Académique Documents
Professionnel Documents
Culture Documents
INSTITUTO DE F
ISICA DE SAO CARLOS
So Carlos
a
2011
Area de Concentrao: F
ca
sica Bsica
a
Orientador: Prof. Dr. Jos Eduardo Martinho
e
Hornos
Verso Original
a
So Carlos
a
2011
AGRADECIMENTOS
Em reconhecimento ao processo percorrido para chegar at aqui, rendo homenagem
e
a todos os que permitiram que o objetivo fosse alcanado. Agradeo ` fam
c
c a
lia, pela
oportunidade de estar aqui e por todo o amor e apoio concendidos. A todos que se
apresentaram como grandes companheiros, dispostos a dividir os bons momentos e me
aturar nos no to bons. Aos bravos guerreiros (inclusive os desertores!) ao lado dos
a a
quais combati nestes anos de graduao e mestrado! Aos professores do Instituto de
ca
F
sica de So Carlos pela formao tcnica e acadmica, pela preocupao e dedicao na
a
ca e
e
ca
ca
`
maioria dos casos. Aos funcionrios por todo o suporte e galhos quebrados. A FAPESP
a
pelo nanciamento do projeto. Ao meu orientador pelo aprendizado, reconhecimento e
pacincia. Em especial, meu muito obrigado aos Amigos.
e
RESUMO
ABSTRACT
LISTA DE FIGURAS
Figura 2.1 - Distribuio conjunta de probabilidades n,m para os seguintes valca
ores de parmetros: K = 5, = 0.5, = 40, = 20, F = 5, = 0.1 . 26
a
Figura 2.2 - Reduo da distribuio conjunta n,m de 2.1 para n . . . . . . . . 28
ca
ca
Figura 2.3 - Comportamento da probabilidade P em funo do nmero mdio
ca
u
e
n de protenas repressoras, para H = 0.5 e diferentes valores de F
30
k2
2
= 20, P 0.5 . . . . . . . . . . . . . . . . . . . . . . . . . . 32
k2
2
= 20 e P 0.8 . . . . . . . 33
k2
2
= 20 e P 0.5 . . . . . . . 34
Figura 2.9 - Curvas de nvel da funo g(b0 , a). Na regio amarela, alaranjada
ca
a
e vermelha temos respectivamente g > 0.5, 0.1 < g < 0.5 e g < 0.1.
Para b0 0 e a = 0, g . . . . . . . . . . . . . . . . . . . . . . 36
Figura 2.10 -Grcos paramtricos das curvas dadas por (a(H), b0 (H)), com H
a
e
indo de 0 a 1, para F = 0.1 e diferentes valores de n . . . . . . . . 37
Figura 2.11 -Comparao entre os clculos exatos e aproximados para a disca
a
tribuio conjunta n,m . n = 10, = 40, = 20, = 0.1, P =
ca
0.43, a = 4.9, b0 = 7.1 . . . . . . . . . . . . . . . . . . . . . . . . . . 41
Figura 2.12 -Comparao entre os clculos exatos e aproximados para a disca
a
tribuio conjunta n,m . n = 10, = 20, = 1, = 0.1, P =
ca
0.43, a = 4.9, b0 = 7.1 . . . . . . . . . . . . . . . . . . . . . . . . . . 41
k2
2
= 30,
ap
= 0.2 e P = 0.6 . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
u
nas do tipo 1 como
funo da concentrao de IPTG . . . . . . . . . . . . . . . . . . . 50
ca
ca
Figura 2.22 -Comportamento da mdia no nmero de prote
e
u
nas do tipo 2 como
funo da concentrao de IPTG . . . . . . . . . . . . . . . . . . . 51
ca
ca
Figura 2.23 -Comportamento do rudo no nmero de prote
u
nas do tipo 2 como
funo da concentrao de IPTG . . . . . . . . . . . . . . . . . . . 51
ca
ca
Figura 2.24 -Coeciente de correlao entre as prote
ca
nas 1 e 2 como funo da
ca
concentrao de IPTG . . . . . . . . . . . . . . . . . . . . . . . . . 52
ca
SUMARIO
1 Introduo
ca
1.1
15
2 Solues estacionrias
co
a
2.1
23
Resultados exatos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.1
2.1.2
2.1.3
2.1.4
2.1.5
2.2
Soluo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
ca
Correlao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
ca
Resultados aproximados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.2.1
Funes geradoras . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
co
2.2.2
2.3
Expresso em cascata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
a
3 Mtodo variacional
e
53
3.1
Descrio do mtodo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
ca
e
3.2
59
4.1.2
4.1.3
4.2
5 Concluso
a
69
REFERENCIAS
71
75
77
15
Introduo
ca
1 Introduo
ca
16
funcionais de uma bactria podemos nos deparar com dezenas de genes que se regulam
e
por meio das prote
nas por eles codicadas, formando uma cadeia de interaes ` semelco a
hana dos circuitos eltricos. Em eucariotos a questo ainda mais articulada mesmo em
c
e
a e
processos simples como a segmentao da Drosophila (4). A expresso do gene even, por
ca
a
exemplo, envolve sete prote
nas reguladoras e pelo menos dezessete s
tios de ligao numa
ca
regio de 1.6 kilobases.
a
A maneira cannica de proceder no estudo das redes gnicas consiste em estudar as
o
e
unidades mais simples da regulao gnica (como o exemplo lacI-operon lac), e atravs
ca e
e
de seu entendimento terico procurar maneiras de extender os resultados para redes mais
o
gerais, atravs da elaborao de regras que permitam o acoplamento entre estas unidades.
e
ca
Entretanto, a descrio deste tipo de sistema no envolve apenas o conhecimento
ca
a
do nmero de prote
u
nas presentes na clula. Devido ao fato de os reagentes envolvidos
e
nas reaes de transcrio e traduo (RNA polimerases, fatores de transcrio, RNA
co
ca
ca
ca
mensageiros, etc) se apresentarem em geral em nmeros pequenos, a presena da estocasu
c
ticidade no nmero destes elementos inevitvel (57) . Esta variabilidade importante
u
e
a
e
do ponto de vista biolgico, pois permite a adaptabilidade das espcies frente a mudanas
o
e
c
do ambiente, mas espera-se que que haja um mecanismo de controle deste ru de modo
do
a no debilitar a conabilidade da rede. A compreenso destes sistemas se d portanto
a
a
a
atravs do conhecimento das distribuies de probabilidade de encontrar um certo nmero
e
co
u
de prote
nas (ou outros fatores de interesse) na clula (no caso lacI-operon lac, as variveis
e
a
estocsticas podem ser o nmero de prote
a
u
nas repressoras e o nmero de prote
u
nas produzidas pelo gene reprimido).
No sentido de incorporar a estocasticidade na modelagem terica das redes gnicas,
o
e
tem-se observado na literatura de maneira geral trs tipos de abordagem. Na primeira,
e
investiga-se o comportamento das redes atravs de simulaes de Monte Carlo (811),
e
co
incorporando atravs de equaes simplicadas as reaes qu
e
co
co
micas envolvidas. Apesar desta abordagem poder ser utilizada em redes de tamanhos em princ
pio arbitrrios
a
(dentro da capacidade computacional permitida), a investigao por meio de um mtodo
ca
e
puramente numrico no nos permite ter um entendimento preciso da relevncia de cada
e
a
a
um dos processos e efeitos envolvidos. Algumas simulaes mais sosticadas e de menor
co
custo computacional que levam em conta o conhecimento de redes menores tambm tm
e
e
sido desenvolvidas (12).
Em uma outra frente o nmero de prote
u
nas tratado como uma varivel cont
e
a
nua que
evolui no tempo segundo um sistema de equaes diferenciais acopladas, que levam em
co
1 Introduo
ca
17
ntese proteica.
