Desarrollo de una herramienta de software libre para el modelado de la expresión génica de poblaciones celulares

Los procesos biológico sal interior de las células, tales como la expresión génica, son el resultado de una serie de interacciones entre diferentes tipos de moléculas y reacciones que toman lugar dentro de un determinado sistema biológico. Dichos procesos pueden ser aproximados de forma práctica a t...

Full description

Autores:
Saavedra Arce, Brayam Andrés
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2021
Institución:
Universidad Autónoma de Occidente
Repositorio:
RED: Repositorio Educativo Digital UAO
Idioma:
spa
OAI Identifier:
oai:red.uao.edu.co:10614/13071
Acceso en línea:
https://hdl.handle.net/10614/13071
https://red.uao.edu.co/
Palabra clave:
Ingeniería Biomédica
Sistema biológico
Expresión génica
Simulación
Modelando
Inferencia de parámetros
Bioinformática
Población celular
Desarrollo de software
Bioinformatics
Cell populations
Computer software-Development
Rights
openAccess
License
Derechos Reservados - Universidad Autónoma de Occidente, 2021
id REPOUAO2_99c28675693e6ef841cbeca57456bab3
oai_identifier_str oai:red.uao.edu.co:10614/13071
network_acronym_str REPOUAO2
network_name_str RED: Repositorio Educativo Digital UAO
repository_id_str
dc.title.spa.fl_str_mv Desarrollo de una herramienta de software libre para el modelado de la expresión génica de poblaciones celulares
title Desarrollo de una herramienta de software libre para el modelado de la expresión génica de poblaciones celulares
spellingShingle Desarrollo de una herramienta de software libre para el modelado de la expresión génica de poblaciones celulares
Ingeniería Biomédica
Sistema biológico
Expresión génica
Simulación
Modelando
Inferencia de parámetros
Bioinformática
Población celular
Desarrollo de software
Bioinformatics
Cell populations
Computer software-Development
title_short Desarrollo de una herramienta de software libre para el modelado de la expresión génica de poblaciones celulares
title_full Desarrollo de una herramienta de software libre para el modelado de la expresión génica de poblaciones celulares
title_fullStr Desarrollo de una herramienta de software libre para el modelado de la expresión génica de poblaciones celulares
title_full_unstemmed Desarrollo de una herramienta de software libre para el modelado de la expresión génica de poblaciones celulares
title_sort Desarrollo de una herramienta de software libre para el modelado de la expresión génica de poblaciones celulares
dc.creator.fl_str_mv Saavedra Arce, Brayam Andrés
dc.contributor.advisor.none.fl_str_mv González Vargas, Andrés Mauricio
dc.contributor.author.none.fl_str_mv Saavedra Arce, Brayam Andrés
dc.contributor.corporatename.spa.fl_str_mv Universidad Autónoma de Occidente
dc.subject.spa.fl_str_mv Ingeniería Biomédica
Sistema biológico
Expresión génica
Simulación
Modelando
Inferencia de parámetros
topic Ingeniería Biomédica
Sistema biológico
Expresión génica
Simulación
Modelando
Inferencia de parámetros
Bioinformática
Población celular
Desarrollo de software
Bioinformatics
Cell populations
Computer software-Development
dc.subject.armarc.spa.fl_str_mv Bioinformática
Población celular
Desarrollo de software
dc.subject.armarc.eng.fl_str_mv Bioinformatics
Cell populations
Computer software-Development
description Los procesos biológico sal interior de las células, tales como la expresión génica, son el resultado de una serie de interacciones entre diferentes tipos de moléculas y reacciones que toman lugar dentro de un determinado sistema biológico. Dichos procesos pueden ser aproximados de forma práctica a través del uso de ecuaciones diferenciales. Sin embargo, en la experimentación, el producto de un proceso de expresión génica puede variar a lo largo de una población de células homogéneas. Dicha población puede ser estudiada in silico mediante la estimación de los parámetros que caracterizan su comportamiento. Los métodos computacionales por los cuales se simula y se modela la expresión de una población son tareas que requieren de un gran conocimiento tanto a nivel biológico como de los algoritmos utilizados para su aproximación. Por lo tanto, el objetivo de este trabajo es proponer una herramienta para el modelado de la expresión génica de poblaciones celulares. En primer lugar, se recopilaron los aspectos fundamentales tenidos en cuenta por el paradigma de la biología de sistemas, para plantear una metodología de diseño de la herramienta e implementar algunos algoritmos que permitan obtener una introducción en el área. En este trabajo, se desarrolla una interfaz de usuario mediante la cual las personas interesadas en aprender sobre sistemas biológicos en poblaciones celulares puedan comprender conceptos básicos sobre la definición del sistema, su simulación a partir de diferentes fuentes de variabilidad y su posterior modelado para estimar los parámetros que las caracterizan. La herramienta se implementa en software de uso libre, de tal manera que sea posible acceder a ella de forma abierta. Así, permitiendo una potencial modificación, mejora, o uso de los algoritmos que integran la herramienta. Por último, se evalúa la usabilidad de la herramienta mediante la elaboración de la documentación de su uso y la creación de una experiencia educativa dirigida a estudiantes de Ingeniería Biomédica, en la cual se presenta todo el proceso de modelado de una población celular a través de un caso de estudio
publishDate 2021
dc.date.accessioned.none.fl_str_mv 2021-06-21T19:34:14Z
dc.date.available.none.fl_str_mv 2021-06-21T19:34:14Z
dc.date.issued.none.fl_str_mv 2021-06-16
dc.type.spa.fl_str_mv Trabajo de grado - Pregrado
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_71e4c1898caa6e32
dc.type.coar.eng.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.eng.fl_str_mv Text
dc.type.driver.eng.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.redcol.eng.fl_str_mv https://purl.org/redcol/resource_type/TP
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/10614/13071
dc.identifier.reponame.spa.fl_str_mv Repositorio Educativo Digital
dc.identifier.repourl.spa.fl_str_mv https://red.uao.edu.co/
url https://hdl.handle.net/10614/13071
https://red.uao.edu.co/
identifier_str_mv Repositorio Educativo Digital
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv Almquist, J. (2017). Kinetic Models in Life Science. https://publications.lib.chalmers.se/records/fulltext/253263/253263.pdf
Barizien, A. (2019). Studying the variability of bacterial growth in microfluidic droplets (Doctoral dissertation). Brownlee, J. (2021). A Gentle Introduction to Stochastic Optimization Algorithms [en línea]. Obtenido de https://machinelearningmastery.com/stochasticoptimization- for-machine-learning/.
