✖


Jump to content

Системная иммунология

Системная иммунология — это область исследований в области системной биологии , которая использует математические подходы и вычислительные методы для изучения взаимодействий внутри клеточных и молекулярных сетей иммунной системы . [1] Иммунная система была тщательно проанализирована в отношении ее компонентов и функций с использованием « редукционистского » подхода, но ее общую функцию нелегко предсказать, изучая характеристики ее изолированных компонентов, поскольку они в значительной степени зависят от взаимодействия между этими многочисленными компонентами. составляющие. Основное внимание уделяется in silico, экспериментам а не in vivo .

Недавние исследования в области экспериментальной и клинической иммунологии привели к разработке математических моделей , которые обсуждают динамику как врожденной , так и адаптивной иммунной системы . [2] Большинство математических моделей использовались для изучения процессов in silico , которые невозможно осуществить in vivo . Эти процессы включают в себя: активацию Т-клеток , раково-иммунные взаимодействия , миграцию и гибель различных иммунных клеток (например, Т-клеток , В-клеток и нейтрофилов ), а также то, как иммунная система будет реагировать на определенную вакцину или лекарство без проведения клинических исследований. пробный . [3]

клеток моделирования Методы иммунных

Схема, описывающая, как математические модели используются в иммунологии.

Методы, используемые в иммунологии для моделирования, имеют количественный и качественный подход, причем оба имеют преимущества и недостатки. Количественные модели предсказывают определенные кинетические параметры и поведение системы в определенный момент времени или момент концентрации . Недостатком является то, что его можно применять только к небольшому количеству реакций и предварительные знания о некоторых кинетических параметрах необходимы . С другой стороны, качественные модели могут учитывать больше реакций, но взамен предоставляют меньше подробностей о кинетике системы. Единственное, что общего — оба подхода теряют простоту и становятся бесполезными при резком увеличении количества компонентов. [4]

обыкновенного дифференциального Модель уравнения

Обыкновенные дифференциальные уравнения (ОДУ) используются для описания динамики биологических систем . ОДУ используются в микроскопическом , мезоскопическом и макроскопическом масштабе для изучения непрерывных переменных . Уравнения таких представляют собой временную эволюцию наблюдаемых переменных, как концентрации белка , факторы транскрипции или количество типов клеток . Их обычно используют для моделирования иммунологических синапсов , распознавания микроорганизмов и миграции клеток . За последние 10 лет эти модели использовались для изучения чувствительности TCR к лигандам -агонистам и роли CD4 и CD8 корецепторов .
Кинетические скорости этих уравнений представлены скоростями связывания и диссоциации взаимодействующих частиц. Эти модели способны представить концентрацию и устойчивое состояние каждой взаимодействующей молекулы в сети . Модели ОДУ определяются линейными и нелинейными уравнениями, причем нелинейные используются чаще, поскольку их легче моделировать на компьютере ( in silico ) и анализировать . Ограничением этой модели является то , что для каждой сети применить . необходимо знать кинетику каждой молекулы, чтобы эту модель можно было [5]

Модель ODE использовалась для изучения того, как антигены связываются с рецептором B-клеток . Эта модель была очень сложной, поскольку она была представлена ​​1122 уравнениями и шестью сигнальными белками . программный инструмент BioNetGen. Для исследования использовался [6] Результат модели соответствует эксперименту in vivo . [7]

Вирус Эпштейна-Барра (ВЭБ) был математически смоделирован с помощью 12 уравнений для исследования трех гипотез , объясняющих более высокую заболеваемость мононуклеозом у молодых людей. После проведения численного моделирования модель подтвердила только первые две гипотезы. [8]