A vantagem desta terceira abordagem a possibilidade de obteno de solues
e
ca
co
anal
ticas (devido ao fato de as redes serem pequenas). Um resultado anal
tico aliado
ao n
vel de detalhe que um modelo mesoscpico pode atingir confere a capacidade de
o
realizao de aproximaes poderosas para redes realistas.
ca
co
O modelo introduzido por Peter Wolynes trata um gene como uma entidade binria, da
a
seguinte maneira: quando o gene se encontra livre de prote
nas repressoras ele transcrito
e
a uma certa taxa, enquanto que quando ocupado por um repressor ou indutor, transcrito
e
a uma taxa menor ou maior, respectivamente. O alvo da teoria so as probabilidades de
a
encontrar o gene ligado ou desligado, e a transio entre estes estados depende do nmero
ca
u
de prote
nas repressoras ou indutoras presentes no meio. Devido ` analogia entre este
a
sistema e um spin eletrnico (estados up e down) na presena de um campo bosnico
o
c
o
(operadores de campo ligados ` variao do nmero de ftons do meio), este modelo leva
a
ca
u
o
o nome de modelo de Spins e Bsons.
o
Uma vantagem desta analogia a possibilidade de importar tcnicas utilizadas em
e
e
f
sica do estado slido, como a aproximao de Hartree-Fock, para os sistemas biolgicos.
o
ca
o
1 Introduo
ca
18
O modelo de Spins e Bsons foi resolvido por Innocentini e Hornos para o caso em
o
que as taxas de ligamento e desligamento do gene independem do nmero de prote
u
nas
repressoras (24) e por Hornos et al. para o caso do gene auto-repressor (25), este ultimo
sendo de especial importncia para a E. coli tendo em vista que cerca de 30 por cento do
a
seu genoma composto por genes auto-interagentes. As solues para estado estacionrio
e
co
a
envolvem funes hipergeomtricas conuentes (dois pontos singulares) e as solues deco
e
co
pendentes do tempo envolvem as funes de Heun conuentes (trs pontos singulares).
co
e
A incorporao de funes com mais de uma singularidade na biologia terica demonstra
ca
co
o
um avano natural no entendimento dos sistemas biolgicos, uma vez que estas funes
c
o
co
tm aparecido tambm em campos da f
e
e
sica como relatividade geral (26).
Nesta dissertao analisamos o modelo de spins e bsons para o sistema de dois
ca
o
genes interagentes mais simples, como a rede lacI-operon lac. O gene repressor funciona
em apenas um estado e as prote
nas repressoras desligam um segundo gene, que pode
funcionar em dois estados (ligado e desligado). No Cap
tulo 2 apresentamos a soluo
ca
exata para a distribuio de probabilidades estacionria, e uma soluo aproximada em
ca
a
ca
termos de funes hipergeomtricas conuentes. No mesmo cap
co
e
tulo mostramos como
esta soluo pode ser utilizada para a reproduo de dados experimentais para uma rede
ca
ca
de trs genes apresentada em (15). O Cap
e
tulo 3 explora um mtodo variacional para
e
este sistema, mostrando sua consistncia com a soluo aproximada do Cap
e
ca
tulo 2. O
Cap
tulo 4 traz a probabilidade de ocupao do s operador do gene reprimido (de ele
ca
tio
estar ligado ou desligado) como funo do tempo. Esta soluo dada em termos das
ca
ca e
funes conuentes de Heun. O ultimo cap
co
1.1
19
O gene 2 pode funcionar em dois estados. Quando seu s operador est livre, o
tio
a
gene est ligado e produz prote
a
nas 2 a uma taxa k2 . Se o s operador do gene 2 est
tio
a
ocupado por uma prote repressora, produz prote
na
nas a uma taxa menor, dada por k2 ,
onde 0 < 1. Em ambos os estados, as prote
nas do segundo gene so degradadas com
a
taxa m2 , onde m o nmero de prote
e
u
nas 2.
Assumiremos que a probabilidade por unidade de tempo de uma prote repressora
na
se ligar ao gene 2, desligando-o, proporcional ao nmero n de prote
e
u
nas repressoras (nh).
A taxa com que uma prote repressora se solta do gene 2, ligando-o, depende apenas
na
da anidade entre esta prote e o s operador, e portanto constante (f ).
na
tio
e
A probabilidade de em um instante t encontrar o gene 2 ligado, com n prote
nas
do gene 1 e m do gene 2 na clula dada por n,m (t). Analogamente, a probabilidade
e
e
de encontrar o gene 2 desligado, com n e m prote
nas 1 e 2 dada por n,m (t). Desta
e
maneira, a probabilidade conjunta de encontrar no meio n prote
nas do tipo 1 e m do
tipo 2 n,m (t) = n,m (t) + n,m (t).
e
As equaes mestras que governam estes processos de Markov so (21-22):
co
a
n,m
= k1 (n1,m (t) n,m (t)) + 1 ((n + 1)n+1,m (t) nn,m (t))
t
k2 (n,m1 (t) n,m (t)) + 2 ((m + 1)n,m+1 (t) mn,m (t))
nhn,m (t) + f n,m (t)
(1.1)
n,m
= k1 (n1,m (t) n,m (t)) + 1 ((n + 1)n+1,m (t) nn,m (t))
t
k2 (n,m1 (t) n,m (t)) + 2 ((m + 1)n,m+1 (t) mn,m (t))
+nhn,m (t) f n,m (t)
(1.2)
n,m=0
n,m=0
n,m=0
n,m (t)z n y m
n,m (t)z n y m
n,m (t)z n y m
(1.3)
1 Introduo
ca
20
= (z 1) k1 (z, y, t) 1
+
t
z
(
)
)
(
+
= (z 1) k1 (z, y, t) 1
t
z
(
)
+(y 1) k2 (z, y, t) 2
hz
+ f ((z, y, t) (z, y, t))
y
z
(1.4)
(1.5)
A equao 1.4 vem da soma das equaes 1.1 e 1.2, e a equao 1.5 a mesma que a
ca
co
ca
e
1.1
A distribuio de probabilidades n,m (t) reobtida da funo geradora atravs da
ca
e
ca
e
expresso:
a
1
n,m (t) =
n!m!
n+m
z n y m
)
(1.6)
z=0,y=0
n m (t) =
z
y
(z, y, t)
z
y
(1.7)
z=1,y=1
n,m (t) = 1
(1.8)
n,m=0
E importante notar que as funes geradoras, por denio (equao 1.3), so funes
co
ca
ca
a
co
anal
ticas nas variveis z e y. Como a obteno das probabilidades e dos momentos
a
ca
se do respectivamente nos pontos (z, y) = (0, 0) e (z, y) = (1, 1), precisamos impor
a
que as solues das equaes diferenciais parciais 1.4 e 1.5 sejam anal
co
co
ticas no intervalo
0 (z, y) 1. Tal requerimento essencial para as solues apresentadas nos prximos
e
co
o
cap
tulos.
Outra propriedade importante que podemos obter a probabilidade P (t) de encontrar
e
o gene 2 ligado (s operador desocupado), e sua probabilidade complementar P (t):
tio
P (t) = (z = 1, y = 1, t) =
n,m=0
n,m (t)
(1.9)
P (t) = (z = 1, y = 1, t) =
n,m=0
21
(1.10)
22
1 Introduo
ca
23
Solues estacionrias
co
a
Neste cap
tulo estamos interessados essencialmente no clculo da distribuio conjunta
a
ca
de probabilidade n,m de encontrar n prote
nas do gene repressor (gene 1) e m prote
nas
do gene regulado (gene 2) na clula, no estado estacionrio.
e
a
Primeiramente, apresentaremos a soluo exata do problema atravs de uma preca
e
scrio para o clculo de n,m . Em seguida, explorando resultados anal
ca
a
ticos para os
momentos de ordem mais baixa da distribuio, desenvolveremos uma soluo aproxica
ca
mada e discutiremos seu regime de validade. Finalmente, apresentaremos uma proposta
simples para a generalizao destes resultados para a cadeia de trs genes da referncia
ca
e
e
(15).
2.1
2.1.1
Resultados exatos
Soluo
ca
2 Solues estacionrias
co
a
24
(z 1) k1 (z, y) 1
+ (y 1) k2 (1 )(z, y) + k2 (z, y) 2
= 0 (2.1)
z
y
)
)
(
(z 1) k1 (z, y) 1
+(y1) k2 (z, y) 2
hz
+f ((z, y)(z, y)) = 0
z
y
z
(2.2)
(
1
1 +h
e H= 1h
+h
z
.
