Optimización de Circuitos Genéticos de Factores de Transcripción
Autores: Frank, Steven A.
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Optimización de Circuitos Genéticos de Factores de Transcripción
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Biología
Palabras clave
Factores de transcripción
ARNm
Red computacional
Función celular
Optimización de redes neuronales artificiales
Ritmo circadiano
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 16
Citaciones: Sin citaciones
Los factores de transcripción (TFs) afectan la producción de ARNm. En esencia, los TFs forman una gran red computacional que controla muchos aspectos de la función celular. Este artículo presenta un método computacional para optimizar redes de TF. El método amplía los avances recientes en la optimización de redes neuronales artificiales. En un ejemplo simple, la optimización computacional descubre una red de TF de cuatro dimensiones que mantiene un ritmo circadiano durante muchos días, amortiguando con éxito fuertes perturbaciones estocásticas en la dinámica molecular y sincronizándose con una señal externa de día-noche que se enciende y apaga aleatoriamente en intervalos de varios días. Este trabajo destaca los desafíos similares en la comprensión de cómo las redes computacionales de TF y neuronales obtienen información y mejoran su rendimiento.
Descripción
Los factores de transcripción (TFs) afectan la producción de ARNm. En esencia, los TFs forman una gran red computacional que controla muchos aspectos de la función celular. Este artículo presenta un método computacional para optimizar redes de TF. El método amplía los avances recientes en la optimización de redes neuronales artificiales. En un ejemplo simple, la optimización computacional descubre una red de TF de cuatro dimensiones que mantiene un ritmo circadiano durante muchos días, amortiguando con éxito fuertes perturbaciones estocásticas en la dinámica molecular y sincronizándose con una señal externa de día-noche que se enciende y apaga aleatoriamente en intervalos de varios días. Este trabajo destaca los desafíos similares en la comprensión de cómo las redes computacionales de TF y neuronales obtienen información y mejoran su rendimiento.