biología de sistemas - icono.fecyt.es · de una nueva disciplina denominada biología de sistemas...

Biología de SistemasInforme de Vigilancia Tecnológica

Biología de Sistemas

Informe de VigilanciaTecnológica


4

BIOLOGÍA DE SISTEMAS

El presente informe de Vigilancia Tecnológica ha sido

realizado en el marco del convenio de colaboración

conjunta entre Genoma España y la Fundación General

de la Universidad Autónoma de Madrid (FUAM).

Genoma España y la Fundación General de la Universidad

Autónoma de Madrid (FUAM) agradecen la colaboración

ofrecida a:

– Dr. Federico Morán

(Universidad Complutense de Madrid)

– Dr. Manuel Cánovas (Universidad de Murcia)

– Red Española de Biología de Sistemas

La reproducción parcial de este informe está autorizada

bajo la premisa de incluir referencia al mismo, indicando:

Biología de Sistemas. GENOMA ESPAÑA/FUAM.

Genoma España no se hace responsable del uso que se

realice de la información contenida en esta publicación.

Las opiniones que aparecen en este informe

corresponden a los expertos consultados y a los autores

del mismo.

© Copyright: Fundación Española para el Desarrollo

de la Investigación en Genómica

y Proteómica/Fundación General de la Universidad

Autónoma de Madrid.

Autores:

Marta López (FUAM)

Gema Ruiz Romero (FUAM)

Miguel Vega (Genoma España)

Edición: Cintia Refojo (Genoma España)

Referencia: GEN-ES07003

Fecha: Septiembre 2007

Depósito Legal: M-43785-2007

ISBN: 84-609-9762-6

Diseño y realización: Spainfo, S.A.


Índice de contenido

• RESUMEN EJECUTIVO 7

1. INTRODUCCIÓN A LA BIOLOGÍA DE SISTEMAS 8

2. ESTRATEGIAS EMPLEADAS EN BIOLOGÍA DE SISTEMAS 11

3. TECNOLOGÍAS CLAVE EN BIOLOGÍA DE SISTEMAS 15

3.1. Técnicas experimentales 163.2. Técnicas computacionales 17

4. PRINCIPALES APLICACIONES DE LA BIOLOGÍA DE SISTEMAS 22

4.1. Ingeniería metabólica 224.1.1. Aminoácidos de origen industrial 254.1.2. Medio ambiente 29

4.2. Aplicaciones biosanitarias 314.2.1. Industria farmacéutica 314.2.2. Biodefensa 36

5. SITUACIÓN ACTUAL DE LA BIOLOGÍA DE SISTEMAS 37

5.1. Modelo de negocio de empresas relacionadas con la Biología de Sistemas 375.2. Situación actual de la investigación en Biología de Sistemas 395.3. Impacto de la Biología de Sistemas 445.4. Retos, limitaciones y perspectivas de desarrollo de la Biología de Sistemas 45

6. CONCLUSIONES 54

5


ANEXOS 56

ANEXO I. Principales patentes y solicitudes de patente en Biología de Sistemas 56ANEXO II. Proyectos españoles relacionados con la Biología de Sistemas 62ANEXO III. Ejemplos de modelos humanos en Biología de Sistemas 76ANEXO IV. Estándares empleados en Ciencias de la Vida 86ANEXO V. Principales programas educativos en Biología de Sistemas 89ANEXO VI. Software relacionado con la interacción de proteínas 92ANEXO VII. Bases de datos relacionadas con la interacción de proteínas 95ANEXO VIII. Compañías con proyectos de investigación en Biología de Sistemas 100ANEXO IX. Compañías españolas con proyectos o líneas

de Investigación en Biología de Sistemas 105ANEXO X. Fichas técnicas correspondientes a grupos de investigación

cuya actividad se desarrolla en el ámbito de la Biología de Sistemas 108

REFERENCIAS 123

GLOSARIO 126

6


La maduración de la Biología Molecular, lasnuevas técnicas que han dado lugar al acceso amiles de datos, el mayor poder computacional, losnuevos algoritmos, han cambiado la actitud demuchos científicos sobre cómo solucionar algunosde sus problemas, y ha propiciado el nacimientode una nueva disciplina denominada Biología deSistemas capaz de integrar en su seno a expertosprocedentes de áreas como la Biología, laInformática, la Física o las Matemáticas.

La Biología de Sistemas representa una estrategiaanalítica que permite relacionar los elementos deun sistema, con el objeto de comprender suspropiedades emergentes. Hablando de formageneral, un sistema puede estar compuesto portan solo unas cuantas moléculas de proteínas querealizan una serie de actividades conjuntamente(por ejemplo, la síntesis de ácidos grasos),forman parte de una maquinaria molecular máscompleja (como el complejo de transcripción), oun grupo de células que ejecutan una funciónconcreta (como es el caso de la respuestainmune). Por tanto, el análisis de sistemas puedeaplicarse a moléculas, células, órganos, individuoso incluso ecosistemas. En cada uno de estoscasos, se pretende describir todos los elementosque componen el sistema, definir las redesbiológicas que interrelacionan los elementos delsistema y caracterizar el flujo de información quedetermina la puesta en marcha de un procesobiológico.

La Biología de Sistemas consiste por tanto en elestudio de un organismo o sistema biológico,visto como un sistema integrado einterrelacionado de genes, proteínas y reaccionesbioquímicas que dan lugar a procesos biológicos.En lugar de analizar los componentes individualesde un organismo, los biólogos de sistemas secentran en todos los componentes y susinteracciones como parte de un único sistema,que serán las responsables de la biología delorganismo.

La elaboración del presente Informe tiene porobjeto realizar un estudio de la situación enEspaña de la Biología de Sistemas. Para ello separte de una aproximación teórica a la Biología deSistemas, una descripción de las principalestécnicas y aplicaciones, una revisión de losdiferentes modelos de negocio así como de lasituación de la investigación científica. Parafinalizar se realiza un análisis de los retos a losque se enfrenta la investigación en Biología deSistemas, así como de las perspectivas dedesarrollo de esta disciplina emergente.

7


Resumen ejecutivo

8


1. Introducción a la Biología de Sistemas

La Biología Molecular de las últimas décadas se ha basado en la teoría que asume el camino directoexistente entre genes, proteínas y función biológica, así como la presencia de respuestas predeterminadasdel sistema a perturbaciones externas. Aunque este tipo de investigación ha dado lugar a gran cantidad deconocimiento, no proporciona información acerca de cómo integran las células estos datos de forma que segenere un tipo de respuesta u otro.

A pesar de que la Biología de Sistemas se considera una nueva disciplina, el abordaje del estudio de losprocesos biológicos como sistemas se trató por Wiener en 1948 en lo que se llamó en aquel momento lacibernética. La Biología de Sistemas ha sido descrita por investigadores como Leroy Hood con detalle,aunque el término ya se empleó por primera vez en 1968 por teóricos como Mersarovic1.

1 Mesarovic, M. D. (1968). Systems Theory and Biology-View of a Theoretician, in System Theory and Biology, ed. M. D.Mesarovic´, pp. 59-87, Springer-Verlag.

1990

Genómica

Proteómica


1995 2000 2005 2010 2015 2020

Fig. 1. Evolución de la Biología de Sistemas.

Fuente: Microbiology 343 - Topics in Microbial Laboratory Techniques. Systems Biology. Departments of Computing Scienceand Biological Sciences, University of Alberta (http://redpoll.pharmacy.ualberta.ca/343).

La biología tradicional se ha centrado en laidentificación de genes individuales, proteínas ycélulas, así como el estudio de sus funciones. Estetipo de estrategia proporciona información limitadaacerca del funcionamiento de los sistemas vivos ode enfermedades complejas como son el cáncer,SIDA y diabetes. A medida que han ido surgiendoen los últimos años avances científicos en biologíamolecular, bioinformática, ingeniería y física entreotras disciplinas, ha sido posible acceder a

información mucho más compleja. El objetivo de laBiología de Sistemas radica en integrar estainformación de forma que se consiga un mayorentendimiento de las interacciones entre loscomponentes de los sistemas vivos, y porconsiguiente, de sus procesos biológicos. Paraconseguir este objetivo se desarrollan modelosmatemáticos, simulaciones y técnicas deprocesamiento de datos que complementan laestrategia empírica actual de las ciencias biológicas.

http://redpoll.pharmacy.ualberta.ca/343

9


Principales características de la Biología de Sistemas

• Estudia los sistemas biológicos de una forma global, a nivel molecular.

• Contrasta con la aproximación clásica linear (un gen, una proteína).

• Integra el conocimiento de diferentes plataformas o disciplinas (genómica, transcriptómica,proteómica, metabolómica, fisiología, patología, etc.).

• Maneja una gran colección de datos procedentes de estudios experimentales.

• Propone modelos matemáticos que pueden explicar algunos de los fenómenos biológicos estudiados.

• Proporciona soluciones matemáticas que permiten obtener predicciones para los procesos biológicos.

• Realiza estudios de comprobación de la calidad de los modelos descritos por medio de lacomparación entre las simulaciones numéricas y los datos experimentales.

Algunas razones de la inexistencia de una definición homogénea de Biología de Sistemas

• El lenguaje empleado comúnmente por científicos dedicados a la Biología de Sistemas no se encuentra consensuado entre los expertos. Algunas iniciativas como la de la Universidad de Stuttgart pretende elaborar un glosario de los términos básicos en Biología de Sistemas2.

• Los expertos que participan en esta nueva disciplina provienen de una multitud de campos como laquímica analítica, matemática, estadística, biología computacional, ingeniería química, biología, e ingeniería.

En la actualidad no existe una definición clara para el término Biología de Sistemas. Esto se debeprincipalmente a dos factores, en primer lugar el lenguaje empleado por científicos dedicados a la Biologíade Sistemas no se encuentra consensuado entre los expertos, y en segundo lugar la Biología de Sistemasrepresenta un paraguas bajo el que tienen cabida expertos procedentes de disciplinas científicas muydiversas. Estos factores deberán ser superados para evitar la confusión con otros campos afines.

2 A Glossary for Systems Biology, Universidad de Stuttgart (http://www.sysbio.de/projects/glossary/Glossary.shtml).3 EU Projects Workshop Report on Systems Biology.

Un ejemplo de sistema biológico clásico es el ciclode Krebs, implicado en el metabolismo deazúcares y aminoácidos. Pese a ser un sistema entoda regla, no ha sido descrito medianteestrategias de Biología de Sistemas, sinomediante una ardua labor de identificación de losgenes y proteínas individuales implicadas en elproceso. Sin embargo, una vez que estainformación esté englobada dentro de un modeloque permita una simulación dinámica, se podrá

hablar de Biología de Sistemas. Otro ejemplo esel de los ritmos circadianos, como el que regulalas horas de sueño en ciclos de 24 horas. Lamodelización de estos sistemas biológicos podríanemplearse en medicina personalizada para lapredicción del progreso de determinadasenfermedades y la optimización de laadministración de fármacos a lo largo del día,como en el caso de la diabetes3.

http://www.sysbio.de/projects/glossary/Glossary.shtml

Biología Sintética

10


4 Iañez, E. La era postgenómica: la próxima revolución de la biología. Disponible on-line http://www.ugr.es/~eianez/Biotecnologia/genoma-7.html.

La Biología de Sistemas surge como consecuencia de la denominada “era postgenómica”, en la que se iránintegrando los conocimientos acumulados en diversos “Atlas” del ser humano y de otros seres vivos, en losque se podrán interrelacionar de modo funcionalmente significativo diversos niveles de comprensión de lamateria viva: génico, genómico, regulación, biología celular, fisiología, evolución, etc4. Las estrategias deBiología de Sistemas se pueden entender como una combinación de las aproximaciones “omic”,integración de datos, modelización y biología sintética.

Genómica

Transcriptoma Proteoma Interactoma

Modelización

Integración de datos

Fenoma Localizoma

Perturbacionessistemáticas

Fig. 3. Integración de la información “omic”.

Fuente: Ge, H. et al. (2003). Integrating “omic” information: a bridge between genomics and systems biology. TRENDS in Genetics, vol. 19 (1): 551-560.

Biología

Informática

Química

Ingeniería

Física

EstadísticaMatemáticas

Medicina

Biologíade Sistemas

Fig. 2. Disciplinas que componen la Biología de Sistemas.

Fuente: Munich Systems Biology Forum, MSBF (http://www.msbf.mpg.de).

http://www.msbf.mpg.de

http://www.ugr.es/~eianez/Biotecnologia/genoma-7.html

11


Fig. 4. Identificación de la estructura de un sistema mediante el modelo de estrategias directas e inversas.

Fuente: Mack, G. S. (2004). Can complexity be commercialized? Nature Biotechnology, Vol. 22 (10): 1223-1227.

2. Estrategias empleadasen Biología de Sistemas

Para comprender el funcionamiento de un sistema biológico se ha de comenzar por realizar la descripciónde sus componentes, y posteriormente se debe emprender un análisis de su comportamiento frente adistintos estímulos. Por último, es esencial controlar el comportamiento del sistema como respuesta a losestímulos estudiados, para en última instancia ser capaz de diseñar el sistema en función de lasnecesidades. A continuación se describen las principales etapas clave seguidas en la Biología de Sistemaspropuestas por Kitano, uno de los principales investigadores de esta disciplina5:

Estrategia indirecta Estrategia directa

Aplicacionesclínicasconocidas

Aplicacionesclínicasdesconocidas

Genes conocidos

Identificaciónde dianas terapéuticas

Paciente

Tejidos

Células

Proteínas

5 Kitano, H. Systems Biology: Toward Systems-level Understanding of Biological Systems.

Las principales tecnologías empleadas en la identificación de la estructura de un sistema son técnicas de altorendimiento como los microarrays de ADN y proteínas, la espectrometría de masas, y otras tecnologías quepermiten la monitorización de los procesos biológicos.

a) Identificación de la estructura del sistema

Para caracterizar un sistema biológico es necesarioen primer lugar identificar la estructura del mismo.Por ejemplo, si se quiere caracterizar una red deregulación génica es necesario identificar todos loscomponentes que forman la red, la función de cada uno, las interacciones que se producenentre ellos y todos los parámetros que estánasociados a la red. Se trata de un trabajo complejoque no puede realizarse de forma automática ya

que los sistemas biológicos no son sistemasestáticos sino que son capaces de evolucionar en eltiempo a través de procesos estocásticos. Para hacer frente a este problema se hanplanteado dos estrategias diferentes: (i) ingenieríadirecta (bottom-up) o modelización a partir deinformación conocida de los componentes delsistema biológico, y (ii) ingeniería reversa(top-down), mediante la cual se deduce laestructura y componentes del sistema biológico enbase a su comportamiento.

b) Análisis del comportamiento del sistema

En cuanto a las técnicas empleadas paracomprender el funcionamiento de un sistema, losmétodos pueden ser muy diferentes en funcióndel proceso biológico que se desee analizar. Porejemplo, es muy común que se pretenda analizarla sensibilidad de un sistema frente a la influenciade determinados estímulos externos que enlenguaje de la Biología de Sistemas se denominanperturbaciones, y con qué rapidez recupera elsistema sus condiciones iniciales. Este tipo deestudios de simulación son de especial interés enlos ensayos que evalúan la respuesta celularcomo consecuencia de la administración denuevos fármacos, con el objeto de maximizar susefectos terapéuticos y minimizar los posiblesefectos secundarios.

c) Control del sistema

Una vez se ha conseguido caracterizar hastacierto nivel de detalle un sistema y se comprendesu comportamiento, lo general es buscar elcontrol de sus procesos biológicos y por tanto sercapaz de aprovechar los conocimientos delsistema en diversas aplicaciones. Ejemplos clarosde estas aplicaciones serían la capacidad decontrolar la transformación de células malignas oque poseen una función dañada en células sanas,la capacidad de provocar su muerte o apoptosis, yla capacidad de controlar el estado de

diferenciación celular. El desarrollo de estastecnologías entra dentro del campo de la biologíacelular y molecular principalmente.

d) Diseño del sistema

Entre los últimos objetivos de la Biología de Sistemas se encuentra el diseño de sistemas biológicos que posean lascaracterísticas necesarias que proporcionen laterapia adecuada para combatir enfermedadesque actualmente no tienen cura. En un futuro, losavances en la descripción y control de lossistemas biológicos permitirán diseñar y crecertejidos e incluso órganos a partir de tejidos delpropio paciente. Estas tecnologías sonhorizontales y poseen aplicaciones en otrossectores como la ingeniería, por lo que seríaposible el diseño de materiales biológicosutilizados en robótica y computación.

Otro de los modelos utilizados para definir elproceso empleado en cualquier estrategia deBiología de Sistemas es un modelo circular que secompone de cuatro etapas consecutivas queconsisten en la definición de los componentes yestructuras del sistema, la perturbación delsistema y monitorización de los componentes delmismo, el refinamiento del modelo a partir de lasrespuestas observadas en la etapa anterior, y porúltimo la formulación de nuevas hipótesis eidentificación de nuevos puntos clave.

12


La metodología que emplea la Biología de Sistemas utiliza generalmente tanto sistemas modelobiológicos como aproximaciones computacionales. Los sistemas modelo que se utilizan preferentementesuelen ser organismos unicelulares tales como bacterias y levaduras, ya que poseen una complejidadmenor que los mamíferos y son más sencillos de manipular.