Модель уравнения частных в производных

Модели уравнений в частных производных (УЧП) представляют собой расширенную версию модели ОДУ , которая описывает временную эволюцию каждой переменной как во времени , так и в пространстве . ФДЭ используются на микроскопическом уровне для моделирования непрерывных переменных в пути обнаружения и распознавания патогенов . Они также применяются для физиологического моделирования. [9] описать, как взаимодействуют белки и куда направлено их движение в иммунологическом синапсе . Эти производные являются частичными, поскольку они вычисляются как по времени , так и по пространству . физиологическую переменную, такую ​​как возраст деления клеток Иногда вместо пространственных переменных можно использовать . По сравнению с моделями PDE , которые учитывают пространственное распределение ячеек, с моделями ODE , PDE более требовательны в вычислительном отношении . Пространственная динамика является важным аспектом клеточной передачи сигналов , поскольку она описывает движение клеток внутри трехмерного компартмента. Т-клетки перемещаются в трехмерном лимфатическом узле , тогда как TCR расположены на поверхности клеточных мембран и, следовательно, перемещаются в двухмерном пространстве. [10] Пространственное распределение белков стимуляции Т - важно, особенно при клеток , когда образуется иммунологический синапс , поэтому эта модель использовалась в исследовании, в котором Т-клетка активировалась слабым пептидом -агонистом . [11]

частиц модель на основе Стохастическая

модели на основе частиц Стохастические получены на основе динамики ОДУ модели . Что отличает эту модель от других, так это то, что она рассматривает компоненты модели как дискретные переменные , а не непрерывные, как предыдущие. Они исследуют частицы на микроскопическом и мезоскопическом уровне в путях иммуноспецифической трансдукции и взаимодействиях иммунных клеток с раком соответственно. Динамика вероятность модели определяется марковским процессом, который в данном случае выражает каждого возможного состояния системы во времени в виде дифференциальных уравнений . Уравнения сложно решить аналитически, поэтому моделирование компьютерное выполняется в виде кинетических схем Монте-Карло . Моделирование , который использует константы реакции, полученные из химических кинетических констант скорости , обычно выполняется с помощью алгоритма Гиллеспи чтобы предсказать, произойдет ли реакция. Стохастическое моделирование требует больше вычислительных ресурсов, поэтому размер и область применения модели ограничено.

Стохастическое моделирование было использовано, чтобы показать, что белок Ras , который является важной сигнальной молекулой в Т-клетках , может иметь активную и неактивную форму. Это дало представление о популяции лимфоцитов , которые при стимуляции имели активные и неактивные субпопуляции. [12]

Корецепторы играют важную роль на самых ранних стадиях активации Т-клеток , и использовалось стохастическое моделирование для объяснения взаимодействий, а также для моделирования мигрирующих клеток в лимфатическом узле . [13]

Эта модель использовалась для изучения пролиферации Т-клеток в лимфоидной системе . [14]

Агентные модели [ править ]

Краткое изложение взаимодействий между CD8+ Т-клетками и бета-клетками при диабете I типа

Агентное моделирование (ABM) — это тип моделирования , при котором наблюдаемые компоненты системы рассматриваются как дискретные агенты и представляют собой отдельную молекулу или клетку . Компоненты-агенты, называемые в этой системе, могут взаимодействовать с другими агентами и средой. ABM имеет потенциал для наблюдения за событиями на многомасштабном уровне и становится все более популярным в других дисциплинах. Он использовался для моделирования взаимодействия между CD8+ Т-клетками и бета-клетками при диабете I типа. [15] и моделирование свертывания и активации лейкоцитов . [16]

Булева модель [ править ]

Логические модели используются для моделирования циклов клеток жизненных , иммунного синапса , распознавания патогенов и проникновения вирусов на микроскопическом и мезоскопическом уровне. В отличие от моделей ODE , подробности о кинетике и концентрациях не требуются в логистических моделях взаимодействующих частиц . Каждый биохимический вид представлен как узел в сети и может иметь конечное число дискретных состояний, обычно два, например: ВКЛ/ВЫКЛ, высокий/низкий, активный/неактивный. Обычно логические модели , имеющие только два состояния, считаются булевыми моделями. Когда молекула находится в состоянии ВЫКЛ, это означает, что молекула не присутствует на достаточно высоком уровне, чтобы произвести изменения в системе, а не то, что ее концентрация равна нулю . Следовательно, когда он находится во включенном состоянии, его количество достигло достаточно высокого уровня, чтобы инициировать реакцию. Этот метод был впервые предложен Кауфманом. Ограничением этой модели является то, что она может предоставлять только качественные аппроксимации системы и не может идеально моделировать параллельные события. [17]

