WYSYŁKA DZISIAJ !!!

CODZIENNIE W DNI ROBOCZE

WYSTARCZY DO GODZ. 13.00 wysłać do nas:

1) deklarację odbioru przesyłki "za pobraniem"
lub
2) skan przelewu
albo
3) wpłacić za pośrednictwem "PayU"



DYNAMICS, FEEDBACK LOOPS AND CONTROL IN BIOLOGY FROM PHYSILOGICAL TO INDIVIDUAL CELL MODELS

Jarosław Śmieja

Stan książki/ek: NOWA
Wydawnictwo: POLITECHNIKI ŚLĄSKIEJ
Okładka: miękka
Stron: 172
Format: B5
Nakład: 150 egz.

Spis treści:

1. Wstęp 9

2. Model fizjologiczny: układ regulujący poziom glukozy 16
2.1. Podstawy biologiczne 16
2.2. Model matematyczny 18
2.2.1. Model minimalny. 19
2.3.2. Model wchłaniania glukozy.. 20
2.3. Regulator PID w układzie automatycznej regulacji poziomu glukozy . 31
2.4. Uwagi końcowe 34

3. Modele populacji komórek nowotworowych 36
3.1. Podstawowy model wzrostu populacji nowotworowej. 37
3.2. Modele fazoczułej chemoterapii 39
3.3. Modelowanie lekooporności 40
3.3.1. Proste modele lekooporności. 41
3.3.2. Nieskończenie-wymiarowe modele ewolucji lekooporności 42
3.3.3. Przekształcenie opisu modelu nieskończenie-wymiarowego 51
3.4. Modele uwzględniające angiogenezę. 52
3.5. Optymalizacja protokołów terapii.. 56
3.5.1. Warunki konieczne sterowania optymalnego dla modeli chemoterapii fazoczułej i modeli uwzględniających lekooporność. 58
3.5.2. Terapia antyangiogenna 60
3.6. Gradientowy algorytm wyznaczania optymalnego protokołu chemoterapii . 62
3.7. Uwagi końcowe 64

4. Szlaki sygnałowe - modelowanie i analiza 67
4.1. Porównywanie wyników eksperymentalnych i symulacji.. 69
4.1.1. Podstawowe techniki eksperymentalne i interpretacja ich rezultatów 69
4.1.2. Normalizacja wyników. 71
4.2. Modelowanie szlaków sygnałowych za pomocą równań różniczkowych zwyczajnych.. 73
4.3. Uwagi dotyczące modelowania deterministycznego i stochastycznego 77
4.3.1. Warunki stosowania prawa oddziaływania mas 77
4.3.2. Efekty stochastyczne w transkrypcji genów.. 79
4.4. Modelowanie procesu transkrypcji genów - uproszczone porównanie podejścia deterministycznego i stochastycznego. 80
4.4.1. Przypadek 1 - stałe stężenie aktywatora transkrypcji, brak represora 84
4.4.2. Przypadek 2 - rosnące stężenie aktywatora transkrypcji, brak represora 84
4.4.3. Przypadek 3 - rosnące, a następnie malejące stężenie aktywatora transkrypcji, jednorazowe wiązanie aktywatora 86 4.4.4. Wykorzystanie elementów inercyjnych I rzędu do modelowania ekspresji późnych genów 88
4.4.5. Przypadek 4 - rosnące, a następnie malejące stężenie aktywatora transkrypcji, wielokrotne wiązanie aktywatora 91
4.4.6. Opóźnienia w procesie transkrypcji 95
4.5. Inne aspekty modelowania szlaków sygnałowych 95
4.5.1. Identyfikowalność modeli 95
4.5.2. Analiza wrażliwościowa. 97
4.6. Uwagi końcowe 102