13


Identificación de los componentes del sistema, caracterización

de la estructura del sistema y de las interacciones entre componentes.

Actualización del modelo en función de las respuestasobservadas en la etapa anterior. Este paso

ha de repetirse tantas veces como sea necesario hasta conseguir un modelo estable.

Utilización del mejormodelo para generar una

hipótesis y testarlaexperimentalmente.Identificar posibles

elementos clave para eldescubrimiento de

fármacos y desarrollo debiomarcadores.

Las perturbaciones sonmodificaciones de las

condicionesexperimentales del

sistema, que semonitorizan y observan

para construir el modelo.

1. Definición de los componentesy estructuras del sistema.

3. Refinamiento del modelo a partir de lasrespuestas observadas en la etapa anterior.

4. Formulación de nuevashipótesis e identificaciónde nuevos puntos clave.

2. Perturbación del sistemay monitorización de los

componentes del mismo.

Fig. 5. Diagrama del proceso de la Biología de Sistemas.

Fuente: Cho, C. R. (2006). The application of systems biology to drug discovery. Current Opinion in Chemical Biology, 10: 294-302.

Tipos de sistema modelo en Biología de Sistemas

• Construcción de modelos a gran escala: incorporando todas los datos experimentales disponiblesde una ruta metabólica o sistema de señalización.

• Construcción de modelos a pequeña escala: modelos de limitada complejidad que contienen unnúmero reducido de variables, y que tienen como objetivo la búsqueda de preguntas específicas.Generalmente están relacionados con fenómenos dinámicos como los ritmos celulares, señalizacióncelular y dinámica del ciclo celular6.

6 EU Projects Workshop Report on Systems Biology. Brazma, A. et al. (2006). Standards for systems biology. Nat Rev Genet. Aug;7(8): 593-605.


14


Sistema modelo Organismo

Infección viral de E. coli

Fago λ

Fago T7

Estrategia

Simulaciones por ordenador mediante modelos,simulaciones estocásticas.

Ecuaciones diferenciales

Quimiostasis viral E. coliEcuaciones diferenciales, simulacionesestocásticas.

Desarrollo embrionarioErizo de mar

Identificación de elementos reguladores cis einteracciones, modelización por ordenador deredes cis.

Drosophila Simulación mediante ecuaciones diferenciales.

Señalización celular Mamíferos Simulación mediante ecuaciones diferenciales.

Metabolismo de hidratosde carbono

S. cerevisiae Redes de interacciones físicas, redes bayesianas.

Redes de proteínas S. cerevisiae Modelos basados en grafos no dirigidos.

Metabolismo general E. coli Análisis de Balance de Flujo.

Modelo celular E. coli, neurona Simulación mediante ecuaciones diferenciales.

Osciladores sintéticos ycircadianos

E. coli, Drosophila,Neurospora, ratón

Síntesis de redes multigénicas in vivo mediantemodelos por ordenador como patrón.

Interruptores genéticos E. coliSíntesis de redes multigénicas in vivo mediantemodelos por ordenador como patrón.

Tabla 1. Principales sistemas modelo empleados en Biología de Sistemas.

Fuente: Ideker, T. et al. (2001). A new approach to decoding life. Annu. Rev. Genomics Hum. Genet, 2:343-72.

PRINCIPALES SISTEMAS MODELO EMPLEADOS EN BIOLOGÍA DE SISTEMAS

Ciclo celular Mamíferos, levaduraMapas de interacciones moleculares, redesbayesianas.

Es importante señalar la diferencia que existeentre la modelización de rutas metabólicas y lamodelización de rutas de señalización, ya que enocasiones se confunden ambos términos. Lasrutas metabólicas realizan operaciones esencialespara el funcionamiento general de las células yestán reguladas por genes constitutivos7. Lasrutas de señalización por su parte, estánimplicadas en el intercambio de información intrae intercelular, y se encuentran afectadas por elmedio que las rodea. Su principal característica

que las diferencia de las rutas metabólicas radicaen esta dependencia, lo que conlleva a que elproceso de modelización sea más complejo. Porotra parte, las rutas de señalización no estánevolutivamente tan conservadas como las rutasmetabólicas, y se desconoce en gran medida laprogresión de estas rutas durante el desarrolloembrionario. Estas particularidades hacen quehasta la fecha tan solo haya sido posible construirmodelos de rutas de señalización de una únicacélula8.

7 Genes constitutivos: genes que se expresan al mismo nivel independientemente de las condiciones ambientales.8 Dhar, P. K. et al. (2004). Computational approach to systems biology: from fraction to integration and beyond.

IEE Transactions on nanobioscience. September, vol. 3 (3): 144-152.

Los principales cambios tecnológicos que hanhecho posible el impulso de la Biología deSistemas son el desarrollo de tecnologías de altorendimiento, así como tecnologías emergentesque permiten la generación de datos cuantitativosde elevada precisión y resolución. Sin embargo, loque realmente ha supuesto un impulso de laBiología de Sistemas ha sido el Proyecto GenomaHumano, basado en el diseño de software quepermita el análisis de genomas completos y otrotipo de conjunto de datos biológicos. A raíz delproyecto Genoma Humano se generó grancantidad de información biológica y quedóevidenciado que los sistemas de información sonesenciales en biología.

Las principales tecnologías empleadas en Biologíade Sistemas se pueden dividir en dos grandescategorías: Técnicas experimentales y Técnicascomputacionales. Dentro de las técnicasexperimentales se engloban las técnicas quepermiten (i) el análisis de la secuencia genética,(ii) el análisis de la expresión génica, (iii) el análisis de las interacciones ADN-proteínas,(iv) el análisis de las interacciones entre proteínasy (v) el análisis de la localización subcelularproteica.

15


Fig. 6. Relación entre técnicas experimentales y computacionales en Biología de Sistemas.

Fuente: elaboración propia.

9 Greenbaum, D. et al. (2001). Interrelating different types of genomic data, from proteome to secretome:'Oming in onfunction. Genome Research, 11: 1463-1468.

3. Tecnologías clave en Biología de Sistemas

Análisis de la secuenciagenética

Análisisde interaccionesADN-proteínas

Análisisde la localización

subcelular proteica

Análisis de la expresión génica

Modelos matemáticosy Simulaciones de procesos biológicos

Análisis de interaccionesproteína-proteína

Técnicas experimentales

Técnicas computacionales

Todas estos análisis experimentales producengran cantidad de datos de tipo biológico que hande ser transformados en conocimiento, lo que seconsigue mediante el empleo de diferentestecnologías computacionales. En el presenteapartado se realizará una revisión de estastecnologías, cuyo desarrollo es clave para laevolución de la Biología de Sistemas.

No obstante, aunque es posible realizar unaseparación entre técnicas computaciones yexperimentales, en realidad no existe unaseparación clara entre ellas. Los datosprocedentes de experimentos a gran escalarequieren de una interpretación y evaluaciónintensiva por medio de técnicas computacionales.Por otra parte, estas últimas emplean datosexperimentales para elaborar sus predicciones e incluso necesitan en ciertos momentos de unavalidación de sus modelos mediante nuevos datosexperimentales.

3.1. Técnicasexperimentales

El análisis de la expresión génica es una de lastécnicas más empleadas, consiguiendo su máximaeficacia mediante tecnologías de microarrays. Ladetección de concentraciones de proteína esmucho más complicada, y hasta la fecha lastécnicas más empleadas son la electroforesisbidimensional para la etapa de aislamiento y laespectrometría de masas en la identificación ycuantificación. El sistema doble híbrido permite ladetección de asociaciones proteína-proteína queconfirman el interactoma. En cuanto a las técnicasempleadas para determinar la función de lasproteínas, las más prometedoras consisten en loschips de proteínas, capaces de realizar un análisisa gran escala de la actividad bioquímica deproteínas.

16


Genotipo

Equip

amie

nto

Info

rmac

ión

Secuenciadorde ADN

Microarray Gel 2D,MS/MS

GC/MS,RMN

Balancede flujo

Fenotipo

Fig. 7. Tecnologías “ómicas” aplicadas a la investigación.

Fuente: Sang Yup Lee et al. (2005). Systems biotechnology for strain improvement. TRENDS in Biotechnology, 23 No.7 July 2005.

Las tecnologías experimentales que proporcionan los datos necesarios para abordar los sistemas biológicosmediante estrategias de Biología de Sistemas se pueden agrupar en diferentes tipos de análisis:

17


Análisis Técnicas

Análisis de la secuencia genética:secuenciación del genoma del organismo,descripción de los genes que regulan o formanparte de una red de interacción. Variación genéticaresponsable de la diferente expresión de proteínas(polimorfismos).

Secuenciación de ADN.Genotipado.Identificaciones de deleciones genéticas.Knockouts ARNi.

Análisis de la expresión génica:descripción de genes regulados positiva ynegativamente en respuesta a perturbacionesgenéticas o ambientales. Identificación de los genesexpresados en función del tejido y condiciones.

Microarrays de ADN.Marcaje de ADN.

Análisis de interacciones ADN-proteínas:descripción de los genes regulados pordeterminados factores de transcripción en condiciones definidas.

Inmunoprecipitación de cromatina.Biochips (localización de sitios de unión, ChIP-chips).

Análisis de interacciones proteína-proteína:descripción de las proteínas presentes en complejosenzimáticos, poros nucleares, citoesqueleto.Identificación de proteínas que modifican otrasproteínas durante las cascadas de señalización.

Sistemas doble híbrido.Purificación por afinidad.Espectrometría de masas.Proteómica cuantitativa.

Análisis de la localización subcelular proteica:localización de la síntesis de proteínas y destino de las mismas dentro de la célula.

Separación celular por cell sorting.Marcaje molecular por medio de genes trazadoreso anticuerpos.

Tabla 2. Clasificación de análisis y técnicas experimentales empleadas en estrategias de Biología de Sistemas.

Fuente: Institute for Systems Biology (www.systemsbiology.org).

CLASIFICACIÓN DE ANÁLISIS Y TÉCNICAS EXPERIMENTALES EMPLEADASEN BIOLOGÍA DE SISTEMAS

3.2. Técnicascomputacionales

Las Técnicas computacionales empleadas enBiología de Sistemas se basan en el desarrollo dealgoritmos10 mediante los cuales la informaciónobtenida por las técnicas experimentales esprocesada y transformada en conocimiento.Gracias a estos algoritmos computacionales esposible realizar operaciones de clustering oagrupaciones de datos que poseen información

semejante, o inferir la estructura o función de unaproteína desconocida a partir de la secuencia einformación estructural de proteínas homólogas,utilizando para ello un algoritmo de homología,por citar algún ejemplo. El objetivo final esrealizar simulaciones de procesos biológicos orealizar modelos matemáticos, que permitanpredecir el comportamiento de sistemas biológicoscomplejos y en último término, modificar oincluso diseñar estos sistemas en base adeterminadas necesidades.

10 Algoritmo: conjunto de instrucciones o pasos que sirven para ejecutar una tarea y/o resolver un problema.

www.systemsbiology.org

Como ya se comentaba en el apartado II del presente informe, en la investigación enBiología de Sistemas una de las etapas clave es elAnálisis del comportamiento del sistema. Es fundamental comprender en qué medidaafectan los cambios externos al sistema y de qué

forma responde y modifica su comportamiento elsistema para adaptarse a dichos cambios. Las dos herramientas fundamentales quepermiten realizar análisis del comportamiento desistemas son las simulaciones computacionales yel análisis teórico.

18


Simulación de sistemasDescubrimiento de sistemas

Análisis de sistemas

Biología computacional

Fig. 8. Aplicaciones de las Técnicas Computacionales en Biología de Sistemas.


Aportaciones de las Técnicas Computacionales al estudio de sistemas biológicos

• Las aproximaciones experimentales de proteómica, transcriptómica, genómica, etc., proporcionangran cantidad de información. Los datos procedentes tan solo de una de estas aproximacionesproporcionan información acerca de los genes o de las proteínas únicamente, por lo que esnecesaria una integración de estos datos por medio de una aproximación más global. Las técnicascomputacionales proporcionan una herramienta que permite el tratamiento de toda estainformación de manera integrada y permiten la mejora en las anotaciones acerca de las funcionesde los genes y proteínas y además hacen posible la formulación de hipótesis biológicas.

Datos experimentalesprocedentes de bases de datos o de la literaturacientífica

Generación de un modelo a partirde datos existentes

Datos experimentales(de nueva generación)

Optimización del modelo utilizando nuevos datos experimentales

Modelos matemáticos

Compresióndel fenómeno biológico

Fig. 9. Generación de modelos matemáticos en base a los datos experimentales.

Fuente: Stefan Hohmann, Jens Nielsen y Hiroaki Kitano (2004). White Paper: Yeast Systems Biology Networkhttp://www.gmm.gu.se/globalysbn/WhitePaperYSB_may2004.pdf

Modelización de sistemas

http://www.gmm.gu.se/globalysbn/WhitePaperYSB_may2004.pdf

a) El análisis teórico de sistemas biológicosmediante modelos matemáticos se ha utilizadoampliamente en biología en el estudio deecosistemas y de dinámica de poblaciones. Delmismo modo, en Biología de Sistemas el objetivodel análisis teórico es utilizar el lenguajematemático para describir el comportamiento delos sistemas biológicos. Las principalesherramientas teóricas utilizadas en Biología deSistemas son aquellas que en física se utilizanpara estudio de los sistemas dinámicos complejos(ecuaciones diferenciales, análisis debifurcaciones, análisis de balances de flujos oanálisis de control metabólico, por ejemplo).

Los sistemas biológicos son sistemas complejos, esdecir, sistemas que cambian en el tiempo y queestán constituidos por diferentes partes que seencuentran interconectadas entre sí, y por esemotivo son susceptibles de estudio mediante el usode estas herramientas matemáticas. El objetivoúltimo es el planteamiento de un modelomatemático que permita desarrollar prediccionessobre el comportamiento del sistema.

Los modelos matemáticos utilizados con mayorfrecuencia en Biología de Sistemas varían encuanto a la complejidad de los mismos y en lamanera en que afrontan el problema objeto deestudio. Los modelos estadísticos y métodos deagrupación son un tipo de modelo matemático de

aplicación en Biología de Sistemas. Estos son degran utilidad para realizar un análisis de datos ypara estructurar la información procedente de lastécnicas experimentales, pero presentan elproblema de que son modelos estáticos y notienen capacidad predictiva. Otro tipo de modelosempleado comúnmente en Biología de Sistemasson la Redes Neuronales y los Modelos de Markov.A diferencia de los anteriores, este tipo demodelos sí que presenta capacidad predictiva ypermiten la realización de un análisis de datosmás profundo que en el caso de los modelosestadísticos. Este tipo de modelos son de granutilidad para la construcción de rutas pero nopueden ser utilizados para la realización desimulaciones debido a que son modelos quedependen de los datos que los constituyen. Un tercer tipo de modelo son los modeloscinéticos, modelos gracias a los cuales se puedenrealizar simulaciones de la respuesta dinámica delos sistemas biológicos frente a diferentesestímulos o perturbaciones del sistema. Porúltimo, los modelos metabólicos representan unmarco para el análisis integrado de datosprocedentes de tecnologías de alto rendimiento.Gracias a este tipo de modelos es posible realizaranálisis de fenotipos, de datos de expresióngénica o de concentraciones de metabolitos. En elanexo III del presente informe se muestranejemplos de modelos humanos en Biología deSistemas.

19


Modelos matemáticos utilizados comúnmente en Biología de Sistemas11

• Modelos estadísticos: distribución de la información en grupos según semejanzas; validación de resultados.

• Modelos cinéticos: realización de análisis cuantitativos y simulaciones dinámicas.

• Redes neuronales o modelos de Markov: estudio de interacciones y desarrollo de algoritmos de predicción.

• Modelos metabólicos: descripción de las funciones de células completas en base a las funciones de los componentes del sistema.

b) Las simulaciones computacionales jueganun papel fundamental en la investigación enBiología de Sistemas. Su objetivo es reproducir enel ordenador de forma fidedigna elcomportamiento de un sistema biológico. En estassimulaciones se integran datos experimentales yde análisis teórico por lo que presentan unos

requerimientos de software muy concretos:(i) una base de datos en la que se almacenentodos los datos experimentales, (ii) un simuladorde células y tejidos, (iii) un software para laoptimización de parámetros, (iv) un software quepermita el análisis del sistema y de susbifurcaciones, (v) un software gracias al cual se

11 Borodina, I. y Nielsen, J. (2005). From genomes to in silico cells via metabolic networks. Current Opinion in Biotechnology 16, 350-355.

20


puedan formular hipótesis y (vi) un software quepermita la visualización de los resultados en lapantalla del ordenador12. Existe un gran númerode grupos de investigación que dedican suactividad científica al desarrollo de este tipo desoftware, en los anexos VI y VII del presenteInforme se presenta un resumen de grupos quedesarrollan software, en concreto softwarerelacionado con la interacción de proteínas.