Этот метод использовался для изучения особых путей в иммунной системе, таких как созревание аффинности и гипермутация в гуморальной иммунной системе. [18] и толерантность к патологическим ревматоидным факторам. [19] Инструменты моделирования, поддерживающие эту модель: DDlab, [20] Cell-разработчики [21] и IMMSIM-C . IMMSIM-C используется чаще остальных, так как не требует знаний в области компьютерного программирования. Платформа доступна в виде общедоступного веб-приложения и находит применение на курсах бакалавриата по иммунологии в различных университетах (Принстон, Генуя и т. д.). [22]

Для моделирования с помощью диаграмм состояний только Rhapsody до сих пор в системной иммунологии использовалась . Он может преобразовать диаграмму состояний в исполняемые Java и C++ коды .

Этот метод также использовался для построения модели вирусной инфекции гриппа . Некоторые результаты не соответствовали более ранним исследовательским работам, и булева сеть показала, что количество активированных макрофагов увеличилось как у молодых, так и у старых мышей, в то время как другие предполагают, что происходит уменьшение. [23]

SBML (язык разметки системной биологии) должен был охватывать только модели с обыкновенными дифференциальными уравнениями , но недавно он был модернизирован, чтобы логические модели можно было применять . Почти все инструменты моделирования совместимы с SBML . Существует еще несколько пакетов программного обеспечения для моделирования с помощью логических моделей : BoolNet, [24] ГИНсим [25] и клеточный коллектив. [26]

Компьютерные инструменты [ править ]

Чтобы смоделировать систему с помощью дифференциальных уравнений , компьютер должен выполнять различные задачи, такие как построение модели , калибровка , проверка , анализ , моделирование и визуализация . Не существует ни одного программного инструмента, который бы удовлетворял упомянутым критериям, поэтому необходимо использовать несколько инструментов. [27]

ГИНсим [ править ]

ГИНсим [28] представляет собой компьютерный инструмент, который генерирует и моделирует генетические сети на основе дискретных переменных . На основе нормативных графиков и логических параметров GINsim [29] вычисляет временную эволюцию системы, которая возвращается в виде графа перехода состояний (STG) , где состояния представлены узлами , а переходы - стрелками.
Его использовали для изучения того, как Т-клетки реагируют на активацию путей TCR и TLR5 . Эти процессы наблюдались как по отдельности, так и в совокупности. Сначала были построены, а затем объединены молекулярные карты и логические модели для путей TCR и TLR5 . Молекулярные карты были созданы в CellDesigner. [30] на основе данных литературы и различных баз данных, таких как KEGG [31] и Реактом. [32] Логические модели были созданы GINsim. [33] где каждый компонент имеет значение 0 или 1 или дополнительные значения при изменении. Затем к каждому компоненту применяются логические правила , которые называются логическими узлами в этой сети . После слияния окончательная модель состоит из 128 узлов. Результаты моделирования соответствовали экспериментальным, где было показано, что TLR5 является костимулирующим рецептором для CD4+ Т-клеток . [34]

Булнет [ править ]

Булнет [35] — это пакет R , содержащий инструменты для реконструкции, анализа и визуализации логических сетей. [36]

Коллектив ячеек [ править ]

Коллектив ячейки [37] — это научная платформа, которая позволяет ученым строить, анализировать и моделировать биологические модели без формулирования математических уравнений и кодирования . В него встроен компонент базы знаний, который расширяет знания об отдельных объектах ( белках , генах , клетках и т. д.) в динамические модели . Данные качественные , но учитывают динамические отношения между взаимодействующими видами. Модели моделируются в режиме реального времени, и все делается через Интернет. [38]

БиоНетГен [ править ]

