Resumen

La modelización metabólica ha sido particularmente eficiente para entender las condiciones que afectan el metabolismo de un organismo. Pero hasta ahora, los modelos metabólicos han considerado principalmente situaciones estáticas, asumiendo un crecimiento equilibrado. Algunos organismos siempre están lejos del equilibrio, y la modelización metabólica debe tener en cuenta sus dinámicas. Esto lleva a modelos de alta dimensionalidad en los que los flujos metabólicos ya no son constantes, sino que varían dependiendo de las concentraciones intracelulares. Estos modelos metabólicos deben reducirse y simplificarse para que puedan ser calibrados y analizados. Reducir estos modelos de gran dimensión a un modelo de menor dimensión es muy desafiante, especialmente cuando se trata de tasas metabólicas no lineales. Aquí proponemos un enfoque riguroso para reducir modelos metabólicos utilizando la reducción de estado cuasi-estacionario basada en el teorema de Tikhonov, con un error de reducción caracterizado y acotado. Asumimos que la red metabó

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Modelado metabólico; Modelado dinámico; Modelos de alta dimensionalidad; Reducción de estado cuasi-estacionario; Reacciones de Michaelis-Menten; Error de reducción
• Keywords:Metabolic modeling; Dynamic modeling; High-dimensional models; Quasi-steady-state reduction; Michaelis-Menten reactions; Reduction error