Las diferentes herramientas teóricas ycomputacionales propias de la Biología deSistemas permiten el estudio de lasinteracciones biológicas que se producen a undeterminado nivel, es decir, de las redesbiomoleculares dentro de las que encontramos

redes metabólicas, redes transcripcionales, oredes de regulación. Este área de lainvestigación permite comprender losmecanismos biológicos ya que proporciona unaforma de representar los componentes celularesy sus interrelaciones y permite la identificación ycaracterización de módulos funcionales. Larepresentación no ha de ser estática, sino quedebe ofrecer información acerca de loscomponentes del sistema, sus interacciones, y elpapel que desempeñan en el funcionamientoglobal de la red. El estudio de las redes celularesse puede realizar mediante dos estrategias biendiferenciadas, que aunque poseen la mismafinalidad, se acercan al problema desde puntosde vista contrarios.

12 Kitano, H. Systems Biology: Toward Systems-level Understanding of Biological Systems.

Estrategia 1Clustering o agrupamiento de proteínas en subredes o rutas metabólicas

Estrategia 2Formación de complejos macromoleculares

Red de interaccionesde proteínas

Subred/ruta metabólicaInteracción

entre dos proteínas

Interacciónentre dos proteínas

Complejo macromolecularTomograma

de la célula completa

+–

Fig. 10. Comprensión de las redes celulares desde la Biología de Sistemas.

Fuente: Aloy, P. y Russell, R. B. (2005). Structure-based systems biology: a zoom lens for the cell. FEBS Letters 579.1854-1858.

21


13 Aloy, P. y Russell, R. B. (2005). Structure-based systems biology: a zoom lens for the cell. FEBS Letters 579. 1854-1858.14 The RCSB Protein Data Bank, PDB (www.rcsb.org/pdb).15 Jensen, L. J. et al. (2006). Literature mining for the biologist: from information retrieval to biological discovery.

Nature Reviews - Genetcis, Vol. 7: 119-129.16 PubMed, U.S. National Library of Medicine (http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?DB=pubmed).17 DOAJ, Directory of Open Access Journals (http://www.doaj.org).18 PMC, PubMed Central (http://www.pubmedcentral.nih.gov).19 Highwire Press (http://highwire.stanford.edu).

La primera estrategia aborda las redes celularesdirectamente, para ir desgranándolas poco a pocoen subredes de menor complejidad, queformarían cluster o agrupamientos de proteínas.De esta forma se obtendría por ejemploinformación acerca de nuevas rutas metabólicas ode señalización, así como interacciones hastaahora desconocidas entre proteínasinterrelacionadas entre sí. La segunda estrategiase centra en estudiar interacciones en este casoconocidas con anterioridad, para ir caracterizandopoco a poco la estructura tridimensional decomplejos macromoleculares mediante técnicasde alta resolución. El objetivo de esta estrategiaconsiste en poder reconstruir virtualmente redescelulares e incluso la célula completa a partir deestos complejos proteicos13. Ambas estrategias senutren de información que ha de estarpreviamente recogida en bases de datosespecializadas en interacciones proteína-proteína,así como estructuras 3D proteicas (Protein DataBank14).

Un aspecto crítico en el desarrollo de modelosmatemáticos y de simulaciones de procesosbiológicos es la estandarización deexperimentos in vitro e in vivo. En el apartado 5.4del presente Informe se realiza un análisisdetallado de los retos y barreras a los que seenfrenta la Biología de Sistemas. En este punto seexpone en detalle la importancia de laestandarización en Biología de Sistemas.

c) La Minería de textos es una tecnologíaemergente cuyo objeto es la búsqueda deconocimiento en grandes colecciones dedocumentos no estructurados. Se trata de una

tecnología de carácter horizontal y granimportancia para el tratamiento de la información.Otro aspecto en el que las tecnologías de mineríade textos encuentran un prometedor área deaplicación es el de la web semántica. Este nuevomodelo de web pretende construir toda unaestructura de metadatos, información sobre laestructura y significado de los datos almacenados,e incluirlos en los documentos de forma que seannavegables, identificables y “comprensibles” porlas máquinas. Los sistemas de text miningpermiten el análisis léxico de los textos yespecialmente la construcción automática deestructuras de clasificación y categorización quese codifican en forma de tesauros. Las tecnologíasrelacionadas con la minería de textos seránesenciales para el desarrollo de la Biología deSistemas ya que proporcionarán herramientasadicionales para el descubrimiento de diversostipos de relaciones entre los componentes de unsistema biológico15.

Hasta la fecha, alrededor del 90% de la literaturacientífica en el área de biomedicina se encuentraalmacenada en la base de datos PubMed16,principalmente debido a que es un recurso delibre acceso y en un formato sencillo. El problemaque presenta esta base de datos es que no sepuede acceder al contenido íntegro de muchas desus referencias y para desarrollar el potencial dela minería de textos, es necesario extraerinformación a partir de referencias cruzadas,además de figuras y tablas. Por este motivo, yaestán en marcha algunas iniciativas como DOAJ17,PubMed Central18, y Highwire Press19, bases dedatos de libre acceso que contienen referenciascon textos completos.

www.rcsb.org/pdb

http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?DB=pubmed

http://www.doaj.org

http://www.pubmedcentral.nih.gov

http://highwire.stanford.edu

22


En el siguiente apartado se revisan las posiblesaplicaciones de la Biología de Sistemas. En primerlugar, la Biotecnología Industrial se presenta comouna aplicación directa de la Biología de Sistemas,ya que las estrategias basadas en esta disciplinaemergente, proporcionan nuevas herramientaspara la investigación en Ingeniería metabólica. Ensegundo lugar, la Biología de Sistemas permitirála comprensión de las interacciones funcionalesque se producen en y entre células, órganos ysistemas, por lo que proporcionará informacióndetallada de las diferencias existentes entreestados fisiológicos normales y estadospatológicos. Por este motivo, la Biología deSistemas también tiene una aplicación directa enla Industria farmacéutica, ya que gracias a susestrategias y técnicas será posible desarrollarfármacos más efectivos y contribuirá por tanto ala consecución de una medicina personalizada.Por último se describe en qué grado sebeneficiarán los proyectos dedicados a Biodefensade la Biología de Sistemas.

4.1. Ingeniería metabólica

La ingeniería de vías metabólicas puede definirsecomo la modificación y/o introducción dereacciones bioquímicas, ya existentes o nuevas,para la mejora directa de propiedades celularesmediante tecnologías de ADN recombinante. Entrelos propósitos que se persiguen se encuentran:mejorar rendimientos, extender el intervalo desustratos metabolizables, extender el espectro deproductos por complementación de vías, obtenerproductos nuevos en la célula huésped, dirigir oreducir el flujo hacia una ramificación deseada, obien mejorar productividades; esto se logra pormedio de la re-estructuración de redesmetabólicas, la redistribución de flujos, o bien laamplificación, la eliminación o des-regulación degenes.

4. Principales aplicacionesde la Biología de Sistemas

Algunas definiciones de ingeniería metabólica

• Manipulación de los procesos metabólicos mediante tecnología recombinante con el objetivo demejorar las propiedades de los microorganismos.

• Mejora dirigida de las propiedades celulares mediante ingeniería genética para modificar ointroducir nuevas reacciones bioquímicas específicas.

• Alteración racional y dirigida de las rutas metabólicas de un organismo para comprender mejor yutilizar las rutas celulares en transformaciones (conversiones), transducción de energía yensamblaje supramolecular.

La manipulación directa de las vías metabólicas en bacterias y otros microorganismos ha permitido eldesarrollo y la mejora de cepas con la capacidad de sintetizar compuestos de utilidad como son algunosaminoácidos, polisacáridos, vitaminas, alcoholes, ácidos orgánicos, etc. Estas cepas han constituido la basepara el desarrollo de nuevas y mejores tecnologías biológicas. Mediante la aplicación de la ingeniería devías metabólicas, se espera que en un futuro próximo un número importante de compuestos orgánicos deuso industrial y terapéutico, obtenidos actualmente a partir de derivados del petróleo, puedan serproducidos por microorganismos utilizando otros carbohidratos además de glucosa como materia prima.

23


Aplicaciones de los flujos metabólicos en procesos industriales

• Incrementar la productividad del proceso (ej., producción de antibióticos).

• Incrementar la producción de precursores biosintéticos o polímeros.

• Ampliar capacidades metabólicas añadiendo actividades extrínsecas.

Mediante Biología Sintética, en la actualidad es posible elaborar catálogos de partes de los componentes delmetabolismo en cepas concretas de microorganismos20, por lo que se podrían diseñar modelos metabólicos aescala genómica, y recabar información sobre la estructura y estequiometría de la red y de sus reacciones.

Incrementar la producciónde precursores

biosintéticos o polímeros

Ampliar capacidadesmetabólicas añadiendoactividades extrínsecas

Incrementar la productividad del proceso industrial

Ventajasde la aplicaciónde la Ingeniería

Metabólica

Fig. 11. Ventajas de la aplicación de la Ingeniería Metabólica.


El control del flujo metabólico es el objetivo primario de la ingeniería metabólica. El flujo metabólico sedefine como la tasa a la que el material se convierte vía reacciones y rutas metabólicas. Para ello debemoscomprender los factores que influyen en el flujo. Una vez que se ha entendido el flujo metabólico, se hadado un paso hacia la comprensión del metabolismo celular, con lo que el ingeniero está en posición dealterar el genotipo de la célula con la esperanza de lograr el fenotipo deseado21.

Objetivos del control del flujo metabólico

• Aumentar la producción de metabolitos demasiado caros de obtener por síntesis química o paraintroducir una nueva capacidad.

• Obtener organismos con nuevas capacidades catabólicas, de gran interés en aplicacionesambientales o en microorganismos industriales que puedan crecer usando sustratos diferentes y másbaratos para la obtención de vitaminas, aminoácidos, antibióticos, etc.

• Conseguir propiedades celulares que sean beneficiosas en el proceso industrial: evitación deproductos tóxicos como el acetato y desvío hacia productos menos tóxicos (etanol, acetolactato).Escherichia coli con compuestos portadores de oxígeno, lo que le permite mejorar en condiciones delimitación de oxígeno.

20 López, M.; Ruiz, G.; Mallorquín, P. y Vega, M. (2006). Informe de Vigilancia Tecnológica Biología Sintética. Genoma España.21 Ingeniería metabólica, Instituto de Biotecnología de la Universidad de Granada

(http://www.ugr.es/~eianez/Biotecnologia/ingmetabol.htm).

http://www.ugr.es/~eianez/Biotecnologia/ingmetabol.htm

24


“Omica” Cepa

Genoma: conjunto detodos los genes de unorganismo.

Corynebacterium glutamicum

Corynebacterium glutamicum

Producto

Metionina

L-Lisina

Transcriptoma:conjunto de todos lostranscritos (ARNm) deun organismo.

Proteoma: conjunto detodas las proteínas deun organismo.

Corynebacterium glutamicum L-Lisina

Escherichia coli

Escherichia coli

Proteína de fusión IGF-I

Clostridium acetobutylicum Acetona-Butanol-Etanol

Poli (3-hidroxibutirato)

Escherichia coli Poli (3-hidroxibutirato)

Escherichia coli Leptina humana

Metaboloma: conjuntode todos losmetabolitos de unorganismo.

Saccharomyces cerevisiae —

Corynebacterium glutamicum L-Lisina

Bacillus subtilis Riboflavina

Transcriptoma y/oproteoma.

Escherichia coli Células

Escherichia coli L-Treonina

Transcriptoma y/oMetaboloma.

Aspergillus terreus Lovastatina

Corynebacterium glutamicum L-Treonina

Tabla 3. Aplicaciones de las tecnologías “Ómicas” en ingeniería metabólica.

Fuente: San Yup Lee et al. (2005). Systems biotechnology for strain improvement. TRENDS in Biotechnology, 23: 359-368.

APLICACIONES DE LAS TECNOLOGÍAS “ÓMICAS” EN INGENIERÍA METABÓLICA

25


22 Escuela Técnica Superior de Ingenieros Agrónomos de Madrid/Fundación Española para el Desarrollo de la NutriciónAnimal (http://www.etsia.upm.es/fedna/microingredientes/ltreonina.htm).

23 Higroscopicidad: propiedad de algunas sustancias de absorver y exhalar la humedad según el medio en que se encuentran.

4.1.1. Aminoácidos de origen industrial22

Los aminoácidos son moléculas nitrogenadassimples con cadenas hidrocarbonadas de bajopeso molecular. Todos los aminoácidos, aexcepción de la glicina, tienen dos formasestructurales o estereoisómeros: L y D. En lasproteínas animales todos los aminoácidospresentes pertenecen a la serie L. Sin embargo,en ciertos casos el animal dispone de la capacidadenzimática precisa para aprovechar la forma D,previa transformación a la forma Lcorrespondiente. Así, por ejemplo, para lametionina ambas formas son totalmentedisponibles. Para el triptófano la equivalencia estáen torno al 90-100% en porcino pero solo es del55 al 85% en aves. Los isómeros D de lisina ytreonina no son biológicamente activos por lo queno tienen valor para el animal. Lisina, metionina,treonina y triptófano son los aminoácidosactualmente disponibles a precios competitivospara la fabricación de piensos.

La lisina libre o pura es altamente higroscópica23

lo que limita su uso directo en la fabricación depiensos. La forma comercial más frecuente es elmonoclorhidrato de L-lisina, que se obtienemediante fermentación oxidativa utilizando unafuente de carbono (azúcar, almidón, melazas, etc.)y una fuente de nitrógeno (sales amónicas,amoníaco, hidrolizados proteicos, etc.) comosustrato de los microorganismos. También puedeobtenerse mediante procesos químicosenzimáticos a partir del a-amino-e-caprolactama.Los productos comerciales actuales tienen unapureza mínima del 98% que se corresponde conun valor en lisina del 78% y un contenido en clorocercano al 19-20%. Recientemente, se ha iniciadola comercialización de la lisina líquida al 50%obtenida por un proceso similar al del clorhidrato.La diferencia más notable con respecto a la L-lisina, aparte de la presentación y de la riquezaen el aminoácido, es que no aporta cloro. Laventaja práctica más importante es la facilidad demanejo y de almacenamiento.

La metionina se comercializa actualmente en dosformas: DL-metionina y DL-metioninahidroxianálogo (DL-2 hidroxi-4 metiltiobutanoico oHMB). La DL-metionina se obtiene por síntesisquímica a partir del propileno, metiltiol, metano yamoníaco. El producto sólido comercial tiene unariqueza superior al 99%, mientras que lapresentación líquida (sal sódica), menos utilizadapor la industria, tiene una riqueza en metioninadel 40%. Por su naturaleza química su contenidoen Na y S es alto (6,2 y 8,6%, respectivamente).El hidroxianálogo está disponible en forma líquida,con un 88% de riqueza en el producto original, oen forma sólida, como sal con un 12% de calcio.Se obtiene por síntesis química a partir del óxidode calcio y del ácido 2-hidroxi 3-metiltiobutanoico.La equivalencia en metionina del precursor hasido objeto de profundas discusiones en losúltimos 20 años. Valores entre el 60 y el 100%han sido publicados en la literatura, con las cifrasmás bajas obtenidas normalmente con dietassemisintéticas. Además, es un productoligeramente ácido, lo que potencia en ciertamedida el control de hongos por antifúngicos.

La L-treonina se obtiene preferentementemediante un proceso fermentativo pormicroorganismos. También puede obtenerse poraislamiento a partir de hidrolizados de proteínapara uso farmacéutico. El producto comercial enfabricación de piensos tiene una riqueza mínimadel 98% y un equivalente en proteína bruta entorno al 73-74%.

El L-triptófano se obtiene mediantefermentación a partir de la glucosa u otrosproductos carbonados como el indol. El productocomercial tiene un mínimo del 98% de riqueza yun equivalente en proteína bruta del 85-86%. La síntesis química a partir del ésteracetaminomalónico y fenilhidracina produce DL-triptófano, de menor disponibilidad enmonogástricos y de escaso uso en la industria.Recientemente ha aparecido en el mercado unacombinación de triptófano y lisina sintéticaexcipientada en solubles de fermentación. El producto contiene 55,3% de lisina y 15% detriptófano totalmente disponibles y su equivalenteen proteína es del 95%.

http://www.etsia.upm.es/fedna/microingredientes/ltreonina.htm

La Biología de Sistemas permite realizar análisis de la complejidad celular y la optimización de las rutasmetabólicas gracias a que mediante sus herramientas computacionales y teóricas, posibilita la elaboraciónde cálculos de los componentes implicados en las rutas, la modelización de las relaciones que existen entredichos componentes, el diseño de representaciones matemáticas de la ruta metabólica, conocer laspropiedades del sistema y su comparación con los datos experimentales del proceso celular25.

26


Antibióticos Osmolaridad pH Temperatura

OxígenoToxinas

Gravitación

Luz

Limitacionesde nutrientes

Tensión dedeformación

PresiónSeñales de otrosmicroorganismos

Gen ADN Proteína

A

B

Factores presentes en el medio que influyen a la célula

Estructura molecular básica de los procesos

Almacenamiento

ADN

Genoma Transcriptoma Proteoma Metaboloma

Mensaje

ARNm

Producto

Proteína(enzima)

Metabolito A

Metabolito B

Fig. 12. Factores presentes en el medio que influyen a la célula y microorganismo y estructura molecular básica de los procesos biológicos.