H
A razo para esta mudana se baseia no fato de as funes geradoras serem denidas
a
c
co
como funes anal
co
ticas em z e y (ambas variveis entre 0 e 1). Como solues regulares so
a
co
a
mais facilmente obtidas e identicadas realizando-se expanses das equaes diferenciais
o
co
em torno dos pontos singulares, utilizamos a varivel u, de modo que tais expanses
a
o
expressem e como sries de potncias de u e v, ou (u 1) e v.
e
e
Reescalando as taxas em unidades de (1 + h) atravs da introduo dos parmetros
e
ca
a
K=
k1
,
1 +h
(u 1)
k2
,
1 +h
2
1 +h
eF =
f
,
1 +h
+ v
(KH(u 1) + v) (u, v) v(1 )(u, v) = 0
u
v
+ v
(KH(u 1) + v F ) (u, v) F (u, v) = 0
u
v
(2.3)
(2.4)
m=0
(
)
m=0
(2.5)
)
dm (
+ m KH 2 (u 1) m (u) + (1 ) (m1 (u) m1 (u)) = 0 (2.6)
du
25
dm
+ (m + F + KH) m (u) F m (u) = 0
du
(2.7)
A exponencial em v nas transformaes 2.5 foi colocada de modo que a equao 2.7
co
ca
dependa apenas de m (u). Caso contrrio, o termo v(u, v) de 2.4 produziria um
a
termo proporcional a m1 na 2.7. A parte em u da exponencial assegura que a soluo
ca
da equao 2.7 possa ser expressa de maneira simples como:
ca
F
Cm
m (u) = m+F +KH
m (u)um+F +KH1 du + m+F +KH
u
u
(2.8)
Tn,m (u 1)n
n=0
An,m (u 1)n
(2.9)
KH 2
(1 )
Tn1,m
(Tn,m1 An,m1 )
n + m
n + m
(2.10)
m (u) =
n=0
A equao 2.6 d:
ca
a
Tn,m =
A relao de recorrncia 2.10 vale para n e m naturais, com a denio de que Tn,1 = 0
ca
e
ca
e An,1 = 0. Como (z = 1, y = 1) = 1, temos que a 2.10 iniciada com:
e
T0,0 = 1
(2.11)
Para completar a soluo resta encontrar uma expresso que relacione An,m com os
ca
a
Tn,m . Como apontado anteriormente, a integral 2.8 d esta prescrio. Substituindo a
a
ca
2 Solues estacionrias
co
a
26
F
m (u) =
(1)n Tn,m 2F1 (n, bm ; 1 + bm ; u)
bm n=0
(2.12)
Tk,m F
k=n
(1)k+n k! (n + bm )
n!
(1 + k + bm )
(2.13)
0,010
0,008
n,m
0,006
0,004
0,002
0,000
0
5
40
10
30
15
20
20
10
25
Figura 2.1 Distribuio conjunta de probabilidades n,m para os seguintes valores de parmetros:
ca
a
K = 5, = 0.5, = 40, = 20, F = 5, = 0.1
27
mais baixa da distribuio, e uma soluo aproximada para o problema. Tais resultados
ca
ca
nos permitiro extrair informaes relevantes atravs de expresses relativamente simples
a
co
e
o
sobre o comportamento de grcos como da gura 2.1.
a
2.1.2
n,m
(2.14)
m=0
(2.15)
A constante arbitrria da soluo da EDO foi escolhida de modo que (1) = 1. Uma
a
ca
funo geratriz exponencial gera uma distribuio de probabilidades Poissoniana:
ca
ca
n =
(k1 /1 )n
exp (k1 /1 )
n!
(2.16)
2 Solues estacionrias
co
a
28
k1
K
=
1
(2.17)
0,15
0,10
0,05
0,00
10
20
30
(2.18)
2.1.3
29
(2.19)
(2.20)
(2.22)
d0
+ (F + KH)0 (u) F 0 (u) = 0
du
(2.23)
(F + KH)0 (u) = 0
u 2 + 1 + F + KH
du
du
(2.24)
(
(
)
(
))
KH 2
KH 2
C1 M 1 , 1 + F + KH ,
u + C2 U 1 , 1 + F + KH ,
u
(2.25)
2 Solues estacionrias
co
a
30
) (
)
KH 2
KH 2
(u 1) M 1 , 1 + F + KH ,
u
(2.26)
(
)
F
M 1 , 1 + F + n H , n H 2
F + n H
(2.27)
Nas guras 2.3 e 2.4, vemos como a represso do gene 1 sobre o gene 2 depende dos
a
dois parmetros independentes F e H. F o parmetro ligado ` taxa com que as prote
a
e
a
a
nas
repressoras se soltam do operador do segundo gene, e portanto vemos que conforme este
parmetro aumenta, a represso tende a ser menos eciente. O contrrio ocorre com o
a
a
a
parmetro H, ligado ` anidade da prote repressora com o gene 2. Conforme este
a
a
na
parmetro aumenta, o segundo gene cada vez mais fortemente reprimido.
a
e
A expresso 2.27 para P consegue portanto reproduzir o chaveamento de um gene
a
conforme a quantidade repressores no meio, usualmente modelado atravs de funes de
e
co
31
Hill.
2.1.4
m =
(2.28)
y z=1,y=1
Derivando a equao 2.1 em y e substituindo z = 1 e y = 1, temos:
ca
m =
k2
(P + P )
2
(2.29)
m =
(P + P )
(2.30)
ou:
2 Solues estacionrias
co
a
32
a exemplo do que foi discutido para n na seo 2.1.2. Por outro lado, se o estado em
ca
prote
nas produzidas pelo gene 2 igual ao nmero mdio de prote
e
u
e
nas produzidas quando
este gene se encontra ativado vezes a probabilidade de ele estar ativado, mais o nmero
u
mdio produzido quando o gene se encontra desligado vezes a probabilidade de ele estar
e
desligado.
Esta discusso nos permite compreender mais um aspecto da distribuio conjunta
a
ca
n,m apresentada na gura 2.1, ou na distribuio individual m correspondente, apresenca
tada na gura 2.5. Neste exemplo, temos
k2
2
0,10
0,08
0,06
0,04
0,02
0,00
10
20
30
40
50
60
Figura 2.5 Reduo da distribuio conjunta n,m da gura 2.1 para m . n = 10,
ca
ca
P 0.5
k2
2
= 20,
A altura destes mximos depende dos valores de P e P . Para o caso das guras 2.1
a
e 2.5 temos P = P = 0.5. J nas guras 2.6 e 2.7 o mximo ao redor de m = 20 bem
a
a
e
mais intenso, pois P = 0.8.
33
0,010
0,008
n,m
0,006
0,004
0,002
0,000
-5
0
5
40
10
30
15
20
20
10
0
25
Figura 2.6 Distribuio conjunta n,m para K = 9, = 0.9, = 40, = 20, F = 5, = 0.1. Desta
ca
maneira, n = 10,
k2
2
= 20 e P 0.8
0,08
0,06
0,04
0,02
0,00
10
20
30
40
k2
2
2
e k2 xam as posies
co
2 Solues estacionrias
co
a
34
o gene desligue [ligue]. Nestas condies veremos uma estrutura bimodal na distribuio
co
ca
de probabilidades.
Caso contrrio, se T2 Top , o processo de switching muito mais rpido, de modo que
a
e
a
a produo de prote
ca
nas se passa como se o gene funcionasse em um estado intermedirio
a
dado pela mdia dos dois estados originais. Neste caso, observamos uma estrutura na
e
distribuio de probabilidades de apenas um pico, e a distino entre dois estados de certa
ca
ca
forma perde o sentido. Esta condio denominada na literatura de limite adiabtico, e
ca e
a
um exemplo se encontra na gura 2.8.
