسی شیمی به کمک کامپیوتر دانشگاه صنعتی شریف

ادامه مطلب...