Fuente: Deckwer, W. D. Systems Biology Approaches to bioprocess Development (2006). Eng. Life Sci. 6, 455:469.

24 Deckwer, W. D. Systems biotechnology for strain improvement (2006). Eng. Life Sci. 6, 455:469.25 Sevilla, A. et al. (2006). Dynamic model for the optimization of l(-)-carnitine production by Escherichia coli.

Understanding and Exploiting Systems Biology in Biomedicine and Bioprocesses. Fundación CajaMurcia.

Las herramientas bioinformáticas así como lastécnicas de ingeniería metabólica puedenemplearse para reconstruir el potencial de lasredes metabólicas de un microorganismo a partirdel genoma únicamente24. El objetivo no será soloel desarrollo de estrategias de cultivo en

biorreactores a gran escala, sino además ladeterminación de las relaciones cinéticas dedependencia entre el genoma y el medioambiente con el fin de elaborar simulaciones desu comportamiento.

27


Aplicaciones de la Biología de Sistemas al desarrollo de bioprocesos

• Análisis de rutas metabólicas.

• Modelización de rutas metabólicas.

• Optimización de señales de regulación.

• Predicción de resultados del proceso industrial.

Modelos y simulacionescomputacionales

Análisisexperimental

Modelocomputacional

Prediccionesin silico

Observaciónexperimental

Modelocomputacional

Diseño “de novo”

Refinamientodel modelo

Generaciónde conocimiento

ComparaciónCepa

mejorada

Hipótesis

Modeloexperimental

Tecnologías“ómicas”

Pertubacionesexperimentales

Cambios ambientales

Medio de crecimiento

Temperatura y pH

Fases de la Fermentación

Alteraciones genéticas

Mutaciones

Knockout

Amplificación génica

Ingeniería metabólica

Fig. 13. Resumen de aplicaciones de la Biología de Sistemas a la mejora de procesos industriales.

Fuente: Sang Yup Lee et al. (2005). Systems biotechnology for strain improvement. TRENDS in Biotechnology, 23, No. 7.

28


Caso de éxito: mejora de la producción de aminoácidos por Corynebacterium glutamicummediante estrategias de Biología de Sistemas

La bacteria gram + Corynebacterium glutamicum se utiliza desde 1957 en la producción de metabolitos primarios de interés industrial como son los aminoácidos L-glutamato, L-lisina o L-glutamina, aminoácidos cuyo mercado crece anualmente en torno a un 10%. Utilizandoherramientas propias de Biología de Sistemas tales como análisis del proteoma, análisis deltranscriptoma, utilizando microarrays de ADN y análisis de flujos metabólicos y mediante larealización de modelos, se han realizado mejoras en el proceso de síntesis de estos metabolitos26.Este es el objetivo de un proyecto27 realizado conjuntamente por las Universidades alemanas de Ulm, Colonia y Bielefeld, el Centro de Investigación Juelich y la empresa Degussa.

Cada uno de los componentes de este equipo se enfrenta al estudio de las redes de regulación queafectan al flujo de metabolitos concretos con el objetivo de comprobar qué metabolitos afectan mása la producción de L-Lisina.

El objetivo final del proyecto es realizar un análisis global de las redes metabólicas deCorinebacterium utilizando para ello datos genómicos obtenidos mediante técnicas de microarraysde ADN. Este análisis permitirá la obtención de nuevas cepas de interés industrial y la optimizacióndel proceso de fermentación. Utilizando la información del genoma de la bacteria será posiblecomparar el proceso de producción de aminoácidos de las cepas originales de la bacteria y de lasnuevas cepas bajo diferentes condiciones ambientales.

Modelización

Carbono(Ulm)

Nitrógeno(Colonia)

Análisis del flujometabólico(Degussa)

Tasa decrecimiento(Bielefeld)

Fosfatos(Juelich)

Metabolómica

Proteómica

Transcriptómica Análisis de flujos

ADN ARN Proteína

C. glutamicum

26 Wendisch, V. F. (2005). Towards improving production of fine chemicals by systems biology: Amino acid production byCorynebacterium glutamicum. Chemistry today Feb, 49-52.

27 Proyecto “Corynebacteria DNA microarray analysis of global regulatory networks in Corynebacterium glutamicum”(https://www.genetik.uni-bielefeld.de/GenoMik/cluster4.html).

https://www.genetik.uni-bielefeld.de/GenoMik/cluster4.html

29


4.1.2. Medio ambiente

Desde hace varias décadas, se han dedicadograndes esfuerzos al estudio de la eliminación decontaminantes orgánicos mediantemicroorganismos. La biorremediación se basa enla capacidad natural que poseen ciertosmicroorganismos para reparar el medio ambientemediante reacciones de oxidación, unión,inmovilización u otros tipos de transformación decontaminantes. Las aproximaciones medianteBiología de Sistemas a la resolución de problemasmedioambientales se encuentran en las primerasetapas de desarrollo, pero estas primerasaproximaciones se están convirtiendo en laactualidad en herramientas de gran ayuda parapredecir y cuantificar las habilidades demicroorganismos concretos o grupos demicroorganismos para resolver este tipo deproblemas28.

La Biología de Sistemas permite el desarrollo o lamejora de modelos de metabolismo microbianoútiles para procesos de biodegradación decontaminantes. Los datos experimentalesprocedentes de estudios de expresión génica y degenómica funcional pueden ser incorporados amodelos in silico capaces de predecir la actividadde microorganismos cuya actividad es relevanteen los procesos de biorremediación así como de

las relaciones que existen entre estosmicroorganismos y otros presentes en el medioque pueden afectar al proceso debiorremediación29. En la figura 14 se muestra unejemplo de cómo afrontar el desarrollo de unmodelo de biorremediación microbiana desde elprisma de la Biología de Sistemas mediante unproceso iterativo en el que el modelo es mejoradoen base a sus propios resultados.

Una aportación clave de la Biología de Sistemases la reconstrucción de redes de biodegradaciónen la que se encuentren implicados diferentesmicroorganismos. En estos modelos ya no seestudia exclusivamente a un microorganismoconcreto sino que aportan una visión global delecosistema. Los microorganismos son presentadoscomo integrantes de una red en la que losproductos fruto del metabolismo de un tipoconcreto de micoorganismos pueden ser elsustrato de otros y viceversa. Estasinterrelaciones entre microorganismos pueden serestudiadas atendiendo a las entidades biológicasimplicadas en el proceso de biorremediación, esdecir las reacciones bioquímicas que tienen lugary las proteínas que aparecen como fruto dedichas reacciones. De esta forma es posibleconseguir gran cantidad de informaciónrelacionada con la estructura, el comportamientoy la evolución de la red de biodegradación30.

28 Pieper D. T. et al. (2004). Genomic and mechanistic insights into the biodegradation of organic pollutants. CurrentOpinion in Biotechnology 15, 215-224.

29 Lovely, D. R. (2003). Cleaning up with genomics: applying molecular biology to bioremediation. Nature ReviewsMicrobiology 1, 35-44.

30 Trigo A. et al. (2006). The global biodegradation network: Who works here? Understanding and Exploiting SystemsBiology in Biomedicine and Bioprocesses. Fundación CajaMurcia.

30


Ejemplo de desarrollo de modelos in silico del metabolismo microbiano

Cálculo del espacio de solucionesposibles para el espacio de flujos metabólicos.

Flux B

Flux A

Flux C

1. Modelo metabólico basado en anotaciones de genes y datos fisiológicos.

Perfeccionamiento del modelo, mediantela incorporaciónde datos de regulación y de respuesta ambiental.

Evaluación de los mecanismos reguladores y de las respuestas medioambientales con los análisis genéticos, bioquímicos y de expresión génica.

Comparación de las predicciones del modelo con resultados procedentes de cultivos.

Revisiones del modelo en base a datos fisiológicos.

Fig. 14. Proceso iterativo para el desarrollo de modelos in silico del metabolismo microbiano.

Fuente: Lovely, D. R. (2003). Cleaning up with genomics: applying molecular biology to bioremediation. Nature Reviews Microbiology 1, 35-44.

31


31 Dhar, P. K. et al. (2004). Computational approach to systems biology: from fraction to integration and beyond. IEETransactions on nanobioscience. September, vol. 3, nº 3, 144-152.

Modelización

Tecnologías “Omicas”Ensayos de sistemas celulares complejos

10-9Metros

Segundos 10-6 102 104 105 108

10-8 10-7 10-6 10-5 10-4 10-3 10-2 10-1 1

Moléculas Rutas Células Tejidos Humanos

Fig. 15. Biología de Sistemas en el descubrimiento de fármacos.

Fuente: Butcher, E. C. et al. (2004). Systems Biology in drug discovery. Nature Biotechnology, Vol. 8, Nº 10: 1253-1259.

4.2. Aplicacionesbiosanitarias

Otro aspecto clave de la Biología de Sistemas sonsus posibles aplicaciones en relación con la saludhumana. La Biología de Sistemas supone unanueva estrategia para el estudio de enfermedadescomplejas como son el SIDA, el cáncer o ladiabetes. Una de las principales aplicaciones de laBiología de Sistemas radica en la comprensión desistemas patológicos y fisiológicos, que permitan investigar los efectos de fármacosmediante modelos predictivos. Por este motivo laIndustria farmacéutica se presenta como uno delos principales beneficiarios y usuarios de lasnuevas estrategias que presenta la Biología deSistemas.

4.2.1. Industria farmacéutica

Uno de los beneficiarios de la Biología deSistemas es la industria farmacéutica, que podríaaplicar modelos virtuales de rutas metabólicas ode señalización para realizar los análisistoxicológicos y eliminación de fármacos (Ej. Rutadel citocromo P450). Los modelos in silicorevelarían cambios en las cascadas deseñalización como consecuencia de perturbacionesrelacionadas con la administración de fármacos31.

32


Tecnologías “Ómicas”

Caracterización de sistemas

+/–

Sistemas celularescomplejos

+

Generación de hipótesis

+ +

Modelizacióncomputacional

+

+

Ensayos de modelos – + –

Identificación yvalidación de dianas

+ + +/-

Validación de compuestos

+/– + –

Optimización de candidatos

– + –

Diseño de ensayosclínicos

– +/- +

Rendimiento Lento Rápido Muy lento

Retos

Cuantificación de datos.Calidad de datos.Requiere un contextobiológico.

Disponibilidad de tiposcelulares.Limitación en lamodelización de efectossistémicos.

Falta de información ydatos erróneos.Dificultad en lavalidación del modelo.

Tabla 4. Características de la Biología de Sistemas en el descubrimiento de fármacos.

Fuente: Butcher, E. C. et al. (2004). Systems Biology in drug discovery. Nature Biotechnology, Vol. 8, Nº 10: 1253-1259.

CARACTERÍSTICAS DE LA BIOLOGÍA DE SISTEMASEN EL DESCUBRIMIENTO DE FÁRMACOS

Las recientes aplicaciones de la Biología deSistemas en la industria farmacéutica se debenprincipalmente a avances en las llamadastecnologías “Ómicas” (genómica, proteómica,transcriptomica, etc.), modelizacióncomputacional, y el empleo de sistemas humanoscomplejos como método de ensayo experimental

en el diseño de fármacos e identificación dedianas terapéuticas. Las tecnologías “Ómicas” secorresponderían con la estrategia de ingenieríadirecta que mencionábamos anteriormente,mientras que la modelización computacional seríaun tipo de ingeniería indirecta.

33


Aplicaciones de la Biología de Sistemas en la Industria farmacéutica

a. Identificación de dianas terapéuticas

La finalización del Proyecto Genoma Humano ha proporcionado, en principio, el acceso a lassecuencias primarias de todas las proteínas descritas hasta la fecha, y por tanto ha abierto nuevasoportunidades como potenciales dianas terapéuticas. Sin embargo, los modelos preclínicos de los quese dispone actualmente poseen un valor predictivo muy escaso para las enfermedades humanas.Esto es debido a que existen una serie de factores complejos que interaccionan entre sí como sonlas características genéricas y los factores medioambientales32.

b. Reconocimiento de efectos sencundarios

La mayoría de los fármacos que se encuentran en sus primeras etapas de desarrollo fracasan debidoa que no poseen las propiedades farmacológicas adecuadas, que se suelen manifestar mediantedeficiencias en la absorción o farmacocinética, o bien porque producen metabolitos con efectossecundarios indeseables. La caracterización y combinación del metaboloma, o conjunto de moléculasderivadas del metabolismo, y del proteoma, totalidad de las proteínas codificadas por un genoma,proporcionará la información necesaria para identificar nuevas moléculas terapéuticas más eficaces yseguras33.

c. Identificación de marcadores moleculares

Uno de los campos que requiere mayor desarrollo para la industria farmacéutica es la monitorizaciónde la eficacia de nuevas moléculas. Un parámetro que mide la eficacia de las nuevas moléculas es eldenominado índice terapéutico34 que refleja la seguridad relativa de un medicamento o suselectividad de acción, pero un análisis exhaustivo del mismo es un proceso largo y caro en el quehan de evaluarse gran cantidad de datos clínicos. La Biología de Sistemas proporciona lasherramientas necesarias para conseguir estos objetivos ya que permitirá el análisis multifactorial dela respuesta de los fármacos, que se verá reflejada en cambios sustanciales en las interaccionesentre las proteínas constituyentes de diferentes redes35.

d. Terapia individualizada

Los seres humanos se diferencian entre sí por medio de unos 6 millones de polimorfismos, querepresentan modificaciones puntuales de la secuencia de ADN de una sola base nucleotídica36.Diferentes estados patológícos se deben a variaciones que se producen en la secuencia de ADN, losanteriormente mencionados polimorfismos, como consecuencia de ciertas condicionesmedioambientales. La estratificación, es decir la distribución en grupos homogéneos en base acaracterísticas comunes de los pacientes y de las enfermedades, permitiría conocer la predisposición asufrir dichas enfermedades, así como predecir las respuestas en caso de determinadas terapias. Estasson algunas de las bases de la medicina personalizada, pero para conseguir desarrollarla es necesariorealizar nuevas aproximaciones analíticas que permitan manejar grandes conjuntos de datos,inluyendo los datos médicos, conjuntos de datos que, por otra parte, llevan consigo informaciónequívoca y confusa (ruido). La medicina personalizada requerirá del análisis de complejos sistemas,por lo que la Biología de Sistemas jugará un papel clave en su desarrollo. A corto plazo, los ensayosclínicos se beneficiarán de una selección más homogénea de poblaciones de pacientes, mientras que alargo plazo seremos testigos de una terapia individualizada en la práctica clínica37.

32 Hood, L. & Perlmutter, R. M. (2004). The impact of system approaches. Nature Biotechnology, vol. 22, (10): 1215-1217.33 Hood, L. & Perlmutter, R. M. (2004). The impact of system approaches. Nature Biotechnology, vol. 22, (10): 1215-1217.34 Índice terapéutico: índice o número que refleja la seguridad relativa de un medicamento o su selectividad de acción

(dosis que produce efecto secundarios/ dosis óptima para una terapia de éxito).35 Hood, L. & Perlmutter, R. M. (2004). The impact of system approaches. Nature Biotechnology, vol. 22, (10): 1215-1217.36 López, M. et al. (2005). Técnicas de genotipado en salud humana. Informe de Vigilancia Tecnológica. Genoma España.

Salud Humana. 2005.37 Hood, L. & Perlmutter, R. M. (2004). The impact of system approaches. Nature Biotechnology, vol. 22, (10): 1215-1217.

La biosimulación emplea las matemáticas pararepresentar cuantitativamente la dinámica de lossistemas biológicos y por tanto analizar elcomportamiento de dichos sistemas. Labiosimulación se puede clasificar en doscategorías, los modelos a pequeña escaladesignados para solucionar un problemaespecífico, y los modelos a gran escala queproporcionan información detallada acerca de

mecanismos reguladores de amplio espectro. Lassimulaciones a pequeña escala sonparticularmente útiles en la interpretación dedatos clínicos y desarrollo de nuevosbiomarcadores. Por otra parte, las biosimulacionesa gran escala generalmente integran una granvariedad de datos y pueden proporcionarinformación sobre sistemas biológicos complejosen procesos patológicos y condiciones normales38.

34


Biosimulaciones a pequeña escala

Biosimulaciones a gran escala

Ejemplos:• Medición de la sensibilidad

a la insulina.• Replicación de virus VIH.

Ejemplos:• Electrofisiología cardiaca.• Mecanismos moleculares

del asma.

• Modelos centrados en aplicacionesconcretas.

• Modelos fáciles de comprender yanalizar.

• Modelos empleados para el estudiode numerosas aplicaciones.

• Puede predecirse elcomportamiento del sistema deforma global.

• Modelos que solo puedenemplearse en la aplicación para la que fueron diseñados.

• No es posible predecir lasconsecuencias de modificar losmecanismos biológicos delsistema.

• Modelos difíciles de comprender y analizar.

• El desarrollo de los modelosrequiere de gran cantidad dedatos, modelos sofisticados yherramientas de software.

Ventajas Desventajas

Fig. 16. Características de la biosimulación en el descubrimiento y desarrollo de fármacos.

Fuente: Musante, C.J. et al. (2002). Small-and large-scale biosimulation applied to drug discovery and development. DrugDiscovery Today, Vol. 7, (20): 192-196.