Neste cap
tulo apresentaremos aproximaes para T2 e Top , e no Cap
co
tulo 4 mostraremos
uma estimativa mais rigorosa destes parmetros.
a
2.1.5
Correlao
ca
Atravs das equaes 2.1 e 2.2, poss obter uma expresso simples para a core
co
e
vel
a
relao entre os nmeros n e m de prote
ca
u
nas dos genes 1 e 2, respectivamente. Deniremos
aqui a correlao por:
ca
Corr(n, m) = nm n m
A partir da funo geradora (expresso 1.7), temos:
ca
a
( 2 )
nm =
zy z=1,y=1
(2.31)
(2.32)
35
0,012
0,010
0,008
n,m
0,006
0,004
0,002
0,000
40
30
10
20
15
10
20
25
Figura 2.8 Distribuio conjunta n,m para K = 5, = 0.5, = 20, = 1, F = 5, = 0.1. Desta
ca
maneira, n = 10,
k2
2
= 20 e P 0.5
)
=
z=1,y=1
)
+ k2 n
(2.33)
z=1,y=1
f
P
h
F
K
Corr(n, m) = (1 )
P P
+
H
(2.34)
(2.35)
F
F + KH
(2.36)
2 Solues estacionrias
co
a
36
, ou equivalentemente:
1
M
F + KH
KH 2
1 , 1 + F + KH ,
)
=
1
F + KH +
KH 2
(2.37)
KH 2
,
de
1
1
M (1 , 1 + b0 , a)
b0
b0 + a
(2.38)
Figura 2.9 Curvas de n da funo g(b0 , a). Na regio amarela, alaranjada e vermelha temos
vel
ca
a
respectivamente g > 0.5, 0.1 < g < 0.5 e g < 0.1. Para b0 0 e a = 0, g
A funo g se anula junto com a correlao, e ambas tm sinais opostos entre si. A
ca
ca
e
gura 2.9 mostra a funo g(b0 , a) atravs de suas curvas de n
ca
e
vel. Vemos da gura que
a correlao se anula conforme b0 ou a crescem, e que g cresce indenidamente conforme
ca
b0 se aproxima de zero, para a = 0. Nota-se que g indenidamente grande em uma
e
regio relativamente pequena do espao de parmetros, e portanto importante estudar
a
c
a
e
os valores de b0 e a em termos dos parmetros F , n e H (ou , uma vez que H + = 1),
a
para entender o que as regies da gura 2.9 representam, e quais regies possuem interesse
o
o
biolgico.
o
Tendo em vista o comentrio acima, a gura 2.10 mostra as curvas paramtricas
a
e
c : (a(H), b0 (H)), para F xo e diferentes valores de n, sobrepostas ao grco da gura
a
37
Figura 2.10 Grcos paramtricos das curvas dadas por (a(H), b0 (H)), com H indo de 0 a 1, para
a
e
F = 0.1 e diferentes valores de n
2.9.
Vemos da gura 2.10 que a correlao entre n e m parece ser importante apenas
ca
quando o nmero mdio de repressores pequeno (n 1), e que, conforme este nmero
u
e
e
u
cresce, a correlao entre as duas prote
ca
nas se aproxima rapidamente de zero. Aumentar
o parmetro F implica apenas em translaes positivas das curvas ao longo do eixo b0 .
a
co
Para sistemas biolgicos, em geral observamos nmeros t
o
u
picos de prote
nas da ordem de
centenas, ou at milhares. Portanto, se neste modelo n for tratado como uma prote
e
na,
e no como um RNA mensageiro ou algum outro fator de transcrio, pode ser vlida
a
ca
a
para sistemas reais uma aproximao de independncia estat
ca
e
stica. Na seo seguinte
ca
desenvolveremos uma aproximao neste sentido baseada na equao 2.37.
ca
ca
Momentos de maior ordem nas prote
nas do gene 2 no podem ser obtidos da mesma
a
maneira simples com a qual foi obtida a mdia e a covarincia, pois estes necessitam das
e
a
solues 2.10 e 2.13 das equaes 2.6 e 2.7.
co
co
2 Solues estacionrias
co
a
38
2.2
2.2.1
Resultados aproximados
Funes geradoras
co
Nas sees anteriores escrevemos as funes geradoras (z, y) e (z, y) em termos das
co
co
variveis u =
a
z
H
e v = y 1, na forma:
(
m=0
(
)
m=0
(2.39)
)
dm (
+ m KH 2 (u 1) m (u) + (1 ) (m1 (u) m1 (u)) = 0 (2.40)
du
dm
+ (m + F + KH) m (u) F m (u) = 0
du
(2.41)
As equaes 2.40 e 2.41 mais a condio de que as funes geradoras sejam anal
co
ca
co
ticas
levam a (como em 2.8):
( 2 )
)
(
exp KH u
2
(m 1) exp KH u (
m (u) = ( 1)
(u 1)
m1 (u) m1 (u)) du
(u 1)m
(2.42)
m (u) =
m (u)um+F +KH1 du
um+F +KH
(2.43)
Para m = 0, t
nhamos (2.15 e 2.26):
(
0 (u) = exp
)
KH 2
(u 1)
(2.44)
39
F
0 (u) =
exp
F + KH
) (
)
KH 2
KH 2
(u 1) M 1 , 1 + F + KH ,
u
(2.45)
F
=
F + KH +
(
KH 2
exp
)
KH 2
(u 1)
(2.46)
F
2
F +KH+ KH u
ap
que o 0 (u)
. Entretanto, esta
dado em 2.46 possa
a princ
pio ser vlido apenas para u 1, veremos na seo seguinte que as funes
a
ca
co
geradoras derivadas desta aproximao conseguem reproduzir os resultados exatos com
ca
bastante sucesso. No Cap
tulo 3 descrevemos uma maneira alternativa rigorosa de se
obter as solues aproximadas apresentadas aqui.
co
ap
Substituindo o 0 (u) de 2.46 em 2.42 (com m = 1), fcil ver que:
e a
(
)
KH 2
ap
1 (u) exp
(u 1)
(2.47)
Substituindo este na 2.43 (para m = 1), vemos que (em analogia com a 2.45):
)
(
)
(
F
KH 2
KH 2
ap
(u 1)
M 1 , 1 + + F + KH ,
u
(2.48)
1 (u) exp
+ F + KH
Na discusso a respeito da gura 2.9, vimos que quanto maior for o valor de b0 , mais
a
prxima de zero est a funo g(b0 , a). Portanto, podemos utilizar outra vez a aproximao
o
a
ca
ca
2.37 fazendo:
F
M
+ F + KH
KH 2
1 , 1 + + F + KH ,
u
F
+ F + KH +
KH 2
Procedendo da mesma maneira para m = 2, 3, ... nas equaes 2.42 e 2.43, obtemos as
co
seguintes funes geradoras aproximadas, em termos dos parmetros originais do modelo
co
a
2 Solues estacionrias
co
a
40
ap (z, y) = e
ap (z, y) = e
ap (z, y) = e
k1
k
(z1)+ 2 (y1)
1
2
k
k1
(z1)+ 2 (y1)
1
2
k1
k
(z1)+ 2 (y1)
1
2
f
M
1
f + h k1
1
h k1
1
f + h k1
)
k1
k2
k1 h f + h 1
,
+ 1 ; ( 1 ) (y 1 )
1 2
2
2
(
M
)
k1
k1 h f + h 1
k2
,
; ( 1 ) (y 1 )
1 2
2
2
(2.49)
(2.50)
)
k
f + h 1
k2
k1 h
1
+ 1,
+ 1 ; ( 1 ) (y 1 )
1 2
2
2
(2.51)
a
entre as solues.
co
2.2.2
k1
,
1
41
0,014
0,012
Soluao exata
Soluao aproximada
0,010
0,008
n,m
0,006
0,004
0,002
0,000
-0,002
-5
0
5
40
30
10
20
15
10
20
0
25
Figura 2.11 Comparao entre os clculos exatos e aproximados para a distribuio conjunta n,m .
ca
a
ca
n = 10, = 40, = 20, = 0.1, P = 0.43, a = 4.9, b0 = 7.1
0,014
Soluao exata
0,012
Soluao aproximada
0,010
n,m
0,008
0,006
0,004
0,002
0,000
-0,002
-5
0
40
30
10
20
15
10
20
0
25
Figura 2.12 Comparao entre os clculos exatos e aproximados para a distribuio conjunta n,m .
ca
a
ca
n = 10, = 20, = 1, = 0.1, P = 0.43, a = 4.9, b0 = 7.1
2 Solues estacionrias
co
a
42
0,010
Soluao exata
Soluao aproximada
0,008
n,m
0,006
0,004
0,002
0,000
0
40
5
30
10
20
15
10
20
0
25
Figura 2.13 Comparao entre os clculos exatos e aproximados para a distribuio conjunta n,m .
ca
a
ca
n = 10, = 20, = 1, = 0.1, P = 0.63, a = 0.9, b0 = 7.1
0,008
Soluao exata
Soluao aproximada
0,006
n,m
0,004
0,002
0,000
0
5
40
10
30
n 15
20
10
20
25
Figura 2.14 Comparao entre os clculos exatos e aproximados para a distribuio conjunta n,m .
ca
a
ca
n = 10, = 40, = 20, = 0.1, P = 0.63, a = 0.9, b0 = 7.1
43
0,035
0,030
Solucao exata
Soluao aproximada
0,025
n,m
0,020
0,015
0,010
0,005
0,000
-0,005
0
40
30
20
10
10
0
15
Figura 2.15 Comparao entre os clculos exatos e aproximados para a distribuio conjunta n,m .
