Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Diapositiva 2
2 “Ajuste de ecuaciones a curvas”
Nudo 2
Nudo 1
Diapositiva 4
5) La Modelización Teórica se hace
Modelización Teórica normalmente en base a dos estrategias:
En ecuaciones algebráicas En ecuaciones diferenciales
modelos en ecuaciones algebráicas para
los sistemas estáticos y modelos en
+L +L E* + S E*S ecuaciones diferenciales para los
K1 K2 dinámicos. Primero abordaremos los
M0 M1 M2
E E P modelos en ecuaciones algebráicas, que
[M1] [M2] es el caso más sencillo, y más tarde los
K1 = K2 = d[ES*]
[M0] [L] [M1] [L] = k1[S][E*] - (k - 1 + kcat)[ES*] modelos en ecuaciones diferenciales.
dt
d[P]
En la diapositiva 5 puede verse un
K1[L] + 2K1K2[L]2 = kcat [ES*]
y= dt ejemplo de cada tipo.
2(1 + K1[L] + K1K2[L]2 )
........... etc
fracción de sitios ocupados
Diapositiva 5
“Ajuste de ecuaciones a curvas” 3
Diapositiva 6
7) También suelen darse en Ciencia las
Otras ecuaciones algebráicas ecuaciones algebráicas de dos variables
De dos variables y varios parámetros :
y varios parámetros. Algunos de estas
ecuaciones son clásicas en Bioquímica
u ( x, y ) = f ( x, y, p1, p2, .....pn ) y se muestran en la diapositiva 7. Por
Ejemplos : ejemplo, en la Inhibición Competitiva,
Vmax [S] las dos variables independientes serían
Inhibición competitiva : v =
⎛ [I] ⎞ [S] y [I] y los parámetros serían Vmax,
Km ⎜ 1 + ⎟ + [S]
⎝ KI ⎠ Km y KI .
Vmax [A][B]
Ping Pong Bi Bi : v=
K B ([ A] ) + K A ([ A] ) + [A][B]
Diapositiva 7
∧
= 0 ⇒ ( − X)T ( Y − X P ) + ( Y − X P )T ( − X ) = 0 parámetro y obtener un valor único y
∂P
∧ ∧
exacto. Cuando hay varias variables y
⇒ −2 X ( Y − X P ) = 0 ⇒ ( X X ) P = X Y
T T T
varios parámetros, el problema se
∧
P = ( X X ) −1 X Y
T T maneja mejor en notación matricial,
Solución única, método exacto cuyo desarrollo se muestra en la
diapositiva 13.
Diapositiva 13
Diapositiva 16
Diapositiva 17
“Ajuste de ecuaciones a curvas” 7
Diapositiva 18
19) El criterio de los mínimos cuadrados
Regresión con pesos estadísticos asume que el error al medir la variable
• El criterio de mínimos cuadrados asume que: dependiente es aditivo, que son
• La variable x no tiene error independientes unos errores de otros y que
• El error en la respuesta es aditivo : yi = f ( p , xi ) + u i en conjunto siguen una distribución de
• Los errores u i y u j son independientes
media cero y varianza constante. A este tipo
• Todos los errores (ui, u j , ... ) siguen una distribución normal de media
cero y varianza constante (todas las medidas tienen la misma precisión ) de regresión se la denomina regresión sin
• Última suposición no se suele cumplir y hay que “normalizar” los pesos estadísticos. Cuando esta suposición
residuales con un factor llamado “peso estadístico”: no es cierta (que es la mayoría de las veces),
w i = 1 si2
2
(estas varianzas si se determinan se hace necesario dar más "importancia"
a partir de réplicas)
(weight) (más peso) a los datos de menor error,
• El criterio de optimización es ahora :
frente a los de mayor error (menos peso).
WSSQ = ∑ (1 si2 )(yi − f (p, x i ))2 Para ello se corrigen los residuales con un
(weighted sum of squares)
factor llamado peso estadístico que se
define como el inverso de la varianza
(Diap.13) y que viene a ser un factor de
normalización de residuales muy dispares.
Diapositiva 19 Estos valores de varianza se suelen obtener
a partir de réplicas de cada dato
experimental.
Diapositiva 23
“Ajuste de ecuaciones a curvas” 9
Superficie ajustada
24) Estas ecuaciones en dos variables
independientes también se pueden
ajustar por técnicas de regresión no
lineal. En este caso lo que se ajusta no
es una curva sino una superficie, como
puede observarse en la diapositiva 24
v=
Vmax [S] para la inhibición competitiva, donde se
⎛ [I ] ⎞
Km ⎜ 1 + ⎟ + [S]
⎝ KI ⎠ ha representado la velocidad en el eje
“z”, la concentración de sustrato en el
eje “x” y la del inhibidor en el eje “y”.
Diapositiva 24
25) La modelización en ecuaciones
Modelización en ecuaciones diferenciales diferenciales puede presentar diferentes formas.
Si se trata de una ecuación diferencial simple, lo
Ecuación diferencial simple Sistema de ecuaciones diferenciales usual es que sea de una variable independiente,
una variable dependiente y varios parámetros.