Debido a los crecientes costes y complejidad quesupone el proceso de desarrollo de nuevosfármacos, la industria farmacéutica estácentrando gran parte de sus esfuerzos en evaluarmétodos alternativos que aceleren el proceso.

El proceso de validación de dianas es uno deestos cuellos de botella, así como las etapasiniciales de las fases clínicas previas a laaprobación comercial de los fármacos.

38 Musante, C. J. et al. (2002). Small-and large-scale biosimulation applied to drug discovery and development. Drug Discovery Today, Vol. 7 (20): 192-196.

35


Fig. 17. Ventajas de la biosimulación en el descubrimiento y desarrollo de fármacos.

Fuente: McKenna, C. & Sudbeck, B. (2003). Assessing the Impact of Predictive Biosimulation on Pharma R&D. PAREXEL Pharmaceutical R&D Sourcebook.

Seleccióny validación de dianas

66 meses

8 1,25 6 0,5

2,5 meses 24 meses 12 meses

Priorizacióny selección

de compuestos

Optimizacióndel desarrollo clínico

Comercialización

1,3 años

La tasa de fracaso a lo largo del proceso deinvestigación farmacéutica es elevada, más del80% de los proyectos fracasan durante la fase dedescubrimiento anterior a los ensayos clínicos, demodo que solo uno de cada cinco proyectosconsigue iniciar los ensayos clínicos. Una correctavalidación de dianas terapéuticas reduce por tantoel tiempo y coste necesarios para el desarrollo deun fármaco eficaz, ya que se evita continuar conlos esfuerzos empleados en el desarrollo de

fármacos cuyas dianas no han sido validadasadecuadamente. De este modo, la industriafarmacéutica conseguiría optimizar sus esfuerzosde I+D orientándolos hacia los proyectos basadosen dianas validadas correctamente, con mayoresposibilidades de salir adelante. Las estrategias deBiología de Sistemas que emplean sistemas debiosimulación serían de gran utilidad para extraerinformación valiosa como por ejemplo a partir deanálisis de expresión génica.

Fig. 18. Etapas en el proceso de identificación y desarrollo de fármacos susceptibles de ser mejoradas mediante procesosde biosimulación y modelización.


Descubrimientode dianas

Descubrimientode fármacos

Desarrollode fármacos

Identificaciónde dianas

Validaciónde dianas

Selecciónde compuestos

Optimizaciónde compuestos

FasePreclínica

FaseClínica

Modelos in silico y biosimulaciones

4.2.2. Biodenfensa

Los proyectos de investigación dedicados a labiodefensa se centran generalmente en tresáreas, la detección de potenciales amenazas, laprevención en la población mediante vacunas yotras medidas profilácticas, y por último eltratamiento de aquellos que se han vistoexpuestos a agentes infecciosos que además tienepor objeto evitar un contagio mayor (ejemplo,Ántrax). El desarrollo de fármacos frente a estosagentes no solo se enfrenta a las mismaslimitaciones que los medicamentos tradicionales,ya que no es posible exponer a individuos sanos aestos fármacos para satisfacer las normasestablecidas en los ensayos clínicos. En mayo de

2002 la FDA modificó sus normas con el propósitode permitir que algunos fármacos frente apatologías de alto riesgo pudieran ser aprobadosbasándose en evidencias de su eficaciaúnicamente en animales, en aquellos casos en loscuales la experimentación en humanos no fueraética o imposible de realizar39. Sin embargo, losmodelos animales no ofrecen información acercade la mayoría de los procesos biológicos enhumanos, por lo que es esencial encontrar unaalternativa en proyectos relacionados conbiodefensa. Las estrategias de Biología deSistemas serían de gran ayuda ya que permitiríanconstruir modelos predictivos capaces derepresentar los mecanismos que gobiernan larespuesta inmune en humanos40.

36


39 FDA, New Drug and Biological Drug Products; Evidence Needed to Demostrate Effectiveness of New Drugs When HumanEfficacy Studies Are Not Ethical or Feasible. Federal Register 31, May 2002.

40 French, J. M. et al. (2003). Biodefense: A Systems Biology Approach to Drug Discovery and Development. RegulatoryAffairs Focus, Noviembre: 36-42.

Modelo del sistema inmune humano Modelos del patógeno

Microambiente pulmonar.Reconocimiento y fagocitosis del agente infeccioso porcélulas dendríticas y macrófagos.

Mecanismos de infección. Mecanismos de escape de lisosomas.

Reacciones locales inflamatorias. Metabolismo normal celular.

Presentación del antígeno y expansión de linfocitos T.

Mecanismos de replicación y latencia.

Respuesta de células B.

Diseminación local o sistémica del agenteinfeccioso.

Tabla 5. Características del modelo predictivo ideal en biodefensa.

Fuente: French, J. M. et al. (2003). Biodefense: A Systems Biology Approach to Drug Discovery and Development. Regulatory Affairs Focus, noviembre: 36-42.

CARACTERÍSTICAS DEL MODELO PREDICTIVO IDEAL EN BIODEFENSA

37


En el presente apartado se realizará un análisisde la situación actual de la Biología de Sistemasen aspectos clave como son los modelos denegocio de empresas relacionadas con Biología deSistemas, las principales iniciativas deinvestigación y el impacto de esta nuevadisciplina. En último lugar, se realizará un análisisde los principales retos a los que se enfrenta lainvestigación en Biología de Sistemas así como delas perspectivas de desarrollo de las diferentesaplicaciones.

5.1. Modelo de negocio deempresas relacionadascon Biología de Sistemas

Un buen número de compañías farmacéuticas ybiotecnológicas comienzan a emplear entre susestrategias la Biología de Sistemas y algunas deellas han demostrado apostar por esta nuevadisciplina como forma de publicidad de susactividades de I+D+i. Para el propósito delpresente Informe, se han identificado aquellasempresas que presentan líneas de servicios oproductos más relacionados con la Biología deSistemas, y que por tanto son hoy por hoy unareferencia que permite analizar el modelo denegocio en este sector.

Algunas compañías farmacéuticas potentes comoes el caso de Johnson & Johnson, Eli Lilly,Novartis, o Novo Nordisk, han apostado pordesarrollar sus propias tecnologías deidentificación y desarrollo de fármacos empleandotecnologías globales como las que proporciona laBiología de Sistemas. Otras compañías seposicionan como proveedoras de herramientasque pueden ser a su vez licenciadas o vendidas alas farmacéuticas anteriormente mencionadas, asícomo a centros de investigación y universidades.En el anexo I del presente Informe se muestra unlistado de patentes en Biología de Sistemaspertenecientes a empresas y Universidades. Untercer tipo de modelo de negocio correspondería aaquellas pequeñas empresas que van surgiendocomo distribuidoras de servicios personalizados alas grandes farmacéuticas relacionados con laBiología de Sistemas, las cuales poseen el mayorgrado de incertidumbre respecto a su futuro. Porúltimo, algunas las de las empresasbiotecnológicas especializadas en genómica yproteómica, han ido trasladando paulatinamentesus esfuerzos hacia la metabolómica. Dichatransformación requiere aproximaciones que sepueden clasificar perfectamente dentro de lasestrategias de la Biología de Sistemas, aunqueellas mismas no se presenten como empresasdedicadas a estas actividades41.

5. Situación actual de la Biología de Sistemas

41 Mack, G. S. (2004). Can complexity be commercialized? Nature Biotechnology 22, 1223-1229.

38


• Accelrys.

• GeneGo.

• Genpathway.

• IBM.

• Ingenuity Systems

• ProSanos

• Beyond Genomics.

• BioSeek.

• Entelos.

• Gene Networks International.

• Gene Network Sciences.

• Genomatica.

• Genstruct.

• METabolic EXplorer.

• Optimata Era7.Information Technologies.

• Imagina Biotek.

• Integromics.

• Johnson & Johnson.

• Eli Lilly.

• Novartis.

• Novo Nordisk.

• Exelixis.

• Icoria (ParadigmGenetics.

• IntervalenceBiokinetics.

• Oryzon genomics.

Compañías especializadasen herramientas de Biología de Sistemas

Compañías biotecnológicas de nueva creaciónespecializadas en Biología de Sistemas

Compañías farmacéuticascon programas propios deI+D en Biología de Sistemas

Compañías biotecnológicascon experiencia previa en

genómica y proteómica

Fig. 19. Modelos de negocio en Biología de Sistemas.


Modelos de negocio en Biología de Sistemas

Algunos autores señalan que el mercado al que seenfrentan las empresas dedicadas en su mayorparte a la Biología de Sistemas es muy reducido,debido principalmente a que tan solo unascuantas empresas farmacéuticas son capaces decomprar y utilizar los productos que se ofrecen.Es por ello que la mayoría de las compañíasdedicadas a la comercialización de herramientasde software en Biología de Sistemas, se venobligadas a buscar alianzas y colaboraciones queles permitan desarrollar sus propios productos.Por otra parte, las compañías biotecnológicas del

sector tienen grandes dificultades para acceder adatos que son esenciales a la hora de elaborar losmodelos matemáticos y biosimuladores, ya quelas compañías farmacéuticas son muy reacias aproporcionar datos procedentes de sus ensayos42.

En los anexos VIII y IX del presente Informe semuestra una recopilación de empresasinternacionales y de ámbito nacional,respectivamente, con líneas de negocio, productoso servicios relacionados con la Biología deSistemas.

42 Mack, G. S. (2004). Can complexity be commercialized? Nature Biotechnology 22, 1223-1229.

39


5.2. Situación actual de la investigación en Biología de Sistemas

A pesar de que la Biología de Sistemas haevolucionado mucho en los últimos años, aún seencuentra en su infancia. Uno de los motivos hasido que esta disciplina se ha desarrollado deforma muy dispersa en todo el mundo, ademásde carecer de procedimientos experimentales yprogramas informáticos estandarizados. Por otraparte, los investigadores que trabajan en estecampo han sido hasta la fecha muy reticentes a lahora de compartir información relevante. Por estarazón es esencial el desarrollo de bases de datosactualizadas periódicamente y programas desimulación compatibles y estandarizados. Algunosgrupos ya están elaborando este tipo de bases dedatos relacionados con procesos complejos comola señalización celular. En concreto, la base dedatos STKE (Signal Transduction KnowledgeEnvironment)43 mantenida por Science, seencarga de la identificación y desarrollo deherramientas para la obtención de informaciónacerca de la señalización celular. Otras bases dedatos similares son la Alliance for CellularSignalling44 y la Enciclopedia de Kyoto de Genes yGenomas de Japón45.

El Lenguaje de Marcas de Biología de Sistemas(SBML), es un tipo de lenguaje de programaciónpara representar modelos de redes de reaccionesbioquímicas. El SBML se puede aplicar al diseñode redes metabólicas, rutas de señalizacióncelular y redes de regulación entre otros.

El consorcio BioPAX46 está actualmentedesarrollando una base de datos de intercambiode datos de rutas biológicas que se encuentra en

fase de pruebas. BIOPAX está pensado como uncomplemento a Systems Biology MarkupLanguage (SBML47), una base de datos cuyoobjetivo es el intercambio de modelos de redes deinteracciones bioquímicas, mientras que BioPAXsolo cubrirá datos de rutas biológicas.

La investigación en Biología de Sistemas enEuropa se lleva a cabo en múltiples localizaciones,es decir, está muy fragmentada, con pocacoordinación y financiación inadecuada. Estoúltimo estaría debido en parte por la extensión delas áreas implicadas en la Biología de Sistemas, ypor la escasez de financiación en comparación conEstados Unidos y Japón48.

En la actualidad la investigación en EstadosUnidos y Asia es mucho más activa que enEuropa en la modelización y simulación deprocesos complejos. Una prioridad clave debe serel desarrollo de iniciativas de amplio espectro conel fin de crear e integrar bases de datosrelevantes y software de análisis, permitiendo lainterpretación de datos experimentales a nivel desistemas. Para ello será necesario enfocar lainvestigación en la modelización de procesosdeterminados a fin de comprender elcomportamiento dinámico de la célula(metabolismo, señalización, tráfico, orgánulos,ciclo celular, expresión génica, replicación,citoesqueleto) en modelos animales a partir dedatos experimentales (transcriptómica,proteómica, genómica funcional, e interaccionescon rutas celulares). Los sistemas modelo yorganismos modelo son esenciales paracaracterizar los sistemas biológicos, aunquedebido a que algunos de ellos han sidoestudiados con más detalle que otros, es másprobable que los primeros proporcionen mayorinformación49.

43 Signal Transduction Knowledge Environment, STKE (http://stke.sciencemag.org).44 Alliance for Cellular Signalling (http://www.signaling-gateway.org/).45 Kyoto Encyclopedia of Genes and Genomes, KEGG (http://www.genome.ad.jp/keg).46 BIOPAX (http://www.biopax.org/index.html).47 Systems Biology Markup Language, SBML (http://sbml.org/index.psp).48 Computational systems Bilogy (CSB)- Its future in Europe. DG Research / F.4 Fundamental Genomics.

8 de marzo de 2004.49 Computational systems Biology (CSB)- Its future in Europe. DG Research / F.4 Fundamental Genomics.

8 de marzo de 2004.

http://stke.sciencemag.org

http://www.signaling-gateway.org/

http://www.genome.ad.jp/

http://www.biopax.org/index.html

http://sbml.org/index.psp

40


Principales proyectos en Biología de Sistemas

1. Proyectos internacionales en Biología de Sistemas:

• E-cell Project (Keio University, Japan).

• BioSpice Project (Arkin, Berkeley).

• Metabolic Engineering Working Group (Palsson & Church, UCSD, Harvard).

• Silicon Cell Project (Netherlands).

• Virtual Cell Project (UConn).

• Gene Network Sciences Inc. (Cornell).

• Project CyberCell (Edmonton/Calgary).

2. Proyectos europeos50:

• DIAMONDS (Dedicated Integration and Modelling of Novel Data and Prior Knowledge to EnableSystems Biology): Martin Kuiper, Plant Systems Biology, RUG-VIB, Gent, Bélgica.

• COSBICS (Computational Systems Biology of Cell Signalling): Olaf Wolkenhauer, University ofRostock, Alemania.

• EMI-CD (European Modelling Initiative Combating Complex Diseases): Hans Lehrach, Max PlanckInstitute for Molecular Genetics, Berlin, Alemania.

• COMBIO (An integrative approach to cellular signalling and control processes: Bringingcomputational biology to the bench): Andrea Ciliberto, Technical University of Budapest, Hungría.

• QUASI (Quantifying signal transduction): Stefan Hohmann, Göteborg University, Suecia.

• EUSYSBIO (The Take off of European Systems Biology): Gisela Miczka, ProjectmanagementOrganization Jülich, Alemania.

• BIOSAPIENS 1 (A European Network for Integrated Genome Annotation): Ewan Birney, EMBLOutstation, European Bioinformatics Institute, Hinxton, Reino Unido.

• BIOSAPIENS 2 ( Reactome, A systems biology ready database): Ewan Birney, EMBL Outstation,European Bioinformatics Institute, Hinxton, Reino Unido.

• BIOSIM 1 (Biosimulation - A New Tool in Drug Development): Erik Mosekilde, Technical Universityof Denmark, Dinamarca.

• BIOSIM 2 (Biosimulation - A New Tool in Drug Development. Computational Systems Biology of themammalian circadian clock: From molecular mechanism to disorders of the sleep-wake cycle):Albert Goldbeter, Unité de Chronobiologie théorique, Université Libre de Bruxelles, Bélgica.

• BIOSIM 3 (Biosimulation - A New Tool in Drug Development): Morten Colding-Jørgensen, NovoNordisk A/S, Dinamarca.

• BIOSIM 4 (Biosimulation - A New Tool in Drug Development): Hans Westerhoff, Free University ofAmsterdam, Holanda.

50 EU Projects Workshop Report on Systems Biology.

41


Proyecto/Organización Descripción

Alliance for Cellular Signalinghttp://www.cellularsignaling.org

Identificación de todas las proteínas que componendiferentes sistemas de señalización, cálculo del flujode información que atraviesa el sistema en funcióndel tiempo en estados normales y patológicos, yfinalmente reducción de la cantidad de datos para laobtención de un conjunto de modelos teóricos quedescriban la señalización celular.

Caltech ERATO Kitano Systems Biology projecthttp://www.sbml.org

Este proyecto pretende desarrollar el Lenguaje deMarcas de Biología de Sistemas (SBML) con elobjetivo de realizar representaciones y modelos delos componentes de información de un sistema. Elproyecto pretende establecer unos parámetroscomunes en el lenguaje de programación para losdiferentes softwares de Biología de Sistemas.

Physiome Scienceshttp://www.physiome.com

CellMLTM es un metalenguaje basado en XMLdiseñado para facilitar la creación y el intercambio demodelos biológicos. Se trata de un proyecto en elque colaboran el Instituto de Bioingeniería de laUniversidad de Auckland51 y Physiome Sciences paradesarrollar y mantener una familia de lenguajesentre los que se incluyen AnatMLTM y FieldMLTM

capaces de describir datos anatómicos ydistribuciones espaciales de propiedades biológicas.