Cao, Y., Li, H., y Petzold, L. (2004). Efficient formulation of the stochastic simulation algorithm for chemically reacting systems. The journal of chemical physics, 121(9), 4059-4067.
Cinquemani, E. (2019). Identification, estimation and control of gene expression and metabolic network dynamics (Doctoral dissertation, Université Grenoble- Alpes, ED MSTII).
Duveau, F., Hodgins-Davis, A., Metzger, B. P., Yang, B., Tryban, S., Walker, E. A., y Wittkopp, P. J. (2018). Fitness effects of altering gene expression noise in Saccharomyces cerevisiae. Elife, 7, e37272.
El Samad, H., Khammash, M., Petzold, L., y Gillespie, D. (2005). Stochastic modelling of gene regulatory networks. International Journal of Robust and Nonlinear Control: IFAC‐Affiliated Journal, 15(15), 691-711.
Filippi, S., Barnes, C. P., Kirk, P. D., Kudo, T., Kunida, K., McMahon, S. S., y Stumpf, M. P. (2016). Robustness of MEK-ERK dynamics and origins of cell-to-cell variability in MAPK signaling. Cell reports, 15(11), 2524-2535.
Gillespie, D. T., (1977, May). Exact Stochastic Simulation of Coupled Chemical Reactions. The Journal of Physical Chemistry, Vol. 81, No. 25, 1977.
Gillespy2 1.5.7. pypi.org. Python software foundation © 2021.
Gonzalez, A. M., Uhlendorf, J., Schaul, J., Cinquemani, E., Batt, G., & Ferrari- Trecate, G. (2013, July). Identification of biological models from single-cell data: a comparison between mixed-effects and moment-based inference. In 2013 European Control Conference (ECC) (pp. 3652-3657). IEEE.
Gonzalez, A. M. (2014). Modeling of biological processes in cell populations. Doctoral dissertation, University of Pavia.
González, A. M., Cinquemani, E., y Ferrari, G., (2016). Validation methods for population models of gene expression dynamics. IFAC-Papers Online, 49(26), 114-119.
Higham, D. J., (2008). Modeling and simulating chemical reactions. Society for Industrial and Applied Mathematics. SIAM REVIEW. Vol. 50, No. 2, pp. 347 – 368.
Ilie, S., Enright, W. H., y Jackson, K. R., (2009). Numerical solution of stochastic models of biochemical kinetics. CANADIAN APPLIED, MATHEMATICS QUARTERLY, Vol 17, No 3.
Janzén, D., (2012). Standard Two-Stage and Nonlinear mixed effect modelling for determination of cell-to-cell variation of transport parameters in Saccharomyces cerevisiae.
Klipp, E., Liebermeister, W., Wierling, C., y Kowald, A. (2016). Systems biology: a textbook.
John Wiley & Sons. Kitano, H., (2002). Systems Biology: A Brief Overview. Systems Biology: The Genome, Legome, and Beyond. Vol. 295.
Lavielle, M. (2014). Mixed effects models for the population approach: models, tasks, methods, and tools. Chapman and Hall/CRC.
Lei, J., (2011). Stochastic modeling in systems biology. Zhou Pei-Yuan Center for Applied Mathematics. Liebermeister, W. (2012). Construction and control analysis of biochemical network models (Doctoral dissertation, Humboldt-Universität zu Berlin).Lixoft ® 2021.
Llamosi, A., Gonzalez-Vargas, A. M., Versari, C., Cinquemani, E., Ferrari-Trecate, G., Hersen, P., y Batt, G. (2016). What population reveals about individual cell identity: single-cell parameter estimation of models of gene expression in yeast. PLoS computational biology, 12(2), e1004706.
Loos, C., y Hasenauer, J. (2019). Mathematical modeling of variability in intracellular signaling. arXiv preprint arXiv:1904.08182.
Marguet, A., Lavielle, M., y Cinquemani, E. (2019). Inheritance and variability of kinetic gene expression parameters in microbial cells: modeling and inference from lineage tree data. Bioinformatics, 35(14), i586-i595.
Maruthi, L. R., Tkachev, I., Carta, A., Cinquemani, E., Hersen, P., Batt, G., y Abate, A. (2014, November). Towards real-time control of gene expression at the single cell level: a stochastic control approach. In International Conference on Computational Methods in Systems Biology (pp. 155-172).
Springer, Cham. Myung, I. J. (2003). Tutorial on maximum likelihood estimation. Journal of mathematical Psychology, 47(1), 90-100.