ca
a
ca
n = 3, = 2, = 0.1, = 0.1, P = 0.20, a = 0.75, b0 = 1.05
0,04
Soluao exata
Soluao aproximada
0,03
n,m
0,02
0,01
0,00
40
30
n
20
10
10
15
Figura 2.16 Comparao entre os clculos exatos e aproximados para a distribuio conjunta n,m .
ca
a
ca
n = 3, = 100, = 5, = 0.1, P = 0.20, a = 0.75, b0 = 1.05
2 Solues estacionrias
co
a
44
0,04
Soluao exata
Soluao aproximada
0,03
n,m
0,02
0,01
0,00
-3
-2
30
-1
25
0
20
15
1
2
10
4
5
-5
Figura 2.17 Comparao entre os clculos exatos e aproximados para a distribuio conjunta n,m .
ca
a
ca
n = 0.8, = 2, = 0.1, = 0.1, P = 0.35, a = 0.07, b0 = 0.27
0,08
0,07
Soluao exata
Soluao aproximada
0,06
0,05
n,m
0,04
0,03
0,02
0,01
0,00
-0,01
-3
30
-2
25
-1
20
1
15
2
10
4
5
6
7
-5
Figura 2.18 Comparao entre os clculos exatos e aproximados para a distribuio conjunta n,m .
ca
a
ca
n = 0.8, = 100, = 5, = 0.1, P = 0.35, a = 0.07, b0 = 0.27
45
tanto, vamos discutir nesta seo apenas as funes geradoras das probabilidades sobre
ca
co
m, obtidas fazendo z = 1 nas 2.49, 2.50 e 2.51:
)
) (
(
k
k1 h f + h 1
k2
k2
1
ap (y) = exp
(y 1) M
,
; ( 1 ) (y 1 )
2
1 2
2
2
(
ap (y) = exp
(2.52)
(
)
)
k
k1 h f + h 1
k2
k2
f
1
(y 1)
M
,
+ 1 ; ( 1 ) (y 1 )
(2.53)
1
2
1 2
2
2
f + h k1
(
ap (y) = exp
)
(
)
k
1
h k1
f + h 1
k2
k2
k1 h
1
(y 1)
+ 1,
+ 1 ; ( 1 ) (y 1 )
M
k1
2
1 2
2
2
f + h 1
(2.54)
Na referncia (24), apresentado um modelo estocstico para um unico gene que pode
e
e
a
funcionar em dois estados (como o gene 2 discutido aqui). A diferena que l a taxa com
c e
a
que uma prote repressora se liga ao s operador, desligando o gene, dada por uma
na
tio
e
constante h, ao invs de depender explicitamente do nmero de prote
e
u
nas repressoras. Em
outras palavras, em (24) a presena das prote
c
nas repressoras tratada como um efeito
e
mdio. As funes geradoras obtidas naquela referncia so dadas por:
e
co
e
a
(
) (
)
k2
h f +h
k2
(y) = exp
(y 1) M
,
; ( 1 ) (y 1 )
2
2 2
2
(
(y) = exp
(y) = exp
(2.55)
)
(
)
k2
f
h f +h
k2
(y 1)
M
,
+ 1 ; ( 1 ) (y 1 )
2
f +h
2 2
2
(2.56)
)
(
)
k2
h
h
f +h
k2
(y 1)
M
+ 1,
+ 1 ; ( 1 ) (y 1 )
2
f +h
2
2
2
(2.57)
2 Solues estacionrias
co
a
46
ap
P =
ap
P
(2.58)
)
k2 ( ap
ap
P + P
2
(2.59)
1
f + h n
(2.60)
k2
2
ap
= 30, = 0.2 e P = 0.6
1
,
2
47
adiabaticidade:
=
T2
f + h n
=
Top
2
(2.61)
Como discutido na seo 2.1.4, se < 1, h tempo para que o nmero de prote
ca
a
u
nas do
gene 2 se estabilize enquanto este se encontra em um de seus dois estados. Nesta condio
ca
observamos uma distribuio de probabilidades bimodal, o que torna indispensvel o conca
a
hecimento de toda a distribuio de probabilidades. Por outro lado, se > 1, observamos
ca
uma distribuio de apenas um pico. Este o chamado limite adiabtico, em que a disca
e
a
tribuio de probabilidades pode ser estimada apenas atravs da sua mdia e varincia.
ca
e
e
a
A gura 2.19 mostra o comportamento da soluo aproximada em funo do parmetro
ca
ca
a
de adiabaticidade .
Consistentemente com o discutido acima, os valores de das guras 2.12, 2.14, 2.16 e
2.18 so respectivamente 0.6, 0.4, 0.36 e 0.068. Os valores de das guras 2.11, 2.13, 2.15
a
e 2.17 so respectivamente 12, 8, 18 e 3.4.
a
A transio para o regime adiabtico pode ser vista tambm atravs da expresso
ca
a
e
e
a
para a varincia no nmero de prote
a
u
nas do gene 2. Da equao 2.49, temos:
ca
( )2 ap ap
( 2 )ap
P P
k2
ap
2
2
= m + (1 )
2
1+
2
Conforme cresce, (2 )
ap
(2.62)
de Poisson.
2.3
Expresso em cascata
a
2 Solues estacionrias
co
a
48
i
i (i , xi ) =
exp
fi + i
) (
)
ki
i fi + i
ki
(xi 1) M
,
+ 1 , (i 1 )(xi 1 )
i
i
i
i
(2.63)
) (
)
ki
i
fi + i
ki
(xi 1) M
+ 1,
+ 1 , (i 1 )(xi 1 )
i
i
i
i
(2.64)
As taxas indexadas por i nas expresses 2.63 e 2.64 podem se referir `s prote
o
a
nas do
tipo 1 ou 2, conforme tenhamos i = 1 ou i = 2.
O sistema em questo possui quatro estados poss
a
ves:
1- os genes 1 e 2 se encontram ativos funo geradora 1
ca
2- o gene 1 se encontra ativo e o gene 2 reprimido funo geradora 2
ca
3- o gene 1 se encontra reprimido e o gene 2 ativo funo geradora 3
ca
4- os genes 1 e 2 se encontram reprimidos funo geradora 4
ca
Vimos na seo 2.2.1 que se o gene 1 funcionasse apenas no estado ligado, a funo
ca
ca
1
geradora do gene 2 teria 2 = h2 k1 (equaes 2.50 e 2.51). Analogamente, se o gene 1
co
1
funcionasse apenas no estado desligado, ter
amos para o gene 2 2 = h2 1 k1 . Portanto,
49
1
) (
)
(
) ( 0
k0
k1
k0
2 (x0 , x1 , x2 ) = exp
(x0 1) 1 h1 , x1 2 h2 , x2
0
0
1
(
) (
) (
)
k0
k0
k1
3 (x0 , x1 , x2 ) = exp
(x0 1) 1 h1 , x1 2 h2 1 , x2
0
1
) (
)
(
) ( 0
k1
k0
k0
4 (x0 , x1 , x2 ) = exp
(x0 1) 1 h1 , x1 2 h2 1 , x2
0
0
1
(2.65)
n1 n2 n1 n2
.
n1 n2
k0
0
n0 =
1+
[IP T G]
0.01
)4
(2.66)
2 Solues estacionrias
co
a
50
51
modelo.
As funes geradoras 1 , 2 , 3 e 4 foram propostas a partir do conhecimento
co
adquirido no estudo da rede mais simples com apenas dois genes das sees anteriores,
co
e obteve grande sucesso na reproduo de experimentos. Isto demonstra o poder das
ca
solues anal
co
ticas, aproximadas ou no, para a construo de redes mais realistas, e d
a
ca
a
52
2 Solues estacionrias
co
a
ind
cios de como esta generalizao pode ser feita. O Cap
ca
tulo 3 pretende introduzir a
um mtodo variacional que pode contribuir para esta tarefa de generalizao de maneira
e
ca
rigorosa de solues simples para redes mais complicadas.
co
53
Mtodo variacional
e
No cap
tulo 2 introduzimos uma maneira de generalizar resultados de uma rede simples para uma cascata de genes. Entretanto, utilizamos para a obteno das funes
ca
co
geradoras 2.65 apenas a intuio advinda da f
ca
sica e biologia do sistema. Neste cap
tulo
descreveremos brevemente um mtodo aproximado (mtodo variacional) (20, 2931) para
e
e
a soluo das equaes 2.1 e 2.2, que recupera as equaes 2.49, 2.50 e 2.51 de uma forma
ca
co
co
mais rigorosa e mais simples do que a utilizada no Cap
tulo 2.