BioNetGen (BNG) — это пакет программного обеспечения с открытым исходным кодом, который используется для моделирования на основе правил сложных систем, таких как регуляция генов , передача сигналов в клетках и метаболизм . Программное обеспечение использует графики для представления различных молекул и их функциональных областей , а также правила для объяснения взаимодействий между ними. С точки зрения иммунологии его использовали для моделирования внутриклеточных сигнальных путей каскада TLR-4. [39]

ДСАИРМ [ править ]

DSAIRM (динамический системный подход к моделированию иммунного ответа) — это пакет R , предназначенный для изучения динамики инфекций и иммунного ответа без предварительного знания кодирования. [40]

Другими полезными приложениями и средами обучения являются: Gepasi, [41] [42] Копаси, [43] БиоУМЛ , [44] Симбиология (МАТЛАБ) [45] и Био-СПАЙС. [46]

Конференции [ править ]

Первая конференция по синтетической и системной иммунологии была организована в Асконе CSF и ETH Zurich. [47] Оно состоялось в первых числах мая 2019 года, в нем приняли участие более пятидесяти исследователей из разных научных областей. Среди всех проведенных презентаций лучшая досталась доктору Говинде Шарме, который изобрел платформу для скрининга эпитопов TCR.

Лаборатория Колд-Спринг-Харбор (CSHL) [48] из Нью-Йорка в марте 2019 года прошла встреча, целью которой был обмен идеями между биологами-экспериментаторами, вычислительными и математическими биологами, глубоко изучающими иммунную систему. Темы встречи: Моделирование и регуляторные сети, будущее синтетической и системной биологии и иммунорецепторов. [49]

Дальнейшее чтение [ править ]

  • Плайдайер по «Системной иммунологии» [50]
  • Системы и синтетическая иммунология [51]
  • Системная биология [52]
  • Актуальные темы микробиологии и иммунологии [53]
  • Модель FRiND [54]
  • Проект многомасштабной системной иммунологии [55]
  • Моделирование с помощью BioNetGen [56]

Ссылки [ править ]