E-Cell ProjectKeio Universityhttp://www.e-cell.org/about/index.htm

E-CELL es un entorno para simulaciones y modelosde procesos genéticos y bioquímicos. Es capaz dedefinir funciones de proteínas, interacciones entreproteínas, interacciones entre ADN y proteínas,regulación de la expresión génica y otros aspectosdel metabolismo celular.

University of Connecticut Health Centerhttp://www.nrcam.uchc.edu

El entorno Virtual Cell puede ser aplicado a célulasde mamífero y se basa en medidas precisas sobrecómo difunden las biomoléculas para reaccionar concélulas diana. El entorno V-Cell es capaz de definirun modelo fisiológico de sistema celular de interéscomo un conjunto de especies, estructuras yreacciones.

BioSPICEDARPA BioSPICEBerkeley BioSPICE (consorcio entre laUniversidad de California-Berkeley, el LaboratorioNacional de Lawrence Berkeley y el Instituto deInvestigaciones de Stanford)http://www.biospice.lbl.gov/home.html

BioSPICE se basa en un simulador estocástico deredes biológicas diseñado originalmente para hacermodelos de regulación génica. Ha sido implementadocon una mayor capacidad para desarrollar modeloscomputacionales de procesos intracelulares.

Tabla 6. Organizaciones que desarrollan herramientas in silico para sistemas específicos de modelización y simulación.

Fuente: Systems Biology, information, disease and drug discovery (2004). Drug Discovery World Winter, vol. 5, 23-33.

ORGANIZACIONES QUE DESARROLLAN HERRAMIENTAS IN SILICO PARA SISTEMASESPECÍFICOS DE MODELIZACIÓN Y SIMULACIÓN

51 Instituto de Bioingeniería de la Universidad de Auckland (http://www.bioeng.auckland.ac.nz/home/home.php).

http://www.cellularsignaling.org

http://www.sbml.org

http://www.physiome.com

http://www.e-cell.org/ecell/index.htm

http://www.nrcam.uchc.edu

http://biospice.lbl.gov

http://www.bioeng.auckland.ac.nz/home/home.php

En el año 2005 tuvo lugar el lanzamiento de lainiciativa europea SysMO52. Se trata de unainiciativa de financiación transnacional quepretende agrupar el potencial investigador deAlemania, Austria, España, Noruega, Países Bajosy Reino Unido en Biología de Sistemas. SysMOestá dirigida a universidades y otros organismospúblicos de investigación y la llevan a caboconjuntamente el Ministerio Federal de Educacióne Investigación de Alemania, el Ministerio Federalde Educación, Ciencia y Cultura de Austria, elMinisterio de Educación y Ciencia de España, elConsejo de Investigación de Noruega, laOrganización de Investigaciones Científicas de losPaíses Bajos, y el Consejo de InvestigacionesBiológicas y Biotecnológicas del Reino Unido.

El objeto de esta iniciativa es promover lainvestigación en Biología de Sistemas mediante lafinanciación de proyectos que permitan estableceruna comprensión sistemática de microorganismosclave en áreas de investigación como salud,medio ambiente y alimentación. Estos proyectos,deberán recopilar y describir los procesos quetienen lugar en microorganismos unicelulares yrealizar modelos matemáticos computerizados dedichos procesos.

En último término SysMO pretende apoyar latransferencia de los resultados de investigacióndesde el ámbito científico al de las aplicaciones yla explotación comercial de los mencionadosresultados de investigación.

42


52 SysMO (http://www.sysmo.net/).53 (http://www.sysmo.net/index.php?index=52).

Proyectos aprobados dentro de la iniciativa SysMO53

• “BaCell-SysMO: The transition from growing to non-growing Bacillus subtilis cells - A systemsbiology approach”.

• “Systems Biology of Clostridium acetobutylicum - a possible answer to dwindling crude oilreserves”.

• “SUMO: Systems Understanding of Microbial Oxygen Responses”.

• “Ion and solute homeostasis in enteric bacteria: an integrated view generated from the interface ofmodelling and biological experimentation”.

• “Comparative Systems Biology: Lactic Acid Bacteria”.

• “Systems analysis of biotech induced stresses: towards a quantum increase in processperformance in the cell factory Pseudomonas putida”.

• “Systems Biology of a genetically engineered Pseudomonas fluorescens with inducible exo-polysaccharide production: analysis of the dynamics and robustness of metabolic networks”.

• “MOSES: MicroOrganism Systems Biology: Energy and Saccharomyces cerevisiae”.

• “TRANSLUCENT: Gene interaction networks and models of cation homeostasis in Saccharomycescerevisiae”.

• “Global metabolic switching in Streptomyces coelicolor”.

• “Silicon cell model for the central carbohydrate metabolism of the archaeon Sulfolobus solfataricusunder temperature variation”.

http://www.sysmo.net/

http://www.sysmo.net/index.php?index=52

43


En cuanto a iniciativas a nivel nacional, en juniode 2006, se constituyó la Red Española de Biologíade Sistemas54. El objetivo principal de la Red esmantener en contacto grupos de investigaciónimplicados en trabajos relacionados con la Biologíade Sistemas, así como aquellos que la puedennecesitar en un futuro para describir y comprenderun sistema biológico determinado, puesto que esteconsta de cientos de miles de componentesheterogéneos interaccionando selectivamenteentre ellos y para su comprensión requiereaproximaciones multidisciplinares. Estos gruposdeben estar conectados de una forma adecuada,para que dentro de este área, emergente a nivelinternacional, puedan poseer el principio creativonecesario a nivel nacional e internacional, dada susituación estratégica en la comunidad europea,para participar en convocatorias de proyectos deinvestigación.

Para comprender y representar los sistemasbiológicos son necesarios modelos precisos ycompletos, que pueden informar sobre los puntosde control de sus rutas metabólicas, lo que permitevislumbrar un amplio campo de aplicación a sumejora. Por ello, objetivo de la Red es, además, elque se produzca un intercambio de información yexperiencia sobre la investigación desarrollada porgrupos nacionales en Biología de Sistemas, lo quepermitirá identificar las necesidades futuras y tratarlos aspectos nuevos que están surgiendo de estenuevo campo científico. Se prevé que se produzcaun gran intercambio de conocimientosfundamentales y de aplicación en campos tan

dispares como la biomedicina y la ingeniería debioprocesos, de forma que permita: (i) fomentar lacolaboración entre grupos dedicados a lainvestigación básica en el área de la Biología deSistemas; (ii) cubrir objetivos científicos concretos,referidos al análisis de bioprocesos y biomedicina,en el contexto de las ciencias -ómicas encolaboración con los grupos tanto de análisismatemático como experimentales que forman partede la red y (iii) promover la enseñanza de laBiología de Sistemas, con dos objetivos distintos: la formación de nuevos profesionales y latransmisión de los conocimientos a las empresasbiotecnológicas.

Por otra parta, los proyectos españolesGrapegen, ESP-SOL y Pleurogene55 tienenentre sus objetivos trabajar y hacer prediccionesin silico a partir de los datos obtenidos fruto de lainvestigación. Estos proyectos utilizanherramientas de Biología de Sistemas paraconseguir sus propios propósitos: (i) Grapegenpretende descubrir los genes y proteínasasociados a los rasgos de la calidad de la uva(Baya en V. vinífera), (ii) Esp-sol cuyo objeto esidentificar qué factores, genes y mecanismosestán implicados en las característicasorganolépticas del tomate y (iii) Pleurogene cuyafinalidad es desarrollar nuevas tecnologíasgenómicas y proteómicas de alto rendimientopara analizar la expresión de genes y proteínasdurante la reproducción y crianza de especies depeces planos, como son el Lenguado del Senegaly el Fletán Atlántico.

54 Red española de Biología de Sistemas (http://www.sysbiol.net/index.cfm).55 Grandes proyecyos de I+D, Fundación Genoma España (http://www.gen-es.org/0_INFO/01_info.cfm?pag=0400).

http://www.sysbiol.net/index.cfm

http://www.gen-es.org/0_INFO/01_info.cfm?pag=0400

5.3. Impacto de la Biologíade Sistemas

La ingente cantidad de datos obtenidos a travésde los proyectos de secuenciación del genoma noproporcionan suficiente información acerca delfuncionamiento de un organismo a nivelmolecular. Por esta razón, en los últimos años seha producido un incremento en los esfuerzos porentender la función y objetivos de las diversasmoléculas existentes en la célula (ADN, ARN,proteínas, y metabolitos). Para lograrlo es preciso

definir la estructura tridimensional de estasmacromoléculas, su localización subcelular,interacciones macromoleculares, y niveles deexpresión.

Un nuevo tipo de terminología que emplea elsufijo “oma” se ha extendido en la comunidadcientífica en los últimos años, en referencia a losdistintos tipos de subpoblaciones demacromoléculas en la célula. Por extensión, a ladisciplina o área de investigación que se encargadel estudio de cada una de estas subpoblaciones,se le añade el sufijo “ómica”.

44


Localizoma Metaboloma

Proteómica

Transcriptómica

Genómica

Fenoma

Interactoma

Secuenciacióny genotipado

Análisisde expresión génica

Biochips de proteínas,Geles 2D,Espectrometría demasas, Doble híbrido

Fig. 20. Biología de Sistemas y su interrelación entre disciplinas.


El número de publicaciones es un buen indicadorde la situación de la investigación en Biología deSistemas. Al realizar una búsqueda utilizandocomo palabra clave “Biología de Sistemas”(Systems Biology) en la base de datos depublicaciones científicas Pubmed56, se observanun total de 1.958 artículos científicospublicados entre enero del año 1999 ydiciembre de 2005. Si se compara este númerode artículos con los 18.488 artículos que emplean

los términos Genómica o Genómica Funcional(Genomics) que se han publicado en el mismoperíodo de tiempo, podemos hacernos una ideadel estado inicial en que se encuentra lainvestigación en Biología de Sistemas. Pararealizar una comparación con otras disciplinasafines se emplearon palabas clave comoproteómica, metabolómica, genómica,interactómica, fenómica, biología computacional,Biología Sintética y Bioinformática.

56 Pubmed, base de datos de publicaciones científicas (http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed).

http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed

45


5.4. Retos, limitaciones y perspectivas de desarrollo de la Biología de Sistemas

Con el objeto de realizar un análisis detallado delos retos a los que se enfrenta la Biología deSistemas y de las perspectivas de desarrollo delas diferentes aplicaciones, se realizó uncuestionario que fue enviado a 27 expertos quetrabajan en el área de Biología de Sistemas. Conla información recopilada, se elaboraron una seriede fichas técnicas correspondientes a cada grupode investigación que se encuentran recogidas enel anexo X del presente Informe. A continuaciónse expone las conclusiones obtenidas de lasvaloraciones realizadas por parte de dichosexpertos.

a) Retos y limitaciones

La Biología de Sistemas es una disciplina que seencuentra en sus inicios, por lo que en lospróximos años la resolución de algunos problemasy retos serán clave a la hora de conseguir losobjetivos que se esperan de ella. Estos retos sepueden dividir en diferentes clases según elámbito al que afectan:

a) Retos y barreras tecnológicas

• La formulación de modelos matemáticos másrobustos es esencial en el desarrollo de la Biologíade Sistemas ya que estos pueden describir elcomportamiento del un sistema biológico ypermiten desarrollar predicciones sobre elcomportamiento del sistema que se estáestudiando. Un 81,5% de los expertosconsultados consideran este punto como crítico

Computational Biology

0

400

800

1.200

1.600

2.000

2.400

2.800

3.200

3.600

4.000

4.400

20062005200420032002200120001999

Phenome/Phenomics

Metabolome/Metabolomics

Proteome/Proteomics

Bioinformatics

Localizome/Localizomics

Systems Biology

Interactome/Interactomics

Transcriptome/Transcriptomics

Genomics/Functional genomics

Synthetic biology

Nº

de p

ub

lica

cio

nes

Fig. 21. Evolución de las publicaciones científicas relacionadas con la Biología de Sistemas.

Fuente: elaboración propia (datos tomados de Pubmed, http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed).

http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed

46


para el avance de esta disciplina emergente. Lamodelización matemática del comportamiento desistemas biológicos se encuentra frecuentementecon dificultades debido a los problemas paraobtener los parámetros necesarios. Lacomplejidad de los sistemas biológicos hacenecesario concentrar los esfuerzos en modelosque describen partes definidas del sistemacompleto. Es por tanto esencial la utilización demetodologías que identifiquen los elementos clavede un sistema, así como estimar los erroresinevitables como consecuencia de lassimplificaciones y asunciones derivadas del uso demodelos matemáticos.

Los sistemas a niveles superiores muestrandiferentes características cuantitativas ycualitativas que los subsistemas de nivelesinferiores no poseen. Por esta razón, los métodosde modelización que son efectivos a un niveldeben ser revisados antes de ser aplicados aniveles de jerarquía superiores.

La mayoría de los sistemas biológicos sonheterogéneos y evolucionan en el tiempo, por loque la descripción de estos sistemas mediante

redes moleculares (conjunto de genes y proteínasrelacionadas entre sí) es insuficiente y noproporciona información espaciotemporal. Estafalta de datos ha de ser superada para podercomprender la progresión de un gran número deenfermedades tales como el cáncer o elAlzheimer57.

• La estandarización de experimentos in vitroe in vivo y sus datos es a menudo inconsistente, inaccesible, incompleta, odesestructurada. Esto conlleva frecuentemente eldiseño de modelos independientemente de losdatos disponibles, con la esperanza de queaparezcan parámetros adecuados para el modelo,o que los parámetros puedan ajustarserazonablemente al modelo para conseguir quefuncione. Por este motivo, los datos han dedocumentarse de forma homogénea en lasocasiones en las que sea posible, teniendo encuenta los estándares de recolección de datos,almacenamiento en bases de datos, y análisis58.El 74,1% de los expertos que han formado partede este estudio han señalado este punto como uncuello de botella para el desarrollo de la Biologíade Sistemas.

57 Dhar, P. K. et al. (2004). Computational approach to systems biology: from fraction to integration and beyond. IEE Transactions on nanobioscience. September, vol. 3, nº 3, 144-152.

58 Computational systems Biology (CSB) - Its future in Europe. DG Research / F.4 Fundamental Genomics. 8 March 2004.59 Computational systems Biology (CSB) - Its future in Europe. DG Research / F.4 Fundamental Genomics. 8 March 2004.60 EU Projects Workshop Report on Systems Biology.

Iniciativas internacionales en estandarización de bases de datos, software y modelización59:

• SBML (Systems Biology Markup Language, http://sbml.org/index.psp).

• BioSpice (https://biospice.org).

• E-CELL project (https://www.e-cell.org).

• Virtual Cell Modelling and Simulation Framework (http://www.nrcam.uchc.edu).

• Proyectos europeos: EMI-CD (http://www.molgen.mpg.de/~EMI-CD), EU-COMBIO (http://www.biobase.de/pages/projects/combio.html).

La estandarización (ver Anexo IV) de los modelos es esencial ya que permitiría que los modelos a pequeñaescala pudieran converger en un modelo a gran escala60. Entre los principales esfuerzos de estandarizaciónen Biología de Sistemas cabe destacar GO y MIAME (ver tabla 7), que han sido ejemplos de éxito en laadopción de metodologías comunes por los investigadores. Gran parte de estas iniciativas utilizan comolenguaje de programación el XML por tratarse de un lenguaje abierto que permite la actualización directade los contenidos de sus aplicaciones y la estandarización de la información mediante el desarrollo dejerarquías.


http://biospice.lbl.gov/

http://www.e-cell.org/ecell/

http://www.nrcam.uchc.edu

http://www.molgen.mpg.de/~EMI-CD

http://www.biobase.de/pages/index.php?id=combio

47


Nombre Dominio

GO Gene function andlocalization

Lenguaje Desarrollo Lanzamiento

XML University of Cambridge,EBI y otros

Mayo 2000

MIAME Microarray Informal MGED society Diciembre 2001

CCPN Metabonomics UML University of Cambridge,EBI y otros

Junio 2002

MAGE Microarray UML, XML MGED society Agosto 2002

MO Microarray OWL, DAML MGED society Enero 2003

SBML Biochemical networks XML CalTech, SBI, EBI y otros

Marzo 2003

PEDRo PEML Proteinseparation

UML, XML University of Manchester Marzo 2003

SMRS Metabonomics Informal Imperial College Londony otros

Noviembre 2003

PSI-MI Molecular interactions XML HUPO-PSI Enero 2004

MIAPE Proteomics Informal HUPO-PSI Enero 2004

FuGE Functional genomicsdata

UML MGED, HUPO Mayo 2004

CellML Mathematical models XML University of Auckland Enero 2004

MCPguidelines

Publishing orproteomics

Informal Molecular and CellularProteomics Journal

Junio 2004

mzData Mass spectrometry XML HUPO-PSI Agosto 2004

MISFISHIE Immunohistochemistry, fluorescence in situhybridization

Informal MGED Septiembre 2004

SysBio Systems biology XML — Septiembre 2004

mzXML Mass spectrometry XML ISB, FHCRC Noviembre 2004

ArMET Metabonomics UML Aberystwyth University Diciembre 2004

OME Biological microscopy XML, RDF, OWL NIH-NIA Mayo 2005

MIRIAM Biochemical networks Informal EBI, CalTech y otros Diciembre 2005

Tabla 7. Iniciativas de estandarización en Biología de Sistemas.

