Mecanismos de ruido en Mecanismos de ruido en Mecanismos de ruido en Mecanismos de ruido en

expresin gentica expresin gentica expresin gentica expresin gentica

_____________________________________________________ _____________________________________________________ _____________________________________________________ _____________________________________________________


Universidad Autnoma de Madrid Universidad Autnoma de Madrid Universidad Autnoma de Madrid Universidad Autnoma de Madrid
Grado de Fsica Grado de Fsica Grado de Fsica Grado de Fsica
Biofsica Biofsica Biofsica Biofsica






Pedro Fernndez Pedro Fernndez Pedro Fernndez Pedro Fernndez Ramrez Ramrez Ramrez Ramrez
Ral Cancela Ral Cancela Ral Cancela Ral Cancela Martn Martn Martn Martn



1

Introduccin
Los modelos deterministas se basan en la formulacin y resolucin de ecuaciones diferenciales que
describen un sistema. Estos modelos no son necesariamente vlidos siempre, ya que los valores de las
propiedades observables vienen del promedio tomado sobre los componentes microscpicos del sistema.
De hecho la modelacin determinista de un sistema con un nmero finito de elementos implica un par de
simplificaciones poco realistas: que los fenmenos que all ocurren son de naturaleza continua, as como
que los sistemas que parten de unas condiciones con iguales perturbaciones se comportan de la misma
manera.
Los modelos estocsticos se centralizan ms en las partculas dentro de un medio, definindose eventos
para las mismas y asociando los cambios en el sistema a las probabilidades de ocurrencia de dichos
eventos. Las predicciones de los mtodos estocsticos son promedios y su autenticidad se fundamenta en
el teorema de los grandes nmeros (si el nmero de medidas tiende a infinito el promedio de una variable
tiende a su valor real), y en el teorema del lmite central (un nmero muy elevado de variables aleatorias
tender a una distribucin normal).
Modelo de expresin gentica
Daniel T. Gillespie ide un algoritmo que permite simular la evolucin del estado de un sistema en el que
se producen varias reacciones qumicas que no requiere gran esfuerzo computacional. En esencia consiste
en emplear las constantes de velocidad de las reacciones para estimar las probabilidades de que una de
ellas se produzca en un instante determinado. A continuacin se describe el mtodo y su implementacin
en el modelo propuesto de expresin de un gen.
El modelo consiste en las siguientes reacciones acopladas:

s
----H
H
k
----H+P
H
6
m

------
P
6
p

-----
Donde M es mRNA y P protena.
- Enfoque determinista:
Al realizar un balance de materia en el sistema se obtienen las ecuaciones que describen su
comportamiento:
J|H]
Jt
= s o
m
|H]
J|P]
Jt
= k|H] o
p
|P]
Donde se han usado corchetes como notacin para indicar la cantidad de cada una de las macromolculas.
Estas ecuaciones se pueden resolver analticamente. Si se fijan las concentraciones iniciales de mRNA y
protena como nulas, se tiene que:
|H] =
s
o
m
(1 c
-6
m
t
)
2

|P] =
ks
o
p
o
m
+
ks
o
m
(o
m
o
p
)
c
-6
m
t
+
ks
o
p
(o
p
o
m
)
c
-6
p
t

Por tanto cuando se alcanza el estado de equilibrio las concentraciones de mRNA y protena son:
|H]
cq
=
s
o
m

|P]
cq
=
ks
o
p
o
m

En el trabajo propuesto se indica que o
m
= 1u
-1
, o
p
= 2
-1
. La condicin necesaria para que
|H]
cq
= |P]
cq
es, obviamente, la siguiente:
k = o
p
k = 2
-1