Pájaro Diéguez, M. (2017). Mathematical modelling, analysis and numerical simulation for a general class of gene regulatory networks (Doctoral dissertation, Programa de doutoramento en Métodos Matemáticos e Simulación Numérica en Enxeñaría e Ciencias Aplicadas (RD 99/2011)).
Rackauckas, C. (2017). A Comparison between Differential Equation Solver Suites in MATLAB, R, Julia, Python, C, Mathematica, Maple, and Fortran [en línea]. Obtenido de https://www.stochasticlifestyle.com/comparisondifferential- equation-solver-suites-matlab-r-julia-python-c-fortran/.
Ruess, J., y Lygeros, J. (2013, December). Identifying stochastic biochemical networks from single-cell population experiments: A comparison of approaches based on the Fisher information. In 52nd IEEE Conference on Decision and Control (pp. 2703-2708). IEEE.
Schnoerr, D., Sanguinetti, G., y Grima, R., 2015. Comparison of different momentclosure approximations for stochastic chemical kinetics. The journal of chemical physics 143, 185101.
Shlens, J. (2014). Notes on Kullback-Leibler divergence and likelihood. arXiv preprint arXiv:1404.2000.
Singh, A., y Soltani, M. (2013). Quantifying intrinsic and extrinsic variability in stochastic gene expression models. Plos one, 8(12), e84301.
Stan, G. B. (2017). Modelling in biology. Imperial College London. Toni, T., y Tidor, B. (2013). Combined model of intrinsic and extrinsic variability for computational network design with application to synthetic biology. PLoS computational biology, 9(3), e1002960.
Uhlendorf, J., Bottani, S., Fages, F., Hersen, P., & Batt, G. (2011). Towards realtime control of gene expression: Controlling the hog signaling cascade. In Biocomputing 2011 (pp. 338-349).
Wang, D., Stapor, P., y Hasenauer, J. (2019). Dirac mixture distributions for the approximation of mixed effects models. IFAC-PapersOnLine, 52(26), 200- 206.
Zechner, C., Ruess, J., Krenn, P., Pelet, S., Peter, M., Lygeros, J., y Koeppl, H. (2012). Moment-based inference predicts bimodality in transient gene expression. Proceedings of the National Academy of Sciences, 109(21), 8340-8345.
dc.rights.spa.fl_str_mv Derechos Reservados - Universidad Autónoma de Occidente, 2021
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.uri.eng.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.eng.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.creativecommons.spa.fl_str_mv Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
rights_invalid_str_mv Derechos Reservados - Universidad Autónoma de Occidente, 2021
https://creativecommons.org/licenses/by-nc-nd/4.0/
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.spa.fl_str_mv 82 páginas
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Universidad Autónoma de Occidente
dc.publisher.program.spa.fl_str_mv Ingeniería Biomédica
dc.publisher.department.spa.fl_str_mv Departamento de Automática y Electrónica
dc.publisher.faculty.spa.fl_str_mv Facultad de Ingeniería
dc.publisher.place.spa.fl_str_mv Cali
institution Universidad Autónoma de Occidente
bitstream.url.fl_str_mv https://red.uao.edu.co/bitstreams/94fe90a9-cdbc-4fbe-9cbd-bd0a35e90b44/download
https://red.uao.edu.co/bitstreams/adbd4c24-4c7c-471b-af1f-9dedbc5d83fb/download
https://red.uao.edu.co/bitstreams/ba5d6be6-5315-4209-b193-ad04d1bb2077/download
https://red.uao.edu.co/bitstreams/3f7856f4-8645-4c22-a0fb-36b92088fcd5/download
https://red.uao.edu.co/bitstreams/b8a6d7f3-f424-40fe-bf11-ccfc39632661/download
https://red.uao.edu.co/bitstreams/9ae804f3-f243-4033-92af-a89e8b95f0cd/download
https://red.uao.edu.co/bitstreams/ed0a3ab9-b56f-4202-aaf2-21686e185083/download
https://red.uao.edu.co/bitstreams/95bf844b-f247-497b-bd25-92e30bb95d0c/download
https://red.uao.edu.co/bitstreams/b9e322fb-3d32-4296-bf11-f308a923a8cd/download
https://red.uao.edu.co/bitstreams/24ec3090-068a-4438-a510-841ce4e1534d/download
https://red.uao.edu.co/bitstreams/c18822ee-a3dc-4459-a084-c7337818b92f/download
https://red.uao.edu.co/bitstreams/263e8d71-7ef8-4f81-b6b9-84a4e4d95d94/download
https://red.uao.edu.co/bitstreams/719c3a89-c299-4c22-8524-91bb7a31bdc3/download
https://red.uao.edu.co/bitstreams/2dbba38d-af94-4540-b344-3c490d57e40a/download
https://red.uao.edu.co/bitstreams/fb5067bf-5956-42a1-8c52-10304655ab41/download
https://red.uao.edu.co/bitstreams/b9787c2c-68be-42cc-afe8-47bd15e80740/download
https://red.uao.edu.co/bitstreams/2c44e0c0-cc8d-479f-9afb-0b3e3c271711/download
