Parametric evolution of a bacterial signalling system formalized by membrane computing
Notice bibliographique
Résumé
In this work, we use particle swarm optimization (PSO) to adjust the parameters of a membrane computing (MC) model of a synthetic autoinducer-2 (AI-2) signalling system in genetically engineered Escherichia coli bacteria. Bacteria release, receive and recognize signalling molecules in order to exchange information. These signalling molecules are responsible for coordinating gene expression at the population level in response to various stimuli such as size of the population, nutrient availability and other biochemical signals. This bacterial cell-to-cell communication is known as Quorum Sensing (QS). AI-2, from Vibrio harveyi, is the signaling molecule of interest in this study. We present a non-deterministic in silico model of Autoinducer-2 Quorum Sensing that is formalized by membrane computing (MC). The model is driven by 23 interaction rules that define biochemical interactions between independent compartments known as membranes. Due to the high dimensionality of this problem as well as lack of data relating to the biochemical parameters of this signalling system, we used a generic particle swarm optimization (PSO) algorithm to discover optimal solutions for the rule stochasticity constants. Our results were compared to the expected trends in quorum sensing behaviour. Ultimately, the results obtained from the PSO are thought to be in accordance with the predicted behaviour of the synthetic AI-2 signalling system.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».