3.1
Descrio do mtodo
ca
e
(3.1)
n=0
pn (t)z n
(3.2)
3 Mtodo variacional
e
54
(3.3)
(3.4)
Para desenvolver o mtodo variacional, vamos introduzir uma representao mais geral
e
ca
que a de funes geradoras, escrevendo a expresso 3.2 como:
co
a
| P (t) =
pn (t) | n
(3.5)
n=0
A expresso 3.5 representa o estado do sistema de uma forma abstrata, mas essenciala
mente pode ser encarada como uma mudana de notao da equao 3.2. Para escrever a
c
ca
ca
equao mestra, precisamos denir operadores que levem em conta os termos pn1 e pn+1
ca
de 3.1. Para tal, denimos a e a de modo que:
a | n = n | n 1
a | n =| n + 1
(3.6)
(3.7)
| P
= H | P (t)
t
(3.8)
(3.9)
55
importar da mecnica quntica mtodos aproximados para sua soluo. No caso, buscarea
a
e
ca
mos por um funcional cuja extremalizao leve ` equao 3.8 (para o estado estacionrio
ca
a
ca
a
apenas), a partir do qual podemos tornar estados testes o mais prximo poss
o
veis da
soluo exata. Descreveremos o mtodo seguindo a referncia (30):
ca
e
e
Consideremos a equao que desejamos resolver:
ca
H | = 0
(3.10)
(3.11)
pn = 1
(3.12)
n=0
(3.13)
a
E fcil de ver que a substituio de 3.13 em L | P (t), lembrando de 3.7, leva a
ca
3.12.
(3.14)
ca
3.14 deixa de ser a variao de um funcional nas funes L | e | , e passa a ser a
ca
co
deve ser escolhido de forma que L (0) |= L |, de modo que a equao 3.14 leve a:
ca
(
)
L ( ) |
H | ( i=1,..N = 0
)
(3.15)
i
=0
3 Mtodo variacional
e
56
Vamos aplicar o mtodo variacional (equaes 3.15) para o caso de H dado pela 3.9.
e
co
Comparando as equaes 3.2 e 3.5, podemos traar a seguinte analogia:
co
c
| n z n
| P P (z)
a
z
a z
0 | ea | (z)z=1
(3.16)
(
)
)
=0
(z 1) k
exp ((z 1))
z
z
z=1
(3.17)
3.2
n,m=0
n,m
n,m
)
| n, m
(3.18)
57
az | n, m = n | n 1, m
a | n, m =| n + 1, m
z
ay | n, m = m | n, m 1
a | n, m =| n, m + 1
y
L |= 0, 0 | eaz +ay
(3.19)
)
(3.20)
1 1
Desta maneira, as equaes 2.1 e 2.2 so colocadas na forma da equao 3.8, com
co
a
ca
H=
(
)
(
(
)
k1 a 1 1 az + k2 a 1 2 ay ha az
z
y
z
ha az
z
(
)
(
)
k1 a 1 1 az + k2 a 1 2 ay f
z
y
(3.21)
Para aplicar as equaes 3.15 ` soluo deste problema, precisamos propor uma funo
co
a
ca
ca
geradora teste (z, y). Como dito no Cap
tulo 2, a referncia (24) d a soluo para o
e
a
ca
problema de um gene que possa funcionar em 2 estados, sendo desativado a uma taxa constante (2 (, y) e 2 (, y) das equaes 2.63 e 2.64). A soluo exata para as prote
co
ca
nas
repressoras dada por 2.15. Portanto, uma boa proposio para a funo geradora :
e
ca
ca
e
)
(
)(
2 (, y)
k1
(z, y) = exp
(z 1)
(3.22)
1
2 (, y)
Escrevendo o autovetor ` esquerda como:
a
L |= 0, 0 | eaz +ay +ay
)
1 1
1
, e aplicando a equao do mtodo variacional 3.15, obtm-se = h k1 .
ca
e
e
(3.23)
3 Mtodo variacional
e
58
59
Este cap
tulo apresenta resultados preliminares quanto ao estudo da dinmica de
a
interao entre as prote
ca
nas repressoras (gene 1) e o s operador do gene reprimido
tio
(gene 2). Aqui est calculada a probabilidade dependente do tempo n (t) de encontrar n
a
prote
nas repressoras na clula, e tambm a probabilidade n (t) de encontrar n prote
e
e
nas
do tipo 1 com o gene 2 ligado. Estas solues podero futuramente ser usadas como base
co
a
para a compreenso de problemas mais complexos, a exemplo do que foi apresentado no
a
Cap
tulo 3.
As equaes diferenciais que descrevem as funes geradoras destas probabilidades,
co
co
n=0
= (z 1) k1 (z, t) 1
t
z
(4.1)
(
)
= (z 1) k1 (z, t) 1
hz
+ f ( (z, t) (z, t))
t
z
z
(4.2)
O cap
tulo ser dividido em duas partes. Na primeira, resolveremos as equaes 4.1
a
co
e 4.2 utilizando o mtodo das funes caracter
e
co
sticas obtendo as solues (z, t) e (z, t)
co
em termos das condies iniciais (z, 0) e (z, 0). Na segunda, reobteremos as solues
co
co
em termos de funes de Heun conuentes, expressando os resultados em uma forma
co
mais compacta. Como consequncia, obteremos tambm uma expanso de uma classe de
e
e
a
fues de Heun conuentes em termos de uma soma nita de funes hypergeomtricas
co
co
e
conuentes.
60
4.1
4.1.1
(4.3)
dt
=1
ds
(4.4)
dz
= 1 (z 1)
ds
(4.5)
d
= k1 (z(s) 1) (s)
ds
(4.6)
Escolhendo,
Ou seja, as equaes 4.4 e 4.5 denem uma fam de curvas sobre as quais a EDP
co
lia
4.1 se transforma na EDO 4.6. A soluo de 4.4 e 4.5 :
ca
e
t(s) = s
z(s) = 1 + Ae1 s
, onde A uma constante que dene qual curva caracter
e
stica estamos olhando.
Com as expresses acima para t(s) e z(s) obtem-se a soluo para (s):
o
ca
(4.7)
61
(
(s) = B exp
)
k1
(z(s) 1)
1
(4.8)
1 t
(z, t) = g (z 1)e
(
exp
)
k1
(z(s) 1)
1
(4.9)
, em termos de uma funo arbitrria g, ou, em termos de uma dada condio inicial
ca
a
ca
(z, 0):
(
(z, t) = 1 + (z 1)e
1 t
, 0 exp
(
)
k1
(z 1) 1 e1 t
1
)
(4.10)
Como podemos ver da soluo 4.10, o gene repressor vai para o estado estacionrio
ca
a
n1 t
n (z)e
, de modo que seu tempo caracter
stico de chegada ao
na forma (z, t) =
n=0
equil
brio dado por T1 =
e
4.1.2
1
.
1
(4.11)
A
1
+
e(1 +h)s
1 + h 1 + h
(4.12)
62
e
Como na seo anterior, A uma constante que seleciona uma curva da fam sobre
ca
lia,
a qual a EDP 4.2 se transforma na EDO abaixo:
d
+ (f k1 (z(s) 1)) (z(s), s) = f (z(s), s)
ds
(4.13)
A equao 4.13 uma EDO inomognea, e portanto sua soluo particular depender
ca
e
e
ca
a
t
ca
de uma integral do tipo G(s)(z(s), s)ds. O limite t sobre o sinal de integrao indica
que a expresso para a primitiva de G(s)(z(s), s) deve ser calculada para s = t. O outro
a
limite da integral que contribuiria com uma constante aditiva embutido na soluo hoe
ca
mognea da equao. Entretanto, (z, t) em princ uma funo arbitrria e, portanto,
e
ca
e
pio
ca
a
expressar a soluo particular desta maneira torna obscuro o modo como o estado do s
ca
tio
operador do segundo gene vai para o equil
brio. Portanto, faremos na equao 4.13 a
ca
1
A
mudana de variveis x = 1+h + 1+h e(1 +h)s , de modo que a soluo particular possa ser
c
a
ca
z
1
escrita da forma G(x)(x, t(x))dx, com t(x) = t + 11 ln (1 +h)x1 , consistente com as
+h
(1 +h)z
equaes 4.12. Desta maneira, a dependncia da soluo particular com o tempo ca mais
co
e
ca
clara, saindo do limite de integrao e facilitando a identicao dos tempos de relaxao.