https://red.uao.edu.co/bitstreams/bd61e0b5-5a8e-467a-9d62-dd0deca35f17/download
https://red.uao.edu.co/bitstreams/7b4d76ea-6514-4c20-82ce-afa3dda669ab/download
https://red.uao.edu.co/bitstreams/1d65824c-5483-4a8d-bf9a-fc9238c2e1c0/download
https://red.uao.edu.co/bitstreams/852b4985-da56-40e8-9c44-bd4eda9427c8/download
https://red.uao.edu.co/bitstreams/128dfeb4-1264-4f77-af84-cf515feceb36/download
bitstream.checksum.fl_str_mv 20b5ba22b1117f71589c7318baa2c560
5318ae70e25b287a2649c587cedd1ccc
470bb0cf94bccf1831ad190f85bb48f1
8f2167b563e5a8530db7f3473960e413
d1cc0256b40c96ad124bf3f88a5494b8
c08909d9ab8e55725c23c0a9bbe7afbd
19e5adf2a9c2827f2bff65de4ba1de33
a2c7320e0e59da4787e2a63afdfd4d77
f47a05f1392c7bc33fdd96562a13ed8a
e4cc3e60af93121fe1c31d84e69f8a42
2cb4a1e1d6eba383a63281f532da9d64
5db8daa65c9f959a68940d049506a71d
492e0d3afcf5c1f3fa8cb37d957ab622
d3a9073a6ffd2eaf5eda718ef8581516
55c7f632528328801392f2ed91ed337b
4f43e481e24b4ee74d64d7b6618ded32
4d3d6e910216a4900ee9b9216af4d26f
440c45e8c69cd25c4e21a3e71e411d75
5ed547ee853941900309d9b0516ecfab
43b7cf81589bdaf2fd0e46dbc097cbb5
695044dbcc6da4b957d6d627c8223efe
3f19ab6b4615be3d34e0a33506cfe15c
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Digital Universidad Autonoma de Occidente
repository.mail.fl_str_mv repositorio@uao.edu.co
_version_ 1828230051951280128
spelling González Vargas, Andrés Mauriciovirtual::2151-1Saavedra Arce, Brayam AndrésUniversidad Autónoma de Occidente2021-06-21T19:34:14Z2021-06-21T19:34:14Z2021-06-16https://hdl.handle.net/10614/13071Repositorio Educativo Digitalhttps://red.uao.edu.co/Los procesos biológico sal interior de las células, tales como la expresión génica, son el resultado de una serie de interacciones entre diferentes tipos de moléculas y reacciones que toman lugar dentro de un determinado sistema biológico. Dichos procesos pueden ser aproximados de forma práctica a través del uso de ecuaciones diferenciales. Sin embargo, en la experimentación, el producto de un proceso de expresión génica puede variar a lo largo de una población de células homogéneas. Dicha población puede ser estudiada in silico mediante la estimación de los parámetros que caracterizan su comportamiento. Los métodos computacionales por los cuales se simula y se modela la expresión de una población son tareas que requieren de un gran conocimiento tanto a nivel biológico como de los algoritmos utilizados para su aproximación. Por lo tanto, el objetivo de este trabajo es proponer una herramienta para el modelado de la expresión génica de poblaciones celulares. En primer lugar, se recopilaron los aspectos fundamentales tenidos en cuenta por el paradigma de la biología de sistemas, para plantear una metodología de diseño de la herramienta e implementar algunos algoritmos que permitan obtener una introducción en el área. En este trabajo, se desarrolla una interfaz de usuario mediante la cual las personas interesadas en aprender sobre sistemas biológicos en poblaciones celulares puedan comprender conceptos básicos sobre la definición del sistema, su simulación a partir de diferentes fuentes de variabilidad y su posterior modelado para estimar los parámetros que las caracterizan. La herramienta se implementa en software de uso libre, de tal manera que sea posible acceder a ella de forma abierta. Así, permitiendo una potencial modificación, mejora, o uso de los algoritmos que integran la herramienta. Por último, se evalúa la usabilidad de la herramienta mediante la elaboración de la documentación de su uso y la creación de una experiencia educativa dirigida a estudiantes de Ingeniería Biomédica, en la cual se presenta todo el proceso de modelado de una población celular a través de un caso de estudioBiological processes inside cells, such as gene expression, are the outcome of a series of interactions between different kinds of molecules and reactions that take place in a biological system. These processes can be approximated in a practical way usingdifferential equations. However, in experimentation, the product of a gene expression process might be different throughout a homogeneous cell population. In silico, such a population can be studied through the estimation of the parameters that characterize its behavior.Computational methods used to simulate and model the expression of a population are tasks that require having a good knowledge of both at abiological level and algorithms for their approximation. Therefore, the aim of this work