• esyn Petri Net system biology lievito yeast reti v

Il presente lavoro è consistito nella creazione ed ottimizzazione di una rete virtuale di lievito, che possa predire i risultati di esperimenti su ceppi di lievito mutati; esso ha pertanto richiesto i seguenti passi:

1) Creazione di un modello simulabile di S. cerevisiae, impiegando il linguaggio delle Petri Nets; la rete definitiva si estende dai livelli generici schematizzati fino ai livelli specifici in cui i singoli processi sono descritti in dettaglio.

2) Creazione di scripts per simulare ed ottimizzare il modello; lo script di simulazione coniuga le regole delle Petri Nets e l’algoritmo di Gillespie, mentre il “training e testing” impiegano lo script di simulazione all’interno di un metodo Monte Carlo.

3) Acquisizione dati per la fase di training: misure sperimentali della fluorescenza delle GFP citoplasmatica ed endoplasmatica in ceppi mutanti. Altri dati sulla fluorescenza della GFP, trascrizionalmente indotta dalla UPR, sono stati ottenuti da Jonikas et al (2009).
4) "Training e testing” per ottimizzare la rete affinché mostri le proprietà cercate.

Ho inoltre contribuito alla progettazione di esyN (Bean et al, 2014), un sito per la costruzione e condivisione di Petri Nets, fornendo anche gli script necessari per la simulazione ed analisi delle sue reti in ambiente R.




This work has consisted in the creation and optimization of a yeast virtual cell, which should be able to predict the results of experiments performed on mutant yeast strains. Therefore, it has required the following steps:

1) Creation of a simulable model of S. Cerevisiae by employing the Petri Net language. The final network spans from a generic, schematic layer to specific layers, where cellular processes are described in details.

2) Creation of scripts for simulating and optimizing the model. The simulation script employs Petri Net firing rules and the Gillespie algorithm, whereas the “training and testing” stage employ that simulation script inside a Monte Carlo method.

3) Acquisition of data for the training stage: experimental measures of cytoplasmic and endoplasmic GFP in yeast mutant strains. Jonikas et al. (2009) have provided other data on the GFP fluorescence, transcriptionally induced by the UPR.
4) “Training and testing” for optimizing the network so that it may show the required features.

I have also contributed to the creation of esyN (Bean et al, 2014), a web tool for building and sharing Petri Nets; I have also provided all the scripts required for simulating and analysing its output networks inside a R environment.