Ejemplo : Modelo de Michaelis-Menten
Ejemplo : Cinética de orden uno Este caso se suele integrar la ecuación
k k
E + S YZZZZ
k
2 →E + P
1 X ES ⎯⎯⎯
ZZZZZ Z diferencial analíticamente y realizar el ajuste en
A⎯
⎯→
k -1
B d [E]
base a la ecuación integrada correspondiente.
= - k1[E][S] + k-1[ES] + k2 [ES] Cuando se trata de varias ecuaciones
dt
d [A] simultáneas, el caso mas frecuente es el de un
- dt
= k [A] d [S]
= - k1[E][S] + k-1[ES]
dt sistema de ecuaciones diferenciales ordinarias,
Tiene solución analítica sencilla: d [ES]
= k1[E][S] - k-1[ES] - k2 [ES] en el que solo hay una variable independiente
[A] = [A]0 . e
-kt dt (normalmente el tiempo), varias variables
d [P]
= k2 [ES] dependientes y diferentes parámetros (Diap. 25).
dt
Su ajuste a los datos experimentales se aborda
Integran numéricamente (Adams, Gear...)
por técnicas de integración numérica y
optimización. Los sistemas de ecuaciones con
más de una variable independiente (por ejemplo
tiempo y distancia), llamados en ecuaciones
Diapositiva 25 diferenciales en derivadas parciales, son menos
frecuentes y más difíciles de tratar.
26) Un ejemplo de ecuaciones
Ajuste de ecuaciones diferenciales diferenciales ordinarias para el modelo
Modelo de Michaelis-Menten reversible Datos
de “Michaelis-Menten reversible” se
k k
muestra en la diapositiva 26.
E + S YZZZZZ 2 XE + P
1 ES ZZZZZZ
ZZZZZX YZZZZZZ [S] [P] [ES] [E]
k
-1
k
-2 Si quisiéramos ajustar ese sistema de
d [E]
= - k1[E][S] + k-1[ES] + k2 [ES] - k2 [P][E] 8.7 0 0 0.1 ecuaciones a los datos empíricos de
dt
d [S]
7.7 0.8 0.02 0.07 todas o algunas de las variables,
= - k1[E][S] + k-1[ES] 7.1 1.2 0.04 0.03
dt necesitaríamos un programa que hiciera
d [ES] 6.5 1.8 0.07 0.02
= k1[E][S] - k-1[ES] - k2 [ES] +k-2[P][E] 6.1 2.3 0.08 0.01
simultáneamente una integración
dt
d [P]
= k2 [ES]- k-2[P][E]
.. .. .. .. numérica de las ecuaciones diferen-
dt ciales seguida de una comparación con
los puntos experimentales. Y así
iterativamente hasta que el ajuste
alcanzara la convergencia.
Diapositiva 26
10 “Ajuste de ecuaciones a curvas”
Enzima
Diapositiva 2
Diapositiva 30
Diapositiva 32
12 “Ajuste de ecuaciones a curvas”
Diapositiva 33
Iteración
Ajuste a 2 Michaelis-Menten
WSSQ (2:2)
34) Automáticamente, el programa
0
1
3.627E+04
1.045E+04
Algoritmo búsqueda al azar comienza a ajustar la función con 2
7 3.393E+03
21
30
1.262E+03
8.976E+02 términos de Michaelis-Menten (Diap.
143 5.505E+02
Búsqueda 1 terminada (Sigma = 1.00)
185 5.462E+02
34). Entra primero el algoritmo de
195 4.145E+02
202
222
3.354E+02
2.044E+02
búsqueda y después el de gradiente
Búsqueda local terminada (Sigma = 0.10, 0.20)
Diapositiva 34
Diapositiva 35
“Ajuste de ecuaciones a curvas” 13
Diapositiva 37
Diapositiva 38
14 “Ajuste de ecuaciones a curvas”
Diapositiva 39
40) Una última prueba, acerca de si 2
términos de MM estarían justificados
para ajustar los datos experimentales,
sería el hacer una deconvolución de la
función a los dos términos que la
forman y comprobar si su participación
es suficientemente relevante. En este
caso (ver Diap. 40) se puede apreciar
que los dos términos contribuyen casi
por igual a la función total. Parece
razonable suponer que cada una de las 2
isoenzimas tiene una cinética diferente,
pero globalmente se solapan para dar
una única curva v-[S] que es la que se
observa experimentalmente.
Diapositiva 40
Bibliografía
1) William G. Bardsley, “SIMFIT: Reference manual” (2004), http://www. simfit. man. ac.uk.
2) H. J. Motulsky and A. Christopoulos, “Fitting models to biological data using linear
and nonlinear regression. A practical guide to curve fitting” (2003), http://www.
graphpad.com.
3) Leah Edelstein-Keshet, “Mathematical Models in Biology” (1988) , McGraw-Hill.
4) Paul Doucet and Peter B. Sloep, “Mathematical Modeling in the Life Sciences” (1992) ,
Ellis Horword.
5) Laszlo Endrenyi (Ed.), “Kinetic Data Analysis. Design and Analysis of Enzyme and
Pharmacokinetic Experiments” (1981), Plenum Press.