is to propose a tool for modeling the gene expression of cell populations. First, fundamental aspects of the biological system paradigm are gathered to present a tool design methodology and implement some algorithms that allow to introduce beginners to the field. Inthis work, a user interface is developed so it could help others interested in biological systems in cell populations to obtain insights about basic topics on biological systems definition, simulatingfrom several variability sources and subsequent modelling to estimate parameters.Freely usable software is used for the tool implementation;thus, it is possible to get open access to it and potentially modify, enhance,or use the implemented algorithms.Lastly, tool usability is assessed through the creation of user documentation and a learning experience aimed at students ofBiomedical Engineering.The latter presents the general process of modelling a cell population describing a case studyProyecto de grado (Ingeniero Biomédico)-- Universidad Autónoma de Occidente, 2021PregradoIngeniero(a) Biomédico(a)82 páginasapplication/pdfspaUniversidad Autónoma de OccidenteIngeniería BiomédicaDepartamento de Automática y ElectrónicaFacultad de IngenieríaCaliDerechos Reservados - Universidad Autónoma de Occidente, 2021https://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)http://purl.org/coar/access_right/c_abf2Ingeniería BiomédicaSistema biológicoExpresión génicaSimulaciónModelandoInferencia de parámetrosBioinformáticaPoblación celularDesarrollo de softwareBioinformaticsCell populationsComputer software-DevelopmentDesarrollo de una herramienta de software libre para el modelado de la expresión génica de poblaciones celularesTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttps://purl.org/redcol/resource_type/TPhttp://purl.org/coar/version/c_71e4c1898caa6e32Almquist, J. (2017). Kinetic Models in Life Science. https://publications.lib.chalmers.se/records/fulltext/253263/253263.pdfBarizien, A. (2019). Studying the variability of bacterial growth in microfluidic droplets (Doctoral dissertation). Brownlee, J. (2021). A Gentle Introduction to Stochastic Optimization Algorithms [en línea]. Obtenido de https://machinelearningmastery.com/stochasticoptimization- for-machine-learning/.Cao, Y., Li, H., y Petzold, L. (2004). Efficient formulation of the stochastic simulation algorithm for chemically reacting systems. The journal of chemical physics, 121(9), 4059-4067.Cinquemani, E. (2019). Identification, estimation and control of gene expression and metabolic network dynamics (Doctoral dissertation, Université Grenoble- Alpes, ED MSTII).Duveau, F., Hodgins-Davis, A., Metzger, B. P., Yang, B., Tryban, S., Walker, E. A., y Wittkopp, P. J. (2018). Fitness effects of altering gene expression noise in Saccharomyces cerevisiae. Elife, 7, e37272.El Samad, H., Khammash, M., Petzold, L., y Gillespie, D. (2005). Stochastic modelling of gene regulatory networks. International Journal of Robust and Nonlinear Control: IFAC‐Affiliated Journal, 15(15), 691-711.Filippi, S., Barnes, C. P., Kirk, P. D., Kudo, T., Kunida, K., McMahon, S. S., y Stumpf, M. P. (2016). Robustness of MEK-ERK dynamics and origins of cell-to-cell variability in MAPK signaling. Cell reports, 15(11), 2524-2535.Gillespie, D. T., (1977, May). Exact Stochastic Simulation of Coupled Chemical Reactions. The Journal of Physical Chemistry, Vol. 81, No. 25, 1977.Gillespy2 1.5.7. pypi.org. Python software foundation © 2021.Gonzalez, A. M., Uhlendorf, J., Schaul, J., Cinquemani, E., Batt, G., & Ferrari- Trecate, G. (2013, July). Identification of biological models from single-cell data: a comparison between mixed-effects and moment-based inference. In 2013 European Control Conference (ECC) (pp. 3652-3657). IEEE.Gonzalez, A. M. (2014). Modeling of biological processes in cell populations. Doctoral dissertation, University of Pavia.González, A. M., Cinquemani, E., y Ferrari, G., (2016). Validation methods for population models of gene expression dynamics. IFAC-Papers Online, 49(26), 114-119.Higham, D. J., (2008). Modeling and simulating chemical reactions. Society for Industrial and Applied Mathematics. SIAM REVIEW. Vol. 50, No. 2, pp. 347 – 368.Ilie, S., Enright, W. H., y Jackson, K. R., (2009). Numerical solution of stochastic models of biochemical kinetics. CANADIAN APPLIED, MATHEMATICS QUARTERLY, Vol 17, No 3.Janzén, D., (2012). Standard Two-Stage and Nonlinear