Fuente: Brazma, A. et al. (2006). Standards for systems biology. Nat Rev Genet. Aug;7(8):593-605.

INICIATIVAS DE ESTANDARIZACIÓN EN BIOLOGÍA DE SISTEMAS

• La integración de los modelos cuantitativos ycualitativos es uno de los principales retos de laBiología de Sistemas. El cuello de botella másimportante recae en el enorme costecomputacional que requieren las simulacionesestocásticas (al azar). A pesar de las capacidadescomputacionales de las que se dispone en laactualidad, no es realista desarrollar un modeloestocástico de la expresión y regulación genéticade célula completa. Por este motivo es necesariodesarrollar modelos que se basen en unasimulación determinística61. Para conseguiralcanzar estos retos es necesario desarrollarherramientas de software más potentes, puntoque ha sido señalado por un 62,9% de losexpertos consultados.

• Otro punto que ha sido señalado como limitanteen el desarrollo de la Biología de Sistemas por el62,96% de los expertos consultados es eldesarrollo de dispositivos que permitan realizarmedidas de procesos biológicos a tiempo real.

• En estrecha relación con el punto anterior, eldesarrollo de nanosensores y dispositivosmicrofluídicos que permitan la medidasimultánea de múltiples parámetros ha sidoconsiderado como relevante por el 37% de losexpertos. La Biología de Sistemas se basa en lacaracterización de sistemas biológicos mediante lamedición de múltiples moléculas,fundamentalmente ARNm, proteínas, moléculaspequeñas y otros componentes celulares. Estasmediciones deben identificar, cuantificar ycaracterizar variaciones de estos componentes, yasea referentes a modificaciones en su estructura,procesos de degradación o cambios en sulocalización celular. En un futuro, las herramientas microfluídicas, nanotecnológicasy nuevas técnicas de imagen serán lasherramientas clave que permitan miniaturizarestos procesos de medición, así como medir deforma simultánea múltiples parámetros,automatizar e integrar los procedimientos, yfinalmente reducir el coste final de los ensayos.

• La Biología de Sistemas experimentará un granavance en la medida en que sea capaz de introducirla variable temporal en el estudio de las redescelulares, lo que permitirá visualizar el flujo deinformación de los procesos fisiológicos. Algunasplataformas tecnológicas desarrolladas en losúltimos años van encaminadas hacia este objetivo,como es el caso de los datos obtenidos a partir deexperimentos genómicos a gran escala relativos alas quinasas dependientes de ciclina comorespuesta a daños en el ADN62. A corto plazo, lassimulaciones por ordenador serán una alternativaque ofrecerá información temporal de redescelulares, como ya se ha realizado con éxito en elcaso del ciclo celular de levaduras63.

• Paradójicamente la Biología de Sistemas seenfrenta por igual a un exceso de información y ala carencia de datos suficientes. En el primer casoes importante conocer qué datos son relevantes ycuales son debidos a “ruido” procedente de lapropia metodología empleada. Para ello esnecesario que las hipótesis sean cuidadosamenteplanteadas y la metodología optimizada yestandarizada para evitar falsos positivos ynegativos64.

• Dentro de este apartado dedicado a los retostecnológicos la valoración realizada por parte delos expertos no consideró significante el desarrollode herramientas de hardware más potentes(7,4% de los expertos consultados). Pero estepunto sí es considerado de elevada importanciaen otras fuentes consultadas.

• Por último otra barrera tecnológica que ha sidoseñalada ha sido la necesidad de desarrollo deherramientas de software y hardware adecuadaspara metabolómica.

48


61 Dhar, P. K. et al. (2004). Computational approach to systems biology: from fraction to integration and beyond. IEETransactions on nanobioscience, vol. 3, nº 3, 144-152.

62 Janes, K. A. et al. (2003) A high-throughput quantitative multiplex kinase assay for monitoring information flow insignaling networks: application to sepsis-apoptosis. Mol. Cell. Proteomics 2, 463-473.

63 Elia, A.E. et al. (2003) Proteomic screen finds pSer/pThr-binding domain localizing Plk1 to mitotic substrates. Science299, 1228-1231.

63 Tyson, J. J.; Chen, K. and Novak, B. (2001). Network dynamics and cell physiology. Nat. Rev. Mol. Cell. Biol. 2, 908-916.Tyson, J. J.; Chen, K. C. and Novak, B. (2003). Sniffers, buzzers, toggles and blinkers: dynamics of regulatory andsignalling pathways in the cell. Curr. Opin. Cell. Biol. 15, 221-231.

49


b) Necesidades de difusión

• La Biología de Sistemas es una disciplinaemergente de reciente creación. Por ese motivopresenta unas necesidades de difusión entrepúblico especializado pero también entre lasociedad. Un 66,7% de los expertos que formaronparte de este estudio señaló la importancia decreación de redes y consorcios de colaboraciónque facilitarían el intercambio de conocimientosentre expertos. Por otra parte, La biología teórica(matemática) y experimental han sido durantedécadas disciplinas separadas. En el caso de laBiología de Sistemas, estas dos disciplinasconvergen en una única rama en la cualinvestigadores teóricos y experimentales han decolaborar íntimamente. Existe una necesidadpermanente de que esta colaboración fluya sinbarreras de forma que ambas visiones permitanuna comprensión de la complejidad de lossistemas biológicos65.

c) Educación

• Una de las principales características de laBiología de Sistemas es su carácterinterdisciplinar. En su seno tienen cabidadisciplinas como la Biología, la Informática, laFísica o las Matemáticas. Por este motivo es clavedesarrollar programas educativos capaces deintegrar todos estos conocimientos y así loseñalan el 81,5% de los expertos consultados. Enel anexo V del presente Informe se presentan losprincipales programas educativos en Biología deSistemas.

d) Infraestructuras

• Debido al carácter multidisciplinar propio de laBiología de Sistemas, es fundamental que se démayor relevancia a la presencia de grupos deinvestigación multidisciplinares en los cuales se décabida no sólo a biólogos, sino también amatemáticos, informáticos e ingenieros, básicospara la consecución de modelos tan complejoscomo los descritos para rutas metabólicas yregulación genética. La formación de grupos deinvestigación multidisciplinares ha sidoidentificado como punto clave por un 70,4% deexpertos.

• La creación y consolidación de grupos deexcelencia también ha sido valorado por un48,1% del total de expertos consultados comouna de las posibles medidas que impulsaría lainvestigación en Biología de Sistemas.

e) Política científica

• La financiación de proyectosmultidisciplinares es visto por el 88,9% deexpertos como medida necesaria para potenciar lainvestigación en Biología de Sistemas. Este hasido el reto o necesidad más valorada por partede los expertos consultados. Es necesariofinanciar proyectos multidisciplinares debido alcarácter intrínsecamente multidisciplinar de esteárea de conocimiento. Por ese motivo los expertosvaloran en alto grado este punto junto con laformación de grupos de investigaciónmultidisciplinares como ya se comentó en elpunto dedicado a las necesidades relativas aldesarrollo de Infraestructuras.

• Por otra parte, un 44,4% de los expertos quehan colaborado en la elaboración del Informe hanseñalado también la financiación de proyectosmixtos entre Organismos Públicos deInvestigación (OPIS) y empresas como medidaa tomar dentro de las políticas científicas.

64 Institute for Systems Biology (www.systemsbiology.org).65 EU Projects Workshop Report on Systems Biology.


b) Perspectivas de desarrollo de las aplicaciones de la Biología de Sistemas

En cuanto a la valoración de las perspectivas porparte de los expertos consultados, las aplicacionesde la Biología de Sistemas que son valoradas conun desarrollo más cercano en el tiempo sonaquellas que se derivan de la investigación en

Ingeniería metabólica. La mayoría de los expertosconsultados, sitúan el desarrollo de estasaplicaciones a medio-corto plazo, en un períodode tiempo comprendido entre los cinco y diezaños. Mientras que para las aplicaciones del áreade Biomedicina, todas a excepción de laIdentificación y validación de dianas terapéuticas,se prevé un desarrollo más lejano en el tiempo, apartir de diez años.

50


Tecnología

Difusión

Educación

Infraestructuras

Políticacientífica

Formulación de modelos matemáticos más robustos (81,5%)66.

Estandarización de procedimientos y metodologías (74,1%)66.

Desarrollo de herramientas de software más potentes (62,9%)66.

Desarrollo de dispositivos que permitan realizar medidas de procesosbiológicos a tiempo real (62,9%)66.

Desarrollo de nanosensores y dispositivos microfluídicos para la medidasimultánea de múltiples parámetros (37%)66.

Desarrollo de herramientas de hardware más potentes (7,4%)66.

Desarrollo de herramientas de software y hardware adecuadas parametabolómica (3,7%)66.

Creación de redes y consorcios de colaboración (66,7%)66.

Programas de especialización en Biología de Sistemas (81,5%)66.

Formación de grupos de investigación multidisciplinares (70,4%)66.

Creación y consolidación de grupos de excelencia (48,1%)66.

Financiación de proyectos multidisciplinares (88,9%)66.

Financiación de proyectos mixtos OPIS-empresa (44,4%)66.

Fig. 22. Grado de relevancia de las diferentes barreras de la Biología de Sistemas.

Fuente: elaboración propia66.

66 Porcentaje del total de expertos consultados (27) que valoraron esta opción en el cuestionario que les fue enviado.

Gra

do

de r

ele

van

cia

Corto Plazo Medio Plazo Largo Plazo

(5 años) (10 años) (15 años)

IngenieríaMetabólica

Biomedicina

Fig. 23. Perspectivas de desarrollo de aplicación de Biología de Sistemas en las áreas de Ingeniería Metabólica y Biomedicina.


51


a) Perspectivas de la Biología de Sistemas a cortoplazo

El desarrollo de las aplicaciones de la Biología deSistemas que forman parte del área de Ingenieríametabólica es situado por los expertosconsultados en un período de tiempo de cinco adiez años.

La mejora de procesos de la Industria alimentariamediante estrategias de Biología de Sistemas, esla aplicación del área de Ingeniería metabólicacuyo desarrollo se prevé más cercano en eltiempo. Concretamente un 62,9% de los expertosconsultados sitúan este desarrollo en un períodode tiempo comprendido entre cinco (25,9%) ydiez años (37%).

Del área de Biomedicina la Identificación yvalidación de dianas terapéuticas es la aplicacióncon un desarrollo previsto a más corto plazo. Eldesarrollo de esta aplicación en un período decinco años ha sido valorado por el 44,4% de losexpertos consultados.

Otras aplicaciones que también han sidovaloradas por los expertos consultados dentro deeste intervalo de tiempo son: (i) Evolución deredes metabólicas interacción proteína-proteína,desarrollo a corto plazo; (ii) Ingeniería metabólicapara productos y procesos de la industria noalimentaria, desarrollo a corto-medio plazo; y (iii) Técnicas de análisis y minería de datos,desarrollo a corto-medio plazo.

b) Perspectivas de la Biología de Sistemas amedio plazo

La mayor parte de las aplicaciones valoradas porlos expertos han sido situadas en este intervalode tiempo. Tanto las aplicaciones que formanparte del campo de la Ingeniería metabólica comolas de Biomedicina (con la excepción de MedicinaPersonalizada y la construcción de modelospredictivos que representen la respuesta inmuneen humanos) han sido valoradas por la mayoríade expertos con un tiempo de desarrollo de 10años con el matiz de que las aplicaciones deIngeniería metabólica son situadas de corto amedio plazo y las de Biomedicina de medio alargo plazo.

Dentro del campo de Ingeniería metabólica, laaplicación de estrategias de Biología de Sistemasen medio ambiente es situado por un 48,1% delos expertos a medio plazo, en la producción debioenergía por un 48,1% y en la síntesis depiensos animales por un 48,1%.

En cuanto a las aplicaciones que forman parte delárea de Biomedicina, la Identificación y validaciónde dianas terapéuticas es situada en esteintervalo de tiempo por un 51,8% de expertos, laSelección y optimización de compuestos deinterés farmacológico por un 44,4%, elreconocimiento de efectos secundarios defármacos por un 33,3% y la Identificación demarcadores moleculares-monitorización de laeficacia de nuevas moléculas por un 48,1%.

c) Perspectivas de la Biología de Sistemas a largoplazo

Los expertos han situado dentro de este intervalode tiempo dos aplicaciones que recaen dentro delárea de Biomedicina.

La medicina personalizada es la aplicación quepara los expertos consultados requiere de unmayor lapso de tiempo de desarrollo,concretamente, el 62,9% de investigadoresconsultados coincide en que serán necesarios 15años para que la medicina personalizadacomience a mostrar los beneficios de la Biologíade Sistemas.

La construcción de modelos predictivos querepresenten la respuesta inmune en humanos, esvalorada con un período de desarrollo mayor amedio-largo plazo. También ha sido situado eneste intervalo de tiempo por un 33,3% de losexpertos consultados.

52


Corto plazo

Aplicación

Medio plazo Largo plazo

Identificación y validación dedianas terapéuticas

44,4% 51,2% 11,1%

Medicina personalizada 0 29,6% 662,9%

Selección y optimización decompuestos de interés farmacológico

33,3% 44,4% 7,7%

Reconocimiento de efectossecundarios de fármacos

25,9% 33,3% 22,2%

Identificación de marcadoresmoleculares-monitorización de laeficacia de nuevas moléculas

18,5% 48,1% 14,8%

Construcción de modelospredictivos que representen larespuesta inmune en humanos

18,5% 29,6% 33,3%

Industria alimentaria 25,9% 37% 7,4%

Piensos animales 14,8% 48,1% 3,7%

Medio ambiente 22,2% 48,1% 3,7%

Producción de bioenergía 24% 48,1% 7,4%

Otras aplicaciones propuestas por los expertos

Evolución de redes metabólicas:interacción proteína-proteína

3,7%

Ingeniería metabólica paraprocesos y productos de laindustria no alimentaria

3,7% 3,7%

Técnicas de análisis y minería dedatos

3,7% 3,7%

Tabla 8. Tabla resumen de las valoraciones de las perspectivas de desarrollo de las diferentes aplicaciones de la Biología deSistemas realizadas por expertos del área.


PERSPECTIVAS DE DESARROLLO DE LAS APLICACIONES DE BIOLOGÍA DE SISTEMAS

53



(5 años) (10 años)

Biomedicina

Ingenieríametabólica

(15 años)

Identificacióny validaciónde dianas

terapéuticas

Selecciónde compuestos

con interésfarmacológico

Reconocimientoefecto 2ario de

fármacos

Construcciónde modelosde la R.I.

en humanos

Medicinapersonalizada


(5 años) (10 años) (15 años)

Industriaalimentaria

Piensosanimales

Producciónde bioenergía

Medio ambiente

Fig. 24. Comparación de las perspectivas de desarrollo de las aplicaciones de la Biología de Sistemas.


En los últimos años, se han producido grandesavances en diferentes técnicas de biologíamolecular, que han generado un aumentoexponencial en la cantidad de informaciónproveniente de genes, proteínas, dinámica celulary respuestas de los organismos frente amutaciones y el medio que los rodea. La Biologíade Sistemas proporciona las herramientasnecesarias para poder recopilar toda estainformación y transformarla en conocimiento.

El principal objetivo de la las ciencias biológicases comprender la organización y dinámica de loscomponentes que forman los sistemas vivos, esdecir, investigar las relaciones espaciales ytemporales entre moléculas, células, tejidos,órganos y organismos que dan lugar a causa yefecto en sistemas vivos. El objetivo fundamentalde la Biología de Sistemas es comprender lanaturaleza de esta regulación a fin de obtener unconocimiento más profundo de los sistemas vivosy ser capaz de manipularlos.

Frente a la aproximación tradicional de la biologíaal estudio de genes, proteínas y células comoentidades individuales, la Biología de Sistemasbusca la comprensión global de las interaccionesque se producen a todos los niveles en los seresvivos. Este “enfoque global” es necesario para elestudio de enfermedades complejas como elcáncer o la diabetes, en los que están implicadosun número elevado de genes así como de otrosfactores externos, que difícilmente puedencontemplarse conjuntamente con lasaproximaciones clásicas.

La Biología de Sistemas es un campo emergentede las ciencias de la vida con un caráctermultidisciplinar. Se trata de un área deconocimiento novedosa en la que se integrandisciplinas como la biología, la física, lasmatemáticas, la informática o la estadística.Debido a este carácter multidisciplinar esnecesario que se produzca la interacción entrecientíficos que provengan de estas disciplinas paraformar equipos multidisciplinares. Gracias aesta interacción es posible crear un nuevoconocimiento que no podría producirse desde laperspectiva de ninguna disciplina en particular, yaque la Biología de Sistemas no es la extensión deuna disciplina concreta, sino que surge comoresultado de la sinergia entre todas las disciplinasque la componen.

Es necesario que se produzca una mayorcooperación e intercambio de conocimiento entrelos grupos existentes ya que en la actualidad lainvestigación en Biología de Sistemas seencuentra bastante fragmentada. En esta nuevadisciplina convergen expertos procedentes deáreas como la genómica, proteómica,metabolómica, bioquímica y biología molecular,bioinformática, biofísica, fisiología, o modelizacióncomputacional, por citar algunos. Fruto de estacolaboración entre grupos podrán establecerseestándares en bases de datos, software ymodelización.

