NONLINEAR DYNAMICS OF CELL CYCLES WITH STOCHASTIC MATHEMATICAL MODELS
Notice bibliographique
Résumé
Cell cycles are fundamental components of all living organisms and their systematic studies extend our knowledge about the interconnection between regulatory, metabolic, and signaling networks, and therefore open new opportunities for our ultimate efficient control of cellular processes for disease treatments, as well as for a wide variety of biomedical and biotechnological applications. In the study of cell cycles, nonlinear phenomena play a paramount role, in particular in those cases where the cellular dynamics is in the focus of attention. Quantification of this dynamics is a challenging task due to a wide range of parameters that require estimations and the presence of many stochastic effects. Based on the originally deterministic model, in this paper we develop a hierarchy of models that allow us to describe the nonlinear dynamics accounting for special events of cell cycles. First, we develop a model that takes into account fluctuations of relative concentrations of proteins during special events of cell cycles. Such fluctuations are induced by varying rates of relative concentrations of proteins and/or by relative concentrations of proteins themselves. As such fluctuations may be responsible for qualitative changes in the cell, we develop a new model that accounts for the effect of cellular dynamics on the cell cycle. Finally, we analyze numerically nonlinear effects in the cell cycle by constructing phase portraits based on the newly developed model and carry out a parametric sensitivity analysis in order to identify parameters for an efficient cell cycle control. The results of computational experiments demonstrate that the metabolic events in gene regulatory networks can qualitatively influence the dynamics of the cell cycle.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».