mixed effect modelling for determination of cell-to-cell variation of transport parameters in Saccharomyces cerevisiae.Klipp, E., Liebermeister, W., Wierling, C., y Kowald, A. (2016). Systems biology: a textbook.John Wiley & Sons. Kitano, H., (2002). Systems Biology: A Brief Overview. Systems Biology: The Genome, Legome, and Beyond. Vol. 295.Lavielle, M. (2014). Mixed effects models for the population approach: models, tasks, methods, and tools. Chapman and Hall/CRC.Lei, J., (2011). Stochastic modeling in systems biology. Zhou Pei-Yuan Center for Applied Mathematics. Liebermeister, W. (2012). Construction and control analysis of biochemical network models (Doctoral dissertation, Humboldt-Universität zu Berlin).Lixoft ® 2021.Llamosi, A., Gonzalez-Vargas, A. M., Versari, C., Cinquemani, E., Ferrari-Trecate, G., Hersen, P., y Batt, G. (2016). What population reveals about individual cell identity: single-cell parameter estimation of models of gene expression in yeast. PLoS computational biology, 12(2), e1004706.Loos, C., y Hasenauer, J. (2019). Mathematical modeling of variability in intracellular signaling. arXiv preprint arXiv:1904.08182.Marguet, A., Lavielle, M., y Cinquemani, E. (2019). Inheritance and variability of kinetic gene expression parameters in microbial cells: modeling and inference from lineage tree data. Bioinformatics, 35(14), i586-i595.Maruthi, L. R., Tkachev, I., Carta, A., Cinquemani, E., Hersen, P., Batt, G., y Abate, A. (2014, November). Towards real-time control of gene expression at the single cell level: a stochastic control approach. In International Conference on Computational Methods in Systems Biology (pp. 155-172).Springer, Cham. Myung, I. J. (2003). Tutorial on maximum likelihood estimation. Journal of mathematical Psychology, 47(1), 90-100.Pájaro Diéguez, M. (2017). Mathematical modelling, analysis and numerical simulation for a general class of gene regulatory networks (Doctoral dissertation, Programa de doutoramento en Métodos Matemáticos e Simulación Numérica en Enxeñaría e Ciencias Aplicadas (RD 99/2011)).Rackauckas, C. (2017). A Comparison between Differential Equation Solver Suites in MATLAB, R, Julia, Python, C, Mathematica, Maple, and Fortran [en línea]. Obtenido de https://www.stochasticlifestyle.com/comparisondifferential- equation-solver-suites-matlab-r-julia-python-c-fortran/.Ruess, J., y Lygeros, J. (2013, December). Identifying stochastic biochemical networks from single-cell population experiments: A comparison of approaches based on the Fisher information. In 52nd IEEE Conference on Decision and Control (pp. 2703-2708). IEEE.Schnoerr, D., Sanguinetti, G., y Grima, R., 2015. Comparison of different momentclosure approximations for stochastic chemical kinetics. The journal of chemical physics 143, 185101.Shlens, J. (2014). Notes on Kullback-Leibler divergence and likelihood. arXiv preprint arXiv:1404.2000.Singh, A., y Soltani, M. (2013). Quantifying intrinsic and extrinsic variability in stochastic gene expression models. Plos one, 8(12), e84301.Stan, G. B. (2017). Modelling in biology. Imperial College London. Toni, T., y Tidor, B. (2013). Combined model of intrinsic and extrinsic variability for computational network design with application to synthetic biology. PLoS computational biology, 9(3), e1002960.Uhlendorf, J., Bottani, S., Fages, F., Hersen, P., & Batt, G. (2011). Towards realtime control of gene expression: Controlling the hog signaling cascade. In Biocomputing 2011 (pp. 338-349).Wang, D., Stapor, P., y Hasenauer, J. (2019). Dirac mixture distributions for the approximation of mixed effects models. IFAC-PapersOnLine, 52(26), 200- 206.Zechner, C., Ruess, J., Krenn, P., Pelet, S., Peter, M., Lygeros, J., y Koeppl, H. (2012). Moment-based inference predicts bimodality in transient gene expression. Proceedings of the National Academy of Sciences, 109(21), 8340-8345.GeneralPublicationhttps://scholar.google.com.co/citations?user=oj5Tle8AAAAJ&hl=esvirtual::2151-10000-0001-6393-7130virtual::2151-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001345355virtual::2151-16053e64e-a34d-4652-8fa2-6c0440556f15virtual::2151-16053e64e-a34d-4652-8fa2-6c0440556f15virtual::2151-1LICENSElicense.txtlicense.txttext/plain; charset=utf-81665https://red.uao.edu.co/bitstreams/94fe90a9-cdbc-4fbe-9cbd-bd0a35e90b44/download20b5ba22b1117f71589c7318baa2c560MD58ORIGINALT09841_Desarrollo de una herramienta de software libre