  1. ^ Виллани, Александра - Хлоя; Саркизова; Хакоэн (26 апреля 2018 г.). «Системная иммунология: изучение правил иммунной системы» . Ежегодный обзор иммунологии . 36 : 813–842. doi : 10.1146/annurev-immunol-042617-053035 . ПМК   6597491 . ПМИД   29677477 .
  2. ^ Эфтими, Ралука; Гиллард, Джозеф Дж.; Кантрелл, Дорин А. (6 октября 2016 г.). «Математические модели для иммунологии: современное состояние и будущие направления исследований» . Бюллетень математической биологии . 78 (10): 2091–2134. дои : 10.1007/s11538-016-0214-9 . ПМК   5069344 . ПМИД   27714570 .
  3. ^ Шуберт, Шарлотта (4 мая 2011 г.). «Системная иммунология: учтена сложность» . Природа . 473 (7345): 113–114. дои : 10.1038/nj7345-113a . ПМИД   21548192 .
  4. ^ Такар, Джули; Посс, Мэри; Альберт, Река; Лонг, Грайн Х; Чжан, Ранрань (20 августа 2010 г.). «Динамические модели иммунных реакций: каков идеальный уровень детализации?» . Теоретическая биология и медицинское моделирование . 7:35 . дои : 10.1186/1742-4682-7-35 . ПМЦ   2933642 . ПМИД   20727155 .
  5. ^ Ким, Питер С; Леви, Дорон; Ли, Питер П. (1 января 2009 г.). Моделирование и симуляция иммунной системы как саморегулирующейся сети . Методы энзимологии. Том. 467. стр. 79–109. дои : 10.1016/S0076-6879(09)67004-X . ISBN  9780123750235 . ПМИД   19897090 .
  6. ^ «БиоНетГен» . БиоНетГен .
  7. ^ Баруа, Дипак; Главачек, Уильям С.; Липняцкий, Томаш (18 июня 2012 г.). «Вычислительная модель ранних событий в передаче сигналов антигенных рецепторов В-клеток: анализ роли Lyn и Fyn» . Журнал иммунологии . 189 (2): 646–658. doi : 10.4049/jimmunol.1102003 . ПМЦ   3392547 . ПМИД   22711887 .
  8. ^ Хюинь; Адлер (29 сентября 2012 г.). «Математическое моделирование возрастной зависимости инфекционного мононуклеоза, ассоциированного с вирусом Эпштейна-Барра». Математическая медицина и биология . 29 (3): 245–261. дои : 10.1093/imammb/dqr007 . ПМИД   21700566 .
  9. ^ Теория и практика биомедицинской инженерии/Физиологическое моделирование и моделирование .
  10. ^ Кроче, Роберта; Гронделл, Риенк ван; Амеронген, Герберт ван; Стоккум, Иво ван; Бэгшоу, Клайв Р. (6 сентября 2018 г.). Дас, Джаяджит; Джаяпракаш, Сириям (ред.). Системная иммунология: введение в методы Modelin для ученых (1-е изд.). ЦРК Пресс. ISBN  9781498717403 .
  11. ^ Чемерски, Сашо; Дас, Джаяджит; Локасейл, Джейсон; Арнольд, Фиби; Гирисато, Эмануэле; Маркевич, Мэри А.; Фремонт, Дэвид; Аллен, Пол М.; Чакраборти, Аруп К.; Шоу, Андрей С. (26 марта 2007 г.). «Стимулирующая активность Т-клеточных антигенов зависит от формирования иммунологического синапса» . Иммунитет . 26 (3): 345–355. doi : 10.1016/j.immuni.2007.01.013 . ПМК   2763191 . ПМИД   17346997 .
  12. ^ Бэгшоу, Клайв Р.; Баррик, Дуглас Э.; Нордлунд, Томас М. (2019). Любченко Юрий Л.; Кроче, Роберта; ван Гронделл, Риенк; ван Амеронген, Герберт; ван Стоккум, Иво; Надо, Джей Л. (ред.). Системная иммунология: введение в методы моделирования для ученых . ЦРК Пресс. ISBN  978-1-4987-1740-3 .
  13. ^ Бэгшоу, Клайв Р.; Баррик, Дуглас Э.; Нордлунд, Томас М. (2019). Любченко Юрий Л.; Кроче, Роберта; ван Гронделл, Риенк; ван Амеронген, Герберт; ван Стоккум, Иво; Надо, Джей Л. (ред.). Системная иммунология: введение в методы моделирования для ученых . ЦРК Пресс. ISBN  978-1-4987-1740-3 .