ca
ca
ca
Aps a mudana de varivel a equao 4.13 assume a forma:
o
c
a
ca
)
d (
(x )F +KH eKx = F (x )F +KH1 eKx (x, t(x))
dx
(4.14)
z
(z )
F +KH1 Kx
(x, t(x))dx + B
eKz
(z )F +KH
(4.15)
e
, onde B uma constante para a curva caracter
stica em questo.
a
Pelas equaes 4.12, qualquer funo de A = (z )e(1 +h)t uma constante sobre
co
ca
e
(
)
as curvas caracter
sticas, de modo que podemos escrever B = g (z )e(1 +h)t , com g
63
ca
[ (
)
(
)]
(z, t) = p (z, t) + (z )e(1 +h)t + , 0 p (z )e(1 +h)t + , 0
[
(
)]
exp K(z ) 1 e(1 +h)t et (4.16)
Na expresso 4.16, temos:
a
=f+
k1 h
1 + h
(4.17)
x
Vemos da expresso para (z, t) (4.16) que o estado do s operador do segundo gene
a
tio
vai para o equil
brio com tempo caracter
stico Top = 1 . Portanto, assumindo que o pro
cesso de produo de prote
ca
nas pelo gene 2 se estabilize com tempo T2 =
1
2
(em analogia
com T1 ), temos aqui uma estimativa mais precisa para o parmetro de adiabaticidade
a
introduzido no Cap
tulo 2.
4.1.3
Soluo expl
ca
cita em termos das condies iniciais
co
Tm (z 1)m
(4.19)
m=0
Pela expresso 1.7 vemos que os Tm esto relacionados com os m-simos momentos
a
a
e
da distribuio, e que T0 = 1. Substituindo a 4.19 na 4.18 vemos que a determinao de
ca
ca
64
)m
z
(x )
e
(x 1)m em1 t
x
[
(
(
)
)]
K
z
1 t
exp
(x 1) 1
e
dx
x
F +KH1 Kx
atravs de:
e
p (z, t) =
F eKz
Im
(z )F +KH m=0
(4.20)
(4.21)
(
(
)
)
z
Expandindo exp K (x 1) x e1 t em srie de potncias, temos:
e
e
Im =
z
n
(1) an,m
n=0
an,m
Fazendo j = n m, (x 1)j =
integrao para y = x , temos:
ca
Im =
(1)m+q j!
j=m q=0
q!(j q)!
jq
1
=
n!
q=0
)n
(z )(n+m) e(n+m)1 t Tm
j!
(H)jq (x
q!(jq)!
aj,m e
K (H+2 )
(4.22)
)q , e mudando a varivel de
a
K
y F +KH+qj1 e Hy dy
(4.23)
y F +KH+qj exp K Hy
K
y F +KH+qj1 e Hy dy =
F + KH + q j
)
(
K
(4.24)
M 1, 1 + F + KH + q j, Hy
(1)m
K
F eKz
Tm
KH
(z1)
I =e
ej1 t
m j!
F +KH m
(z )
(j m)! (K/)
j=m
(
)q
j
z
(1)q F
(F + KH + q j)q!(j q)!
H
q=0
(
)
KH
M 1, 1 + F + KH + q j,
(z )
(4.25)
65
K
(z1)
Cj, ej1 t
j=0
(
)q
(1)q F
z
(F + KH + q j)q!(j q)!
H
q=0
(
)
KH
M 1, 1 + F + KH + q j,
(z )
, com:
Cj,
j
(1)m j! Tm ( KH )j
=
(j m)! (K/)m
m=0
(4.26)
(4.27)
Portanto, dadas as distribuies iniciais (z, 0) e (z, 0), as expresses 4.10, 4.16 e
co
o
4.26 fecham completamente a soluo do problema.
ca
4.2
Vamos agora reobter a soluo particular p (z, t) de uma maneira mais direta em
ca
termos das funes de Heun conuentes.
co
As equaes 4.1 e 4.2 apresentam pontos singulares em z = 1 e z = , respectivaco
mente. Para escrev-las numa forma cannica colocaremos as singularidades em u = 1 e
e
o
u = 0 atravs da mudana de variveis u =
e
c
a
z
H
mos tambm a varivel temporal por = exp (1 t), uma vez que vimos que as solues
e
a
co
p (z, t) e (z, t) (equao 4.26 e comentrio subsequente ` 4.10) so naturalmente exca
a
a
a
pandidas em modos normais de decaimento com taxa 1 . Baseado na soluo 4.26 para
ca
p (z, t) e notando que (z 1) = H(u 1), vamos escrever e p como:
)
(
)
K
j (u)ej1 t = exp KH (u 1)
(z 1)
j (u) j
(z, t) = exp
j=0
j=0
(
)
(
)
K
KH
j1 t
p (z, t) = exp
(z 1)
j (u)e
= exp
(u 1)
j (u) j
j=0
j=0
(
(4.28)
66
dj
j j (u) = 0
du
(
)
d j
KH 2
u
+
u + F + KH j j (u) = F j (u)
du
(u 1)
(4.29)
(4.30)
A soluo de 4.29 de imediato dada por (u 1)j , a menos de uma constante mulca
e
tiplicativa. Este resultado se inserido na 4.28, idntico ` 4.10, obtida pelo mtodo das
e e
a
e
caracter
sticas.
A seguinte equao diferencial homognea de segunda ordem para j obtida isolandoca
e
e
d2 j
d j
+ (u 1)(au + bj + 1 j)
(a(j 1)u + a + jbj ) j (u) = 0
2
du
du
(4.31)
, com:
KH 2
= F + KH j
a =
bj
(4.32)
)
1
1 1
j (u) = Aj (u 1) HeunC a, bj , 1 + j, a(bj + j 1), + (a j)(bj 1), u +
2
2 2
)
(
1
1 1
bj
j+1
A soluo particular que estamos procurando (p (z, t) dada pela 4.26) no possui
ca
a
uma estrutura singular do tipo (z )(F +KH) . De fato, vemos que esta estrutura aparece
na parte homognea da soluo, dada pela equao 4.15. Portanto, para reobtermos a
e
ca
ca
67
(1)q F
uq M (1, 1 + bj + q, au) (4.34)
= Cj,
(bj + q)q!(j q)!
q=0
A relao acima tem que valer qualquer que seja o valor de u. Em particular, tem
ca
que valer para u = 0. Para este valor de argumento tanto a funo de Kummer quanto a
ca
funo de Heun conuente valem 1, e a igualdade 4.34 d para a constante Aj :
ca
a
Aj =
F (1)j+1
Cj,
bj
j!
(4.35)
F
p (u, ) = e
Cj, (1 u)j+1
j!bj
j=0
(
)
1
1 1
HeunC a, bj , 1 + j, a(bj + j 1), + (a j)(bj 1), u j
2
2 2
KH
(u1)
(4.36)
Como consequncia das expresses 4.34 e 4.35, obtivemos tambm a seguinte expanso
e
o
e
a
para uma classe de funes de Heun conuentes em termos das funes de Kummer:
co
co
(
)
1
1 1
j+1
(1 u) HeunC a, b, 1 + j, a(b + j 1), + (a j)(b 1), u =
2
2 2
j
j!
b
=
(1)q
uq M (1, 1 + b + q, au)
(4.37)
(b + q) q!(j q)!
q=0
A igualdade matemtica acima vale, nas condies em que foi demonstrado aqui, para
a
co
a e b reais positivos e j um nmero natural.
u
68
69
Concluso
a
5 Concluso
a
70
componentes interagentes deva ser minimizado. Apesar do carter especulativo, foi esta
a
ideia que possibilitou a obteno no Cap
ca
tulo 2 de uma excelente aproximao para a
ca
soluo exata (equaes 2.49, 2.50 e 2.51).
ca
co
A soluo aproximada das equaes de 2.49 a 2.51 constituem uma generalizao da
ca
co
ca
soluo apresentada em (24) para o caso de um unico gene, e nos d expresses simples
ca
a
o
para a maneira pela qual a concentrao de repressores altera os momentos (probabilidade
ca
de ocupao, mdia, varincia e assim por diante) da distibuio das prote
ca
e
a
ca
nas 2 (equaes
co
2.58, 2.59 e 2.62).