para el modelado de la expresión génica de poblaciones celulares.pdfT09841_Desarrollo de una herramienta de software libre para el modelado de la expresión génica de poblaciones celulares.pdfArchivo texto completo del trabajo de grado en pdfapplication/pdf1013696https://red.uao.edu.co/bitstreams/adbd4c24-4c7c-471b-af1f-9dedbc5d83fb/download5318ae70e25b287a2649c587cedd1cccMD59T9841A_Anexo A.Documentación técnica.pdfT9841A_Anexo A.Documentación técnica.pdfAnexo Aapplication/pdf555802https://red.uao.edu.co/bitstreams/ba5d6be6-5315-4209-b193-ad04d1bb2077/download470bb0cf94bccf1831ad190f85bb48f1MD510T9841B_Anexo B Anexo B. Taller experiencia educativa.pdfT9841B_Anexo B Anexo B. Taller experiencia educativa.pdfAnexo B Anexo B. Taller experiencia educativaapplication/pdf6682208https://red.uao.edu.co/bitstreams/3f7856f4-8645-4c22-a0fb-36b92088fcd5/download8f2167b563e5a8530db7f3473960e413MD511T9841C_Anexo C Anexo C. Solución de otros casos de estudio.pdfT9841C_Anexo C Anexo C. Solución de otros casos de estudio.pdfAnexo C. Solución de otros casos de estudioapplication/pdf8466966https://red.uao.edu.co/bitstreams/b8a6d7f3-f424-40fe-bf11-ccfc39632661/downloadd1cc0256b40c96ad124bf3f88a5494b8MD512T9841D_Anexo D. Encuesta para evaluar la usabilidad de la herramienta.pdfT9841D_Anexo D. Encuesta para evaluar la usabilidad de la herramienta.pdfAnexo D. Encuesta para evaluar la usabilidad de la herramientaapplication/pdf475746https://red.uao.edu.co/bitstreams/9ae804f3-f243-4033-92af-a89e8b95f0cd/downloadc08909d9ab8e55725c23c0a9bbe7afbdMD513T9841E_Anexo E Quiz para evaluar la opción de conocimientos durante la experiencia educativa.pdfT9841E_Anexo E Quiz para evaluar la opción de conocimientos durante la experiencia educativa.pdfAnexo E Quiz para evaluar la opción de conocimientos durante la experiencia educativaapplication/pdf345039https://red.uao.edu.co/bitstreams/ed0a3ab9-b56f-4202-aaf2-21686e185083/download19e5adf2a9c2827f2bff65de4ba1de33MD514TA9841_Autorización trabajo de grado.pdfTA9841_Autorización trabajo de grado.pdfAutorización para trabajo de gradoapplication/pdf220077https://red.uao.edu.co/bitstreams/95bf844b-f247-497b-bd25-92e30bb95d0c/downloada2c7320e0e59da4787e2a63afdfd4d77MD515TEXTT09841_Desarrollo de una herramienta de software libre para el modelado de la expresión génica de poblaciones celulares.pdf.txtT09841_Desarrollo de una herramienta de software libre para el modelado de la expresión génica de poblaciones celulares.pdf.txtExtracted texttext/plain145211https://red.uao.edu.co/bitstreams/b9e322fb-3d32-4296-bf11-f308a923a8cd/downloadf47a05f1392c7bc33fdd96562a13ed8aMD516T9841A_Anexo A.Documentación técnica.pdf.txtT9841A_Anexo A.Documentación técnica.pdf.txtExtracted texttext/plain10532https://red.uao.edu.co/bitstreams/24ec3090-068a-4438-a510-841ce4e1534d/downloade4cc3e60af93121fe1c31d84e69f8a42MD518T9841B_Anexo B Anexo B. Taller experiencia educativa.pdf.txtT9841B_Anexo B Anexo B. Taller experiencia educativa.pdf.txtExtracted texttext/plain37189https://red.uao.edu.co/bitstreams/c18822ee-a3dc-4459-a084-c7337818b92f/download2cb4a1e1d6eba383a63281f532da9d64MD520T9841C_Anexo C Anexo C. Solución de otros casos de estudio.pdf.txtT9841C_Anexo C Anexo C. Solución de otros casos de estudio.pdf.txtExtracted texttext/plain20222https://red.uao.edu.co/bitstreams/263e8d71-7ef8-4f81-b6b9-84a4e4d95d94/download5db8daa65c9f959a68940d049506a71dMD522T9841D_Anexo D. Encuesta para evaluar la usabilidad de la herramienta.pdf.txtT9841D_Anexo D. Encuesta para evaluar la usabilidad de la herramienta.pdf.txtExtracted texttext/plain3807https://red.uao.edu.co/bitstreams/719c3a89-c299-4c22-8524-91bb7a31bdc3/download492e0d3afcf5c1f3fa8cb37d957ab622MD524T9841E_Anexo E Quiz para evaluar la opción de conocimientos durante la experiencia educativa.pdf.txtT9841E_Anexo E Quiz para evaluar la opción de conocimientos durante la experiencia educativa.pdf.txtExtracted texttext/plain908https://red.uao.edu.co/bitstreams/2dbba38d-af94-4540-b344-3c490d57e40a/downloadd3a9073a6ffd2eaf5eda718ef8581516MD526TA9841_Autorización trabajo de grado.pdf.txtTA9841_Autorización trabajo de grado.pdf.txtExtracted texttext/plain4080https://red.uao.edu.co/bitstreams/fb5067bf-5956-42a1-8c52-10304655ab41/download55c7f632528328801392f2ed91ed337bMD528THUMBNAILT09841_Desarrollo de una herramienta de software libre para el modelado de la expresión génica de poblaciones celulares.pdf.jpgT09841_Desarrollo de una