  14. ^ Боянелли, Аллессандро; Петтини, Эллена; Прота, Дженнаро; Медальини, Доната; Вичино, Антонио (24 августа 2015 г.). «Стохастическая модель сети пролиферации и распространения CD4+ Т-клеток при первичном иммунном ответе» . ПЛОС ОДИН . 10 (8): e0135787. Бибкод : 2015PLoSO..1035787B . дои : 10.1371/journal.pone.0135787 . ПМЦ   4547705 . ПМИД   26301680 .
  15. ^ Кагдас Озтюрк, Мустафа; Сюй, Цянь; Чинар, Али (10 января 2018 г.). «Агентное моделирование взаимодействия CD8+ Т-клеток и бета-клеток при диабете 1 типа» . ПЛОС ОДИН . 13 (1): e0190349. Бибкод : 2018PLoSO..1390349O . дои : 10.1371/journal.pone.0190349 . ПМЦ   5761894 . ПМИД   29320541 .
  16. ^ Тан, Джонатан; Хант, Энтони К. (19 февраля 2010 г.). «Определение правил взаимодействия, обеспечивающих свертывание, активацию и адгезию лейкоцитов» . PLOS Вычислительная биология . 6 (2): e1000681. Бибкод : 2010PLSCB...6E0681T . дои : 10.1371/journal.pcbi.1000681 . ПМЦ   2824748 . ПМИД   20174606 .
  17. ^ Кауфман, С.А. (март 1969 г.). «Метаболическая стабильность и эпигенез в случайно построенных генетических сетях». Журнал теоретической биологии . 22 (3): 437–467. Бибкод : 1969JThBi..22..437K . дои : 10.1016/0022-5193(69)90015-0 . ПМИД   5803332 .
  18. ^ Селада, Франко; Зайден, Филип Э. (июнь 1996 г.). «Созревание и гипермутация аффинности при моделировании гуморального иммунного ответа». Европейский журнал иммунологии . 26 (6): 1350–8. дои : 10.1002/eji.1830260626 . ПМИД   8647216 . S2CID   23503933 .
  19. ^ Стюарт, Джей-Джей; Агосто, Х; Литвин, С; Валлийский, JD; Шломчик, М; Вейгерт, М; Сейден, ЧП (15 августа 1997 г.). «Решение парадокса ревматоидного фактора: патологические ревматоидные факторы могут быть толерантны путем конкуренции с естественными ревматоидными факторами» . Журнал иммунологии . 159 (4): 1728–38. дои : 10.4049/jimmunol.159.4.1728 . ПМИД   9257834 . S2CID   2443677 .
  20. ^ «ДДлаб» .
  21. ^ «Селл-Девс» .
  22. ^ Кастильоне, Филиппо; Селада, Франко (7 апреля 2015 г.). Иммунная система и моделирование . ЦРК Пресс. ISBN  978-1-4665-9749-5 .
  23. ^ Киф, Эрика; Чжан, Ли Анг; Клермон, Жиль; Суингон, Дэвид; Урбано, Алиса; Эрментраут, Г. Бард; Матушевский, Майкл; Р. Тоапанта, Франклин; Росс, Тед М.; Паркер, Роберт С. (ноябрь 2019 г.). «Дискретное динамическое моделирование инфекции вирусом гриппа предполагает возрастные различия в иммунитете» . Журнал вирусологии . 91 (23). дои : 10.1128/JVI.00395-17 . ПМК   5686742 . ПМИД   28904202 .
  24. ^ «Булнет» .
  25. ^ «ГИНсим» .
  26. ^ «Коллектив клеток» .
  27. ^ Наранг, Випин; Декрен, Джеймс; Вонг, Шек-Юн; Айшварья, Бинду; Васем, Эндрю; Леонг, Шианг; Гуайяр, Александр (13 апреля 2012 г.). «Системная иммунология: обзор формализмов, приложений и инструментов моделирования». Иммунологические исследования . 53 (1–3): 251–265. дои : 10.1007/s12026-012-8305-7 . ПМИД   22528121 . S2CID   18190414 .
  28. ^ «ГИНсим» .
  29. ^ «ГИНсим» .
  30. ^ «СеллДизайнер» .
  31. ^ «Киотская энциклопедия генов и геномов» .
  32. ^ «Реактом» .
  33. ^ «ГИНсим» .
  34. ^ Родригес-Хорхе, Отониэль; Кемпис-Каланис, Линда А.; Абу-Жод, Вассим; Гутьеррес-Рейна, Дэрли Ю.; 16 апреля 2019 г. (2019). «Взаимодействие между Т-клеточным рецептором и Toll-подобным рецептором 5, передающим сигнал для активации CD4+ Т-клеток» (PDF) . Научная сигнализация . 12 (577): eaar3641. doi : 10.1126/scisignal.aar3641 . ПМИД   30992399 . S2CID   119514242 . {{cite journal}}: CS1 maint: числовые имена: список авторов ( ссылка )
