Vis enkel innførsel

dc.contributor.advisorØyås, Ove
dc.contributor.authorWedmark, Ylva Katarina
dc.coverage.spatialNorwayen_US
dc.date.accessioned2022-08-16T12:36:52Z
dc.date.available2022-08-16T12:36:52Z
dc.date.issued2022
dc.identifier.urihttps://hdl.handle.net/11250/3012133
dc.description.abstractA metabolic network is the system of biochemical reactions that sustain the life of an organism. The genetics of a given organism is highly involved in the reaction fluxes in the network. In recent years, large amounts of genomic data have been obtained from a variety of organisms. This data can be integrated in mathematical models of a network, enabling both prediction and understanding of diverse metabolic networks under a wide variety of circumstances. The metabolic models can be mathematically analyzed more easily by imposing constraints on the reaction rates of the network, based on empirical data. Two types of constraint-based analysis have emerged: Biased analyses, based on maximizing or minimizing some objective of the metabolic model, for example maximizing cellular growth, and unbiased analyses, attempting to describe all possible flux combinations though a modeled metabolic network that are valid under the constraints of the model. While biased methods have evolved to analyze comprehensive genome-scale and multi-cellular models, the unbiased methods lag behind because the number of computations grow combinatorically with model size. Multiple approaches aim to improve scalability of unbiased analysis. In this thesis, I apply two unbiased methods: Enumeration of elementary conversion modes (ECMs) and enumeration of minimal pathways (MPs) on models of different sizes. I aim to compare the methods, reproduce results from earlier work, and gain insight on how to make unbiased analysis more scalable. The results highlight the importance of reproducing previous findings and the scalability of some unbiased methods. Initially the results were not successfully reproduced, but after the cause was discovered, the results were reproduced correctly. MP analysis scaled to larger models than ECMs, by allowing more constraints on the model and by implementing random sampling of MPs. However, this approach can be challenging, as the number of samples required is not known beforehand. Furthermore, the additional constraints could be a source of bias. Although challenges of unbiased analysis still persist, this research clarifies which strategies that could be implemented for improving scalability of unbiased analysis.en_US
dc.description.abstractEt metabolsk nettverk er det biokjemiske systemet som opprettholder en organisme. Genetikken til en gitt organisme er i høyest grad involvert i hvilke reaksjoner som forekommer i nettverket. I de siste årene har store mengder genetisk data blitt hentet fra et mangfoldig utvalg av organismer. Dataen kan broderes inn i matematiske modeller av metabolske nettverk, noe som tillater prediksjon og forståelse av varierte metabolske nettverk, utsatt for varierte betingelser. Disse modellene kan analyseres mye lettere ved å innføre begrensinger av hastigheten til reaksjonene i modellen, basert på empirisk data. Begrensings-basert modellering kan inndeles i to typer analyse: Partisk og upartisk analyse. Partisk analyse er basert på optimering av et egen-definert formål, for eksempel maksimering av cellevekst. Ved upartisk analyse er målet å beskrive alle mulige kombinasjoner av reaksjonshastigheter, som er mulige ved gitte begrensninger, gjennom det modellerte metabolske nettverket. Mens partiske metoder brukes på store metabolske modeller og flercellede modeller, har ikke de upartiske metodene utviklet seg til dette nivået ennå. En viktig grunn til dette er at antall kalkulasjoner som trengs for å finne alle hastighetskombinasjonene øker kombinatorisk med modellstørrelse. Flere strategier har blitt benyttet for å gjøre upartisk analyse mer skalerbart. I denne oppgaven anvender jeg to upartiske analysemetoder på metabolske modeller av ulik størrelse: Opptelling av elementary conversion modes (ECMs) og opptelling av minimal pathways (MPs). Formålet er å sammenligne metodene, reprodusere tidligere funn og forstå hvordan man kan gjøre upartisk analyse mer skalerbart. Resultatene viser viktigheten i å reprodusere tidligere funn og skalerbarheten til noen upartiske metoder. I første omgang ble ikke tidligere funn reprodusert, men etter en feil i programmet ble oppdaget og fikset ble de reprodusert. MP analyse skalerte bedre til større modeller enn ECMs ved å tillate flere begrensinger på modellen og ved å implementere tilfeldig utvalg av MPs. Likevel kan det være utfordrende å bruke denne tilnærmingen fordi man ikke kan vite utvalgsstørrelsen på forhånd. Dette arbeidet oppklarer hvilke strategier som kan implementeres for å forbedre skalerbarheten til upartiske analyser.en_US
dc.language.isoengen_US
dc.publisherNorwegian University of Life Sciences, Åsen_US
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internasjonal*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.no*
dc.titleUnbiased analysis of metabolite exchanges in metabolic modelsen_US
dc.typeMaster thesisen_US
dc.description.versionsubmittedVersionen_US
dc.subject.nsiVDP::Teknologi: 500en_US
dc.subject.nsiVDP::Matematikk og Naturvitenskap: 400en_US
dc.description.localcodeM-KBen_US


Tilhørende fil(er)

Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel

Attribution-NonCommercial-NoDerivatives 4.0 Internasjonal
Med mindre annet er angitt, så er denne innførselen lisensiert som Attribution-NonCommercial-NoDerivatives 4.0 Internasjonal