- Enfoque estocstico:
Segn el mtodo propuesto por Gillespie, cada una de las reacciones que se producen en el sistema se
considera un suceso aleatorio. Para predecir el comportamiento del sistema es necesario definir una
funcin matemtica que indique la densidad de probabilidad de que una reaccin concreta p ocurra tras un
intervalo de tiempo en el que no ha habido ninguna reaccin. Esta funcin se representar como P(p, ) y
la probabilidad de que, dado un estado del sistema en un instante, la siguiente reaccin ser la reaccin p
tras el intervalo de tiempo finito ser P(p, ) J.
Para obtener dicha densidad de probabilidad es necesario considerar dos factores: en primer lugar la
probabilidad de que se produzca la reaccin p en un determinado instante y en segundo la probabilidad de
que no se produzca ninguna reaccin durante el intervalo de tiempo .
El mtodo propone relacionar la probabilidad de que la reaccin p suceda con la velocidad de reaccin (o

)
de la forma:
o

J
Lo cual implica que la probabilidad de que no haya reaccin en el intervalo sea:
lim
t0
(1 o
u
t
4
v=1
)
:
t
= exp (o
u

4
v=1
)
De las anteriores consideraciones se obtiene la expresin para la densidad de probabilidad de reaccin:
P(p, ) J = o

J exp_o
u

4
v=1
_ ; P(p, ) = o

exp (o
u

4
v=1
)
Llegados a este punto, queda slo por determinar el algoritmo que se usar para manejar la funcin de
densidad de probabilidad de reaccin, que contiene la informacin necesaria para simular el
comportamiento del sistema.
Dicho algoritmo se basa en la seleccin del siguiente evento al azar, pero siguiendo la distribucin de
probabilidad que depende de lo propensas a ocurrir que son cada una de las reacciones. Lo que se necesita
es un mtodo para generar un par (p, ) en coherencia con una distribucin de pares de nmeros
aleatorios cuya densidad de probabilidad es P(p, ).
3

Gillespie demostr que si se generan dos nmeros aleatorios cualesquiera r
1
y r
2
, se pueden relacionar con
el par (p, ) de acuerdo a las reglas establecidas por P(p, ) de la siguiente manera:
=
1
o
u
4
v=1
ln _
1
r
1
]
Mientras que p ser el entero para el cual se cumpla
o
u
-1
v=1
< r
2
o
u
4
v=1
o
u

v=1

Para hacer una simulacin hay que llevar un registro del nmero de molculas presentes en el sistema,
actualizando el nmero cada vez que se da un evento determinado, as como tambin hay que llevar un
registro del avance del tiempo.
A estas alturas los pasos del algoritmo resultan evidentes:
0.- Se introducen los valores de las constantes de reaccin, as como la cantidad inicial de molculas
presentes.
1.- Se calculan las velocidades de reaccin o

.
2.- Generacin de dos nmeros aleatorios r
1
y r
2
y obtencin del par (p, ) a partir de ellos.
3.- Usando el par (p, ) obtenido, modificar la poblacin de molculas correspondiente aumentando o
disminuyendo la cantidad en una unidad. Regresar al paso 1.
Resultados
Utilizando Matlab, se escribi un cdigo para simular el sistema mediante el enfoque estocstico y se
compar los resultados obtenidos con la prediccin determinista (usando los valores de parmetros
mencionados anteriormente y un valor para s=10000). Una determinada simulacin produjo el siguiente
resultado:

En rojo est representado el nmero de protenas y en azul el nmero de mRNA estimados
estocsticamente, mientras que las lneas negras indican la evolucin del sistema determinista.
4

Claramente, el resultado variar para cada una de las simulaciones. Si se superponen dos predicciones en la
misma grfica se obtiene lo siguiente:

En los resultados se observa que las predicciones estocsticas poseen cierto grado de aleatoriedad, pero
naturalmente estn centradas alrededor de la solucin determinista, ya que la formulacin del enfoque
determinista se basa en considerar valores promediados (extrapolados a variables continuas) de los
choques moleculares y la energa de los mismos.
En las siguientes imgenes se puede observar que el ruido es ms significativo cuando menor es la cantidad
de protena y mRNA. Para ello se vara el parmetro s, que toma valores desde 500 hasta 50000,
aumentndose con un factor de 10:


El ruido es ms significativo a menores cantidades porque en esas condiciones los choques entre partculas
son ms improbables y se ve ms reflejado el carcter discreto del sistema reaccionante.
5

A continuacin se presentan algunos casos en que se ha fijado la cantidad de protena a 500 unidades, pero
se vara la cantidad de mRNA. Para esto debe cumplirse que k s = 1uuuu y no necesariamente ser
|H]
cq
= |P]
cq
. Los ensayos se corresponden a valores enteros del parmetro k desde 1 hasta 4.


De nuevo se observa que los efectos del ruido tienen una mayor importancia relativa cuando la cantidad de
uno de los compuestos disminuye, lo cual es totalmente lgico.
Consecuencias
La estocasticidad en la expresin gentica proviene de fluctuaciones en los mecanismos de transcripcin y
traduccin, principalmente debido a la naturaleza discreta y probabilista de las reacciones.
El movimiento molecular trmico es el responsable del choque de un grupo de molculas. En el enfoque
determinista se considera, en una aproximacin, que la cantidad de choques efectivos es una variable
continua y determinista. Esa simplificacin es satisfactoria siempre y cuando la varianza estadstica del
nmero de choques sea absolutamente despreciable frente a la media del nmero de choques. Adems
debe cumplirse que la parte decimal de los cambios en la cantidad de molculas en un intervalo de
tiempo sea diminuta en relacin a la parte entera, condiciones que se pierde cuando el nmero de
molculas presentes es pequeo.
En general se considera que esta aleatoriedad puede tener efectos negativos en las funciones celulares,
pudiendo ocasionar enfermedades. Sin embargo tambin puede presentar efectos ventajosos, puesto que
puede aportar la flexibilidad necesaria para la adaptacin de las clulas a condiciones del entorno
cambiantes o agresivas.


6

Bibliografa
D. T. Gillespie, Exact Stochastic Simulation of Coupled Chemical Reactions, The Journal of Physical
Chemistry 81, 2340-2361 (1977).
M Kaern et al, Stochasticity in Gene Expression: from Theories to Phenotypes, Nature Reviews Genetics 6,
451 (2005).
S. Duque Tobn, Simulacin estocstica de un proceso de cristalizacin reactiva, Tesis de Master,
Universidad Nacional de Colombia (2011).

Anexo: Cdigo del programa
%Sistema estocstico
clear all
clc
RandStream.setDefaultStream(RandStream('mt19937ar','seed',sum(100*clock)));
%Constantes cinticas:
s=2500;
k=4;
dm=10;
dp=2;
%Cantidades iniciales:
x1=0;
x2=0;
t=0;
n=0;
nmax=14000;
M=zeros(1,nmax);
P=zeros(1,nmax);
T=zeros(1,nmax);
Mdet=zeros(1,nmax);
Pdet=zeros(1,nmax);
while (n<nmax)
a1=s;
a2=k*x1;
a3=dm*x1;
a4=dp*x2;
a0=a1+a2+a3+a4;
r1=rand;
r2=rand;
tau=log(1/r1)/a0;
if (r2*a0<=a1)
x1=x1+1;
elseif (r2*a0<=(a1+a2))
x2=x2+1;
elseif (r2*a0<=(a1+a2+a3))
x1=x1-1;
elseif (r2*a0<=(a1+a2+a3+a4))
x2=x2-1;
end
t=t+tau;
n=n+1;
M(n)=x1;
P(n)=x2;
T(n)=t;
Mdet(n)=s*(1-exp(-dm*t))/dm;
Pdet(n)=k*s*(1/(dp*dm)+exp(-dp*t)/(dp*(dp-dm))+exp(-dm*t)/(dm*(dm-dp)));
end
plot(T,M)
hold on
plot(T,P,'r')
plot(T,Mdet,'black')
plot(T,Pdet,'black')