Um aspecto extremamente relevante o fato da soluo aproximada permitir de
e
ca
maneira bem sucedida a generalizao dos resultados para redes reais, como apresenca
tado na seo 2.3. Os resultados experimentais da referncia (15) so reproduzidos a
ca
e
a
partir de funes com a forma das 2.63 e 2.64.
co
Portanto, funes geradoras como as das equaes 2.63 e 2.64 se apresentam ideais
co
co
para serem utilizadas como base para generalizaes a outras redes. Portanto, um poss
co
vel
caminho para a modelagem de redes mais completas a utilizao destas funes como
e
ca
co
base para o mtodo variacional apresentado no Cap
e
tulo 3, em contraposio ` utilizao
ca a
ca
da funo geradora puramente exponencial (distribuio de Poisson) utilizada na literca
ca
atura (20, 31).
71
REFERENCIAS
1 MONOD, J.; JACOBI, F. Genetic regulatory mechanisms in the synthesis of proteins. Journal of Molecular Biology, v. 3, n. 3, p. 318356, 1961.
2 MLLER-HILL, B. The lac operon: a short history of a genetic paradigm. Berlinu
New York: Walter de Gruyter, 1996.
3 PTASHNE, M. A genetic switch: phage lambda and higher order organisms. 2nd.
ed. Cambridge: Cell Press/Blackwell, 1992.
4 JANSSENS, H.; HOU, S.; JAEGGER, J.; KIM, A.-R.; MYASNIKOVA, E.; SHARP,
D.; REINITZ, J. Quantitative and predictive model of transcriptional control of the
drosophila melanogaster even skipped gene. Nature Genetics, v. 38, n. 10, p. 11591164,
2006.
5 RAJ, A.; VAN OUDENAARDEN, A. Single-molecule approaches to stochastic gene
expression. Annual Review of Biophysics, v. 38, n. 1, p. 255270, 2009.
6 ELOWITZ, M. B.; LEVINE, A. J.; SIGGIA, E. D.; SWAIN, P. Stochastic gene
expression in a single cell. Science, Washington, v. 297, n. 5584, p. 11831186, 2002.
7 OZBUDAK, E. M.; THATTAI, M.; KURTSER, I.; GROSSMAN, A. D.; VAN
OUDENAARDEN, A. Regulation of noise in the expression of a single gene. Nature
Genetics, v. 31, n. 1, p. 6973, 2002.
8 GILLESPIE, D. T. Exact stochastic simulation of coupled chemical reactions. Journal of Physical Chemistry, Washington, v. 81, n. 25, p. 23402361, 1977.
9 MCADAMS, H. H.; ARKIN, A. Stochastic mechanisms in gene expression. Proceedings of the National Academy of Sciences of the United States of America, Washington,
v. 94, n. 3, p. 814819, 1997.
10 MCADAMS, H. H.; ARKIN, A. Its a noisy business! Genetic regulation at the
nanomolar scale. Trends in Genetics, v. 15, n. 2, p. 6569, 1999.
11 SCHULTZ, D.; ONUCHIC, J. N.; WOLYNES, P. G. Understanding stochastic
simulations of the smallest genetic networks. The Journal of Chemical Physics, v. 126, n.
24, p. 245102 1 245102 11, 2007.
72
REFERENCIAS
REFERENCIAS
73
25 HORNOS, J. E. M.; SCHULTZ, D.; INNOCENTINI, G. C. P.; WANG, J.; WALCZAK, A. M.; ONUCHIC, J. N.; ONUCHIC, P. G. Self-regulanting gene: an exact
solution. Physical Review E, v. 72, n. 5, p. 051907 1051907 5, 2005.
26 FIZIEV, P. P. Exact solutions of regge-wheeler equation and quasi-normal modes
of compact objects. Classical and Quantum Gravity, v. 23, n. 7, p. 24472468, 2006.
27 ABRAMOWITZ, A.; STEGUN, I. A. Handbook of mathematical functions with formulas, graphs and mathematical tables. 10th. ed. Washington, D.C.: Nat. Bur. Standards
Appl. Series, U.S. Government Printing Oce, 1972.
28 MAHESHRI, N.; OSHEA, E. K. Living with noisy genes: how cells function
reliably with inherent variability in gene expression. Annual Review of Biophysics and
Biomolecular Structure, v. 36, n. 1, p. 413434, 2007.
29 DOI, M. Second quantization representation for classical many-particle system.
Journal of Physics A: mathematical and general, v. 9, n. 9, p. 14651477, 1976.
30 EYINK, G. L. Action principle in nonequilibrium statistical dynamics. Physical
Review E, v. 54, n. 4, p. 34193435, 1996.
31 LAN, Y.; WOLYNES, P. G.; PAPOIAN, G. A. A variational approach to the
stochastic aspects of cellular signal transduction. The Journal of Chemical Physics, v.
125, n. 12, p. 124106 1124106 11, 2006.
74
REFERENCIAS
75
F
(1)n Tn,m 2F1 (n, bm ; 1 + bm ; u)
m (u) =
bm n=0
(A.1)
(a)n (b)n x n
n=0
(c)n
n!
(A.2)
()n denota o s
mbolo de Pochhammer, denido por:
(a)n = a(a + 1)(a + 2)...(a + n 1)
(A.3)
As derivadas da funo hipergeomtrica podem ser obtidas atravs das expresses A.2
ca
e
e
o
e A.3 e so dadas por:
a
(a)n (b)n
dn
2F1 (a, b; c; x ) =
2F1 (a + n, b + n; c + n; x )
n
dx
(c)n
(A.4)
n,k,m (u 1)k
(A.5)
n=0 k=0
(A.6)
76
(1)n+k n! (bm + k)
= F Tn,m
k!
(1 + bm + n)
m (u) =
k,n,m (u 1)n
n=0
(A.7)
(A.8)
k=n
k=n
Tk,m F
(1)k+n k! (n + bm )
n!
(1 + k + bm )
(A.9)
77
No cap
tulo 2 reescrevemos as funes geradoras como:
co
)
m (u)v m
(u, v) = exp KH(u 1) + v
m=0
(
)
m=0
(
(B.1)
Os m e m so dados por:
a
( 2 )
(
)
exp KH u
2
(m 1) exp KH u (
(u 1)
m (u) = ( 1)
m1 (u) m1 (u)) du
(u 1)m
(B.2)
m (u) =
m (u)um+F +KH1 du
um+F +KH
, com:
(
0 (u) = exp
(B.3)
)
KH 2
(u 1)
(B.4)
Na seo 2.2.1 buscamos por solues que fossem separveis nas variveis u e v, e que
ca
co
a
a
fossem consistentes com as equaes B.2, B.3 e B.4. Tal requerimento como discutido
co
naquela seo atingido atravs da aproximao:
ca e
e
ca
(
)
F
KH 2
F
M 1 , 1 + m + F + KH ,
u
m + F + KH
m + F + KH +
KH 2
(B.5)
Desta maneira, m (u) e m (u) assumem a forma (como nas equaes B.4, 2.46, 2.47
co
78
e 2.48):
)
KH 2
(u 1)
= m exp
(
)
KH 2
ap
m (u) = am exp
(u 1)
0 = 1
(
ap (u)
m
(B.6)
KH 2
= (1 )
(m1 am1 ) exp
(u 1)
(B.7)
m
(
)
(
)
F
KH 2
KH 2
ap
m (u) = m
M 1 , 1 + m + F + KH ,
u exp
(u 1 )
m + F + KH
(B.8)
ap (u)
m
(B.9)
(B.10)
(u, v) = exp
(
ap
(u, v) = exp
k1
k2
(z 1) + (y 1)
m v m
1
2
m=0
(
)
k1
k2
exp
(z 1) + (y 1) (v)
1
2
)
k1
k2
(z 1) + (y 1)
am v m
1
2
m=0
(
)
k1
k2
exp
(z 1) + (y 1) (v)
1
2
(B.11)
(B.12)
Em termos das novas funes geradoras (v) e (v) denidas em B.11 e B.12, as
co
+ (1 ) (v) (v) = 0
dv
(
)
d
KH
v
+ F+
(v) F = 0
dv
(B.13)
(B.14)
79
(v) = M
,
; ( 1 ) v
1 2
2
2
(
(v) = M
k
k2
k1 h f + h 1
1
,
+ 1 ; ( 1 ) v
1 2
2
2
(B.15)
)
(B.16)