5. Przykładowa analiza wybranych szlaków sygnałowych 104
5.1. Szlak aktywowany interferonem-/?.. 104
5.1.1. Podstawy biologiczne.. 104
5.1.2. Matematyczny model szlaku sygnałowego IFN-/?.. 108
5.1.3. Analiza wczesnej odpowiedzi na aktywację szlaku sygnałowego 118
5.1.4. Analiza późnej odpowiedzi na aktywację szlaku sygnałowego . 125
5.2. Analiza wrażliwościowa modelu szlaku sygnałowego NF-ttB 129
5.2.1. Podstawy biologiczne.. 129
5.2.2. Matematyczny model szlaku sygnałowego NF-«B. 129
5.2.3. Lokalna analiza wrażliwościowa.. 132
5.3. Uwagi końcowe 134

6. Modele wieloskalowe - łączenie opisu matematycznego procesów zachodzących na poziomie wewnątrzkomórkowym i populacji 135 6.1. Modele infekcji wirusowej na poziomie populacji komórek136
6.2. Modele replikacji wirusów141
6.3. Model łączony szlaku IFN-/3 i infekcji wirusowej144
6.4. Uwagi końcowe148
7. Podsumowanie 150

Bibliografia 153
Streszczenie 167

1. Introduction 9

2. Physiological modeling: glucose-insulin system 16
2.1. Biological background .. 16
2.2. The mathematical model. 18
2.2.1. The minimal model 19
2.2.2. Glucose ingestion and its rate of appearance in blood.. 20
2.3. PID control of blood glucose levels . 31
2.4. Concluding remarks. 34

3. Dynamics and control of cancer cell populations 36
3.1. Basic model of cancer population growth and its control . 37
3.2. Phase-specific chemotherapy models. 39
3.3. Drug resistance in cell population models. 40
3.3.1. Simple models of drug resistance . 41
3.3.2. Infinite-dimensional models of drug resistance evolution. 42
3.3.3. Model transformation.. 51
3.4. Antiangiogenic models.. 52
3.5. Chemotherapy as an optimal control problem . 56
3.5.1. Necessary conditions for optimal control of phase-specific and drug-resistance models. 58
3.5.2. Antiangiogenic therapy. 60
3.6. Gradient algorithm for finding optimal control. 62
3.7. Concluding remarks. 64

4. Signaling pathways - modeling and analysis 67
4.1. Comparing simulation results to experimental data. 69
4.1.1. Basic experimental techniques and interpretation of their results . . 69
4.1.2. Normalization of the results. 71
4.2. Modeling signaling pathways with ordinary differential equations 73
4.3. Deterministic and stochastic approaches . 77
4.3.1. Applicability of the law of mass action. 77
4.3.2. Stochastic effects in gene transcription. 79
4.4. Stochastic and deterministic modeling of gene transcription - simplistic comparison .. 80
4.4.1. Case 1 - Constant activator concentration and no repressor.. 84
4.4.2. Case 2 - Increasing activator concentration, no repressor 84
4.4.3. Case 3 - increasing, then decreasing activator concentration, single binding 86
4.4.4. Using simple 1st order dynamical elements to model late gene expression.. 88
4.4.5. Case 4 - increasing, then decreasing activator concentration, subsequent binding and unbinding events 91
4.4.6. Delays in the transcription process 95
4.5. Other aspects of modeling hirudina signaling pathways. 95
4.5.1. Identifiability 95
4.5.2. Sensitivity analysis 97
4.6. Concluding remarks. 102

5. Analysis of signaling pathway - case studies 104
5.1. Modeling and analysis of Interferon-/? activated pathway.104
5.1.1. Biological background .104
5.1.2. Mathematical model of the IFN-/? pathway .108
5.1.3. Analysis of an early response to pathway activation118
5.1.4. Late response analysis.125
5.2. NF-k;B pathway - sensitivity analysis129
5.2.1. Biological background .129
5.2.2. Mathematical model of the NF-k;B pathway.129
5.2.3. Local sensitivity analysis132
5.3. Concluding remarks.134

6. Models describing processes on both population and intracellular level 135
6.1. Modeling viral infection on population level ..136
6.2. Models of viral replication141
6.3. A model of IFN-/? activated pathway and viral infection..144
6.4. Concluding remarks.148

7. Conclusions 150

Bibliography 153
Summary 170