herramienta de software libre para el modelado de la expresión génica de poblaciones celulares.pdf.jpgGenerated Thumbnailimage/jpeg6390https://red.uao.edu.co/bitstreams/b9787c2c-68be-42cc-afe8-47bd15e80740/download4f43e481e24b4ee74d64d7b6618ded32MD517T9841A_Anexo A.Documentación técnica.pdf.jpgT9841A_Anexo A.Documentación técnica.pdf.jpgGenerated Thumbnailimage/jpeg9511https://red.uao.edu.co/bitstreams/2c44e0c0-cc8d-479f-9afb-0b3e3c271711/download4d3d6e910216a4900ee9b9216af4d26fMD519T9841B_Anexo B Anexo B. Taller experiencia educativa.pdf.jpgT9841B_Anexo B Anexo B. Taller experiencia educativa.pdf.jpgGenerated Thumbnailimage/jpeg12491https://red.uao.edu.co/bitstreams/bd61e0b5-5a8e-467a-9d62-dd0deca35f17/download440c45e8c69cd25c4e21a3e71e411d75MD521T9841C_Anexo C Anexo C. Solución de otros casos de estudio.pdf.jpgT9841C_Anexo C Anexo C. Solución de otros casos de estudio.pdf.jpgGenerated Thumbnailimage/jpeg10600https://red.uao.edu.co/bitstreams/7b4d76ea-6514-4c20-82ce-afa3dda669ab/download5ed547ee853941900309d9b0516ecfabMD523T9841D_Anexo D. Encuesta para evaluar la usabilidad de la herramienta.pdf.jpgT9841D_Anexo D. Encuesta para evaluar la usabilidad de la herramienta.pdf.jpgGenerated Thumbnailimage/jpeg5936https://red.uao.edu.co/bitstreams/1d65824c-5483-4a8d-bf9a-fc9238c2e1c0/download43b7cf81589bdaf2fd0e46dbc097cbb5MD525T9841E_Anexo E Quiz para evaluar la opción de conocimientos durante la experiencia educativa.pdf.jpgT9841E_Anexo E Quiz para evaluar la opción de conocimientos durante la experiencia educativa.pdf.jpgGenerated Thumbnailimage/jpeg5238https://red.uao.edu.co/bitstreams/852b4985-da56-40e8-9c44-bd4eda9427c8/download695044dbcc6da4b957d6d627c8223efeMD527TA9841_Autorización trabajo de grado.pdf.jpgTA9841_Autorización trabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg13318https://red.uao.edu.co/bitstreams/128dfeb4-1264-4f77-af84-cf515feceb36/download3f19ab6b4615be3d34e0a33506cfe15cMD52910614/13071oai:red.uao.edu.co:10614/130712024-03-15 09:27:01.038https://creativecommons.org/licenses/by-nc-nd/4.0/Derechos Reservados - Universidad Autónoma de Occidente, 2021open.accesshttps://red.uao.edu.coRepositorio Digital Universidad Autonoma de Occidenterepositorio@uao.edu.coRUwgQVVUT1IgYXV0b3JpemEgYSBsYSBVbml2ZXJzaWRhZCBBdXTDs25vbWEgZGUgT2NjaWRlbnRlLCBkZSBmb3JtYSBpbmRlZmluaWRhLCBwYXJhIHF1ZSBlbiBsb3MgdMOpcm1pbm9zIGVzdGFibGVjaWRvcyBlbiBsYSBMZXkgMjMgZGUgMTk4MiwgbGEgTGV5IDQ0IGRlIDE5OTMsIGxhIERlY2lzacOzbiBhbmRpbmEgMzUxIGRlIDE5OTMsIGVsIERlY3JldG8gNDYwIGRlIDE5OTUgeSBkZW3DoXMgbGV5ZXMgeSBqdXJpc3BydWRlbmNpYSB2aWdlbnRlIGFsIHJlc3BlY3RvLCBoYWdhIHB1YmxpY2FjacOzbiBkZSBlc3RlIGNvbiBmaW5lcyBlZHVjYXRpdm9zLiBQQVJBR1JBRk86IEVzdGEgYXV0b3JpemFjacOzbiBhZGVtw6FzIGRlIHNlciB2w6FsaWRhIHBhcmEgbGFzIGZhY3VsdGFkZXMgeSBkZXJlY2hvcyBkZSB1c28gc29icmUgbGEgb2JyYSBlbiBmb3JtYXRvIG8gc29wb3J0ZSBtYXRlcmlhbCwgdGFtYmnDqW4gcGFyYSBmb3JtYXRvIGRpZ2l0YWwsIGVsZWN0csOzbmljbywgdmlydHVhbCwgcGFyYSB1c29zIGVuIHJlZCwgSW50ZXJuZXQsIGV4dHJhbmV0LCBpbnRyYW5ldCwgYmlibGlvdGVjYSBkaWdpdGFsIHkgZGVtw6FzIHBhcmEgY3VhbHF1aWVyIGZvcm1hdG8gY29ub2NpZG8gbyBwb3IgY29ub2Nlci4gRUwgQVVUT1IsIGV4cHJlc2EgcXVlIGVsIGRvY3VtZW50byAodHJhYmFqbyBkZSBncmFkbywgcGFzYW50w61hLCBjYXNvcyBvIHRlc2lzKSBvYmpldG8gZGUgbGEgcHJlc2VudGUgYXV0b3JpemFjacOzbiBlcyBvcmlnaW5hbCB5IGxhIGVsYWJvcsOzIHNpbiBxdWVicmFudGFyIG5pIHN1cGxhbnRhciBsb3MgZGVyZWNob3MgZGUgYXV0b3IgZGUgdGVyY2Vyb3MsIHkgZGUgdGFsIGZvcm1hLCBlbCBkb2N1bWVudG8gKHRyYWJham8gZGUgZ3JhZG8sIHBhc2FudMOtYSwgY2Fzb3MgbyB0ZXNpcykgZXMgZGUgc3UgZXhjbHVzaXZhIGF1dG9yw61hIHkgdGllbmUgbGEgdGl0dWxhcmlkYWQgc29icmUgw6lzdGUuIFBBUkFHUkFGTzogZW4gY2FzbyBkZSBwcmVzZW50YXJzZSBhbGd1bmEgcmVjbGFtYWNpw7NuIG8gYWNjacOzbiBwb3IgcGFydGUgZGUgdW4gdGVyY2VybywgcmVmZXJlbnRlIGEgbG9zIGRlcmVjaG9zIGRlIGF1dG9yIHNvYnJlIGVsIGRvY3VtZW50byAoVHJhYmFqbyBkZSBncmFkbywgUGFzYW50w61hLCBjYXNvcyBvIHRlc2lzKSBlbiBjdWVzdGnDs24sIEVMIEFVVE9SLCBhc3VtaXLDoSBsYSByZXNwb25zYWJpbGlkYWQgdG90YWwsIHkgc2FsZHLDoSBlbiBkZWZlbnNhIGRlIGxvcyBkZXJlY2hvcyBhcXXDrSBhdXRvcml6YWRvczsgcGFyYSB0b2RvcyBsb3MgZWZlY3RvcywgbGEgVW5pdmVyc2lkYWQgIEF1dMOzbm9tYSBkZSBPY2NpZGVudGUgYWN0w7phIGNvbW8gdW4gdGVyY2VybyBkZSBidWVuYSBmZS4gVG9kYSBwZXJzb25hIHF1ZSBjb25zdWx0ZSB5YSBzZWEgZW4gbGEgYmlibGlvdGVjYSBvIGVuIG1lZGlvIGVsZWN0csOzbmljbyBwb2Ryw6EgY29waWFyIGFwYXJ0ZXMgZGVsIHRleHRvIGNpdGFuZG8gc2llbXByZSBsYSBmdWVudGUsIGVzIGRlY2lyIGVsIHTDrXR1bG8gZGVsIHRyYWJham8geSBlbCBhdXRvci4gRXN0YSBhdXRvcml6YWNpw7NuIG5vIGltcGxpY2EgcmVudW5jaWEgYSBsYSBmYWN1bHRhZCBxdWUgdGllbmUgRUwgQVVUT1IgZGUgcHVibGljYXIgdG90YWwgbyBwYXJjaWFsbWVudGUgbGEgb2JyYS4K