  35. ^ Мюссель, К.; Хопфенниц, М.; Кестлер, ХА. (2010). «BoolNet — пакет R для генерации, реконструкции и анализа логических сетей» . Биоинформатика . 26 (10): 1378–1380. doi : 10.1093/биоинформатика/btq124 . ПМИД   20378558 .
  36. ^ «Кран-пакет-Boolnet» . 27 февраля 2023 г.
  37. ^ «Коллектив клеток» .
  38. ^ Хеликар, Т; Коваль, Б; Роджерс, JA (20 февраля 2013 г.). «Платформа клеточного симулятора: клеточный коллектив» . Клиническая фармакология и терапия . 93 (5): 393–395. дои : 10.1038/clpt.2013.41 . ПМК   5242230 . ПМИД   23549147 .
  39. ^ Харрис, Леонард А.; Хогг, Джастин С.; Тапиа, Хосе-Хуан; Секар, Джон А.П.; Гупта, Санджана; Корсунский Илья; Арора, Арши; Баруа, Дипак; Шиэн, Роберт П.; Фейдер, Джеймс Р. (1 ноября 2016 г.). «BioNetGen 2.2: достижения в моделировании на основе правил» . Биоинформатика . 32 (21): 3366–3368. doi : 10.1093/биоинформатика/btw469 . ПМК   5079481 . ПМИД   27402907 .
  40. ^ Гендель, А. (январь 2020 г.). «Пакет программного обеспечения для иммунологов для изучения имитационного моделирования» . БМК Иммунол . 21 (1): 1. дои : 10.1186/s12865-019-0321-0 . ПМЦ   6941246 . ПМИД   31898481 .
  41. ^ «Гепаси» .
  42. ^ «Урок Гепаси» .
  43. ^ «Копаси» .
  44. ^ «БиоУМЛ» .
  45. ^ «Симбиология» .
  46. ^ «Био-СПАЙС» .
  47. ^ «ЭТЦ Цюрих» .
  48. ^ «КСХЛ» .
  49. ^ «Встречи» .
  50. ^ Кристоф, Кристоф; Жермен, Рональд; Матис, Дайан (апрель 2006 г.). «Плейдоер для« системной иммунологии » ». Иммунологические обзоры . 210 (1). Уайли-Блэквелл: 229–234. дои : 10.1111/j.0105-2896.2006.00374.x . ПМИД   16623774 . S2CID   27355198 .
  51. ^ Сингх, Шайлза, изд. (25 апреля 2020 г.). Системы и синтетическая иммунология (1-е изд.). Спрингер Сингапур. ISBN  978-9811533495 .
  52. ^ Малый, Иван В. (2009). Системная биология . Хумана Пресс. ISBN  978-1-934115-64-0 .
  53. ^ Кэт, Майкл Г., изд. Системная биология . Спрингер. ISBN  978-3-642-33098-8 .
  54. ^ Хьюстон, Монтана; Гутьеррес, Ж.Б. (13 июля 2019 г.). «Модель FRiND: математическая модель представления пластичности макрофагов в патогенезе мышечной дистрофии» . Бычья Математика Биол . 81 (10): 3976–3997. дои : 10.1007/s11538-019-00635-8 . ПМК   6764940 . ПМИД   31302876 .
  55. ^ Митха, Ф.; Лукас, штат Калифорния; Фэн, Ф.; Кеплер, ТБ; Чан, К. (2008). «Проект Multiscale Systems Immunology: программное обеспечение для клеточного иммунологического моделирования» . Исходный код по биологии и медицине . 3 :6. дои : 10.1186/1751-0473-3-6 . ПМЦ   2426691 . ПМИД   18442405 .
  56. ^ Фейдер, младший; Блинов М.Л.; Главачек, WS. (2009). «Моделирование биохимических систем на основе правил с помощью BioNetGen». Системная биология . Методы Мол Биол. Том. 500. стр. 113–167. дои : 10.1007/978-1-59745-525-1_5 . ISBN  978-1-934115-64-0 . ПМИД   19399430 .
Retrieved from "https://en.wikipedia.org/w/index.php?title=Systems_immunology&oldid=1192508610"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: 2616f99ef0ab545798230711f5a0a730__1703867040
URL1:https://arc.ask3.ru/arc/aa/26/30/2616f99ef0ab545798230711f5a0a730.html
Заголовок, (Title) документа по адресу, URL1:
Systems immunology - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)