Computational Genetic Regulatory Networks: Evolvable, Self-organizing Systems

شبکه‌های تنظیم‌کننده ژنتیک (GRN) در موجودات بیولوژیکی موتورهای اولیه سلول‌ها هستند تا درگیری‌های خود را با محیط‌ها از طریق جفت شدن مداوم و پیوسته فعال انجام دهند. در موجودات چند سلولی متمایز، پیچیدگی فوق‌العاده‌ای در سیر تکامل حیات روی زمین پدید آمده است.

مهندسی و علم تاکنون به هیچ سیستم کاری دست نیافته‌اند که با این پیچیدگی، عمق و گستره سازمان قابل مقایسه باشد.

انتزاع دینامیک کنترل تنظیمی ژنتیکی به یک چارچوب محاسباتی که در آن GRN های مصنوعی در سلول های شبیه سازی شده مصنوعی در حالی که در یک توپولوژی در حال تغییر متصل می شوند، متمایز می شوند، می توان تکامل داروینی در سیلیکو را اعمال کرد. برای مطالعه ظرفیت چنین GRN های تکوینی/متمایز برای تکامل.

در این جلد یک الگوی تکاملی GRN برای تکامل و استحکام آن در مدل های ساعت های بیولوژیکی، در چند سلولی متمایز ساده، و در توسعه مصنوعی در حال تکامل بررسی شده است. ارگانیسم‌هایی که رشد می‌کنند و یک انتوژن را بیان می‌کنند که از یک سلول منفرد در تعامل با محیط خود شروع می‌شود، و در نهایت شامل تغییر همسایگی محلی از سلول‌های دیگر می‌شود.

این روش‌ها ممکن است به ما در درک پیدایش، سازمان‌دهی، انعطاف‌پذیری تطبیقی ​​و تکامل پذیری سیستم‌های بیولوژیکی متمایز کمک کنند، و همچنین ممکن است الگویی برای انتقال این اصول موفقیت زیست‌شناسی به چالش‌های محاسباتی و مهندسی در مقیاسی غیر از آن ارائه کنند. قبلا قابل تصور بود

Genetic Regulatory Networks (GRNs) in biological organisms are primary engines for cells to enact their engagements with environments, via incessant, continually active coupling. In differentiated multicellular organisms, tremendous complexity has arisen in the course of evolution of life on earth.

Engineering and science have so far achieved no working system that can compare with this complexity, depth and scope of organization.

Abstracting the dynamics of genetic regulatory control to a computational framework in which artificial GRNs in artificial simulated cells differentiate while connected in a changing topology, it is possible to apply Darwinian evolution in silico to study the capacity of such developmental/differentiated GRNs to evolve.

In this volume an evolutionary GRN paradigm is investigated for its evolvability and robustness in models of biological clocks, in simple differentiated multicellularity, and in evolving artificial developing 'organisms' which grow and express an ontogeny starting from a single cell interacting with its environment, eventually including a changing local neighbourhood of other cells.

These methods may help us understand the genesis, organization, adaptive plasticity, and evolvability of differentiated biological systems, and may also provide a paradigm for transferring these principles of biology's success to computational and engineering challenges at a scale not previously conceivable.