Por otra parte y debido a la multidisciplinariedadde la Biología de Sistemas, los nuevos biólogos deSistemas poseen unas necesidades educativasespeciales. Por este motivo es necesariodesarrollar programas educativos que integrenen su seno las diferentes áreas de conocimientode las que es paraguas la Biología de Sistemas.

54


6. Conclusiones

55


La Biología de Sistemas revolucionará la medicinadel futuro. Actualmente, la medicina estáenfocada al tratamiento de síntomas mientras queen un futuro será más predictiva, previsiva ypersonalizada. Esto ocurrirá gracias al apoyo quetendrá de disciplinas como la Biología de Sistemasque permitirá la caracterización y elestablecimiento de diferencias entre estadospatológicos y normales mediante el diseño demodelos predictivos de estados patológicos.

La Industria farmacéutica será uno de losmayores beneficiarios de los avances en Biologíade Sistemas. En la actualidad la validación dedianas terapéuticas supone un cuello de botellapara esta industria, ya que es en esta etapacuando fracasan la mayor parte de los procesosde desarrollo de nuevos fármacos. La Biología deSistemas proporcionará nuevas herramientas parael proceso de identificación y validación dedianas, con lo que la Industria farmacéutica veráaumentada su productividad mientras que porotra parte la realización de modelos predictivospermitirá reducir los efectos secundariosasociados a los medicamentos. Todo esto setraducirá en una reducción en costes y tiempo dedesarrollo de un nuevo medicamento.

La Biotecnología industrial también sebeneficiará de los avances en Biología deSistemas. Para conseguir diseñarmicroorganismos que se adapten a lasnecesidades de la Industria biotecnológica esnecesario caracterizar previamente las redes deregulación genéticas y de interacción de proteínasque gobiernan a estos microorganismos. Gracias ala Biología de Sistemas será posible mejorar laproductividad celular ya que proporciona lasherramientas necesarias para dirigir los cambiosque conducen a la mejora de las productividadesen procesos de biotransformación.

Para llegar a materializar estos objetivos, escrítico desarrollar herramientas de softwaremás potentes y modelos matemáticos másrobustos que permitan realizar modeloscuantitativos y cualitativos capaces de reproducirdetalladamente los fenómenos biológicos.Paralelamente también es necesario desarrollarnuevas tecnologías y metodologías (y abaratar lasya existentes) para miniaturizar, estandarizar yautomatizar la obtención de datosexperimentales.

56


Anexo I. Principales patentes y solicitudes de patente67

en Biología de Sistemas

Anexos

Nº Patente

Method computer program with programcode elements and computer programproduct for analysing s regulatory geneticnetwork of a cell.

M. Dejori, M. Stetter(Alemania)

Method and apparatus for homology-basedcomplex detection in a protein-proteininteraction network.

J.H. Choi, J. M.Park, J. Y. Jung, S. Park (Korea)

Título Solicitante

10-08-2006

06-07-2006

Fecha depublicación

US2006177827

US2006147999

Multicellular metabolic models and methods. Genomatica Inc.(USA) 06-07-2006US2006147899

Method for the identification of protein-protein interactions in disease relatedprotein networks.

Max DelbrueckCentrum(Alemania)

05-07-2006EP1677113

Computational knowledge model to discovermolecular causes and treatment of diabetesmellitus.

Genstruct Inc.(USA) 29-06-2006US2006140860

Methods and models for cholesterolmetabolism.

Entelos Inc., G.Balgi, A. Kadambi,T.S. Paterson (USA)

22-06-2006WO2006066051

Biological systems analysis. BG Medicine Inc.(USA) 08-06-2006WO2006060393

Method, system, and software for analyzingpharmacovigilance data.

Prosanos Corp.(USA) 04-05-2006WO2006047491

Methods and systems for analyzing anetwork of biological functions.

Nat. Inst. OfAdvanced Ind.Scien. (Japón)

04-05-2006WO2006046217

Biological discovery using gene regulatorynetworks generated from multiple-disruption expression libraries.

Gene NetworksInc. (USA) 31-03-2006WO03027262

Gene discovery through comparisons ofnetworks of structural and functionalrelationships among known genes andproteins.

A. Rzhetsky, S.Kalachikov, M.O.Krauthammer, C.Friedman, P. Kra(USA)

30-03-2006US2006069512

System and method for biological dataanalysis using a bayesian network combinedwith a support vector machine.

J. Cheng, C. Yuan,B. Wachmann, C.Neubauer (USA)

02-03-2006US2006047616

Drug discovery methods. Ingenuity SystemsInc. (USA) 16-02-2006US2006036368

Method and apparatus for conducting linkedsimulation operations utilizing a computer-based system model.

Entelos Inc. (USA) 09-02-2006US2006031059

67 Las entradas de la forma WO03027262 corresponden al número de publicación de solicitudes de patente presentadas enlas diferentes oficinas de patentes a nivel mundial.

57


Nº Patente

Computational method and system foridentifying network patterns in complexbiological systems data.

Icoria, Inc.

Virtual models of complex systems. Intertech VenturesLtd. (USA)

Título Solicitante

09-02-2006

03-01-2006


US2006031210

US6983227

Reconstruction of gene networks from time-series microarray data.

L. Sai-Ping, W. Sun-Chong(Taiwan)

17-11-2005US2005256652

Method for simulating the dynamics ofbiological networks in silico.

L. Salwinski, D. Eisenberg (USA) 10-11-2005US2005251375

Method, system and apparatus forassembling and using biological knowledge.

Genstruct Inc.,Sun, J. (USA) 10-11-2005WO2005106764

Methods and systems for extension,exploration, refinement, and analysis ofbiological networks.

AgilentTechnologies Inc.(USA)

05-10-2005GB2412768

Systems, tools and methods forconstructing interactive biological diagrams.

AgilentTechnologies Inc.(USA)

25-08-2005US2005188294

Estimating gene networks using inferentialmethods and biological constraints.

GNI USA (USA),GNI Ltd. (Japón) 30-06-2005WO2005059707

Method for conceptualizing proteininteraction networks using gene ontology.

C. Jae H, P. SeonH (Korea) 23-06-2005US2005137808

System, method and apparatus for causalimplication analysis in biological networks.

Genstruct Inc.(USA) 16-06-2005WO2005055113

Method, computer program having programcode means and computer program productfor analyzing a regulatory genetic networkof a cell.

Siemens AG(Alemania) 16-06-2005US2005130212

Method of forming interaction map with theuse of gene and/or protein data base andsoftware and apparatus for the embodimentthereof.

Keio University,(Japón) 02-06-2005WO2005050518

Method, system, and software for electronicdata capture and data analysis system ofclinical databases.

Prosanos Corp.(USA) 06-05-2005WO2005041100

Simulating patient-specific outcomes.

Entelos Inc., A. Bangs, K.L.Bowling Kevin Lee,T.S. PatersonThomas (USA)

21-04-2005WO2005036446

Apparatus and method for identifyingtherapeutic targets using a computermodel.

Entelos Inc., T.S.Paterson, L.GWennerberg (USA)

24-03-2005WO2005026911

PRINCIPALES PATENTES Y SOLICITUDES DE PATENTE EN BIOLOGÍA DE SISTEMAS(continuación)

58


Nº Patente

Identification of pharmaceutical targets.Siemens AG, S. Bernd, S.Martin (Alemania)

Título Solicitante

24-03-2005


WO2005026722

Methods and systems for profiling biologicalsystems.

Beyond GenomicsInc., C. Clish(USA)

03-03-2005WO2005020125

Systems, tools, and methods for viewingtextual documents, extracting knowledgetherefrom and converting the knowledgeinto other forms of representation of theknowledge.

AgilentTechnologies, Inc.(USA)

16-02-2005EP1507216

Methods and systems for creating and usingcomprehensive and data-driven simulationsof complex biological systems forpharmacological and industrial applications.

Gene NetworkSciences Inc.(USA)

27-01-2005WO2005007744

Predictive toxicology for biological systems.Entelos Inc., S.G. Michelson,A.L. Bangs (USA)

29-12-2004WO2004114195

Method and apparatus for comining genepredictions using bayesian networks.

Hewlett PackardDevelopment Co.(USA)

25-11-2004US2004236518

Method and system for performinginformation extraction and quality controlfor a knowledgebase.

Ingenuity SystemsInc. (USA) 25-11-2004US2004236740

Apparatus and method for identifyingbiomarkers using a computer model.

Entelos Inc.,T.S. Paterson, C.M.Friedrich, L.G.Wennerberg, S.G.Michelson (USA)

01-07-2004WO2004055636

Inferring gene regulatory networks fromtime-ordered gene expression data usingdifferential equations.


Interactive technique for optimizing drugdevelopment from the pre-clinical phasesthrough phase-IV.

Optimata (USA) 03-06-2004US2004107084

Epistemic engine. Genstruct Inc.(USA) 03-06-2004WO2004046998

Nonlinear modeling of gene networks fromtime series gene expression data.


Methods for analysis of biological datasetprofiles.

Bioseek Inc., E.Hytopoulos (USA) 04-11-2004WO2004094992

Methods and compositions utilizingevolutionary computation techniques anddifferential data sets.

Target DiscoveryInc. (USA) 15-04-2004WO2004031913


59


Nº Patente

Systems and methods for inferringbiological networks.


Título Solicitante

11-03-2004


WO2004021144

Systems and methods for constructinggenomic-based phenotypic models.

Genomatica Inc.,C. H. Schilling(USA)

24-12-2003WO03106998

Methods for high throughput andquantitative proteome analysis.

Institute forSystems Biology(USA)

11-12-2003WO03102220

Hierarchical biological modeling system andmethod.

InterleukinGenetics Inc.,Entelos Inc. (USA)

15-10-2003EP1353288

Human metabolic models and methods.Genomatica Inc.,Palsson, B.O.(USA)

09-10-2003WO03082214

Compositions and methods for modelingbacillus subtilis metabolism.

Genomatica Inc.,Park, S.M. (USA) 02-10-2003WO03081207

Systems and methods for reverseengineering models of biological networks.

Univ. Boston(USA) 22-09-2003WO03077062

Probabilistic boolean networks.

Univ. Texas I.Shmulevich, W.Zhang, E.Dougherty (USA)

07-08-2003WO03065244

Multiparameter integration methods for theanalysis of biological networks.


10-07-2003US2003130798

Language for networks.Gene NetworkSciences Inc.(USA)

03-07-2003WO03054774

Apparatus and method for monitoring thevalidity of a molecular model.

Accelrys Inc.(USA) 24-06-2003US6582233

Method for the analysis of molecularexpression data and biological networks.

Fraunhofer GesForschung(Alemania)

11-06-2003EP1318472

Methods and systems for the identificationof components of mammalian biochemicalnetworks as targets for therapeutic agents.


22-05-2003WO03042857

Methods and systems for the identificationof components of mammalian biochemicalnetworks as targets for therapeutic agents.


15-05-2003WO03040992

System and method for reconstructingpathways in large genetic networks fromgenetic perturbations.

Univ. NuevoMéxico, InstitutoSanta Fe (USA)

30-01-2003US20030023388


60


Nº Patente

Method and apparatus for computermodeling of an adaptive immune response. Entelos Inc. (USA)

Título Solicitante

09-01-2003


WO03001891

Method of expanding a biological network. Univ. Ramot(Israel) 27-12-2002WO02103608

Information processing method for diseasestratification and assessment of diseaseprogressing.

Liebman, M.N.(USA) 12-12-2002WO02099568

Method and appratus for computermodeling a joint. Entelos Inc. (USA) 05-12-2002WO02097706

Methods for predicting the activities ofcellular constituents.

Entelos Inc., T.S. Paterson, R.A. Fallon (USA)

28-11-2002WO02095654

Method and apparatus for computermodeling diabetes. Entelos Inc.(USA) 07-11-2002WO02087506

Models and methods for determiningsystemic properties of regulated reactionnetworks.

Univ. California,Genomatica Inc.(USA)

12-09-2002WO02070730

Rapid and quantitative proteome analysisand related methods.


22-08-2002US2002115056

A method for the prediction of molecularinteraction networks.

Univ. Columbia(USA) 22-08-2002WO02065119

System for modeling biological pathways. Physiome SciencesInc. (USA) 06-06-2002WO0244992

System and methods for optimized drugdelivery and progression of diseased andnormal cells.

Optimata Ltd., A.Zvia (Israel) 25-04-2002WO0232458

Multiparameter analysis for predictivemedicine.


07-02-2002WO0210456

Method for labelling individual cells. Univ. Washington(USA) 20-09-2001WO0169244

System and method for simulatingoperation of biochemical systems.

Univ. Stanford(USA) 25-07-1996WO9622574

On-line method and equipment fordetecting, determining the evolution andquantifying a microbial biomass and othersubstances that absorb light along thespectrum during the development ofbiotechnological processes.

CSICUniv. Politécnicade Valencia(España)

16-04-2003ES20010001757


61


Nº Patente


CSIC Univ. Politécnicade Valencia(España)

Título Solicitante

12-05-2004


EP20020751179


CSIC Univ. Politécnicade Valencia(España)

13-12-2005US6975403

Method for indentification of biologicallyactive agents.

Baylor College ofMedicineEuropeanMolecular BiologyLaboratoryEnVivoPharmaceuticals

22-04-2004US20040076583

Computer user interface facilitatingacquiring and analyzing of biologicalspecimen traits.


22-04-2004US20040076999

Assaying and imaging system identifyingtraits of biological specimens.


22-04-2004US20040076318

Conjugados de flavanoles y cisteína.

CSICUniversidad deBarcelona(España)

2001ES200102081


Tabla 9. Patentes recientes en Biología de Sistemas.

Fuente: European Patent Office, Esp@cenet.

62


Anexo II. Proyectos españoles relacionadoscon la Biología de Sistemas

Centro y departamento

Development of the bioinformaticsinfrastructure, data mining and intelligentdecision support systems for functionalgenomics and proteomics.

2004-2007

Gestión y Análisis de datos en Genómica yproteómica. 2004-2007

Proyecto Duración

NationalResearch Council

of Canada

Integromics SL

Reconstrucción tridimensional de altaresolución en cámaras PET de animalespequeños.

2005-2007 FIS

EMBRACE. A european model forbioinformatics research and communityeducacion.

2005-2010 UE

Enabiling Grids for E-sciencE - II (EGEE - II). — UE

Plataforma de análisis eficiente de datos enBioinformática y Biología Computacional. — BSCH-UCM

New electron microscopy approaches forstudying protein complexes and cellularsupramolecular architecture.

2004-2009 UE

Hacia la comprensión de la riquezaestructural de las nanomáquinasmoleculares.

2004-2007 MEC

Desarrollo de una base de datos demecanismos de regulación de rutas debiodegradación (línea de investigación).

— —

Estudio de la evolución del regulón delfactor sigma54 (línea de investigación). — —

Redes de transcripción (línea de investigación). — —

Caracterización de redes de regulaciónglobal que controlan la expresión de rutasmetabólicas en Pseudomonas putida.

2006 MEC

Autorregulación y respuesta en circuitosnaturales. — —

Hipermutación como mecanismo adaptativoen bacterias. — —

EUROBIOSYN (A modular platform forbiosynthesis of complex molecules). — UE

PROBACTIS (Programmable BacterialCatalysts). — UE

Financiación

Centro Nacional deBiotecnología-CSIC

Dpto. de Estructurasde Macromoléculas


Dpto. deBiotecnologíamicrobiana

63



Aplicación de la Biodiversidad Molecular aldiseño de estrategias de biorremediaciónde suelos contaminados con arsénico.

2002

Exploiting genomics foto engineer anenvironmentally friendly microorganisms forbioremediation purposes.

2000

Proyecto Duración

CAM

UE

Biosensors for in situ evaluation ofbioavailability of pollutions based ontranscriptional regulators a la carte.

2002 UE

Predicción de sitios funcionales y de uniónen proteínas (línea de investigación). — —

Predicción de interacciones entre proteínas(línea de investigación). — —

Estudio funcional de redes biológicas (líneade investigación). — —

Soporte bioinformático para gruposexperimentales (línea de investigación). — —

Caracterización genética y bioquímica delcatabolismo bacteriano aeróbico delcolesterol y de moléculas estructuralmenterelacionadas: el catabolon del colesterol.(CATACOL).

2006-2009 MEC

Diseño y desarrollo de procesos eficaces ysostenibles para la producción debioplásticos y derivados especializados apartir de fuentes renovables.

2006-2007 MEC

Estudio bioquímico, genético ybiotecnológico de las rutas periféricas queintegran el catabolon del fenilacetil-coA yde otras rutas catabólicas relacionadas.

2004-2006 MEC

Genómica funcional para la resolución deproblemas Medioambientales: desarrollo debiopesticidas.

2003-2005 MEC

Systems biology of Pseudomonas:Phenomics and global genomics ofPseudomonas inresponse to stresses.

— UE

Genómica funcional para la resolución deproblemas medioambientales: desarrollo debiopesticidas.

2003-2006 CICYT

Bacterias resistentes a tolueno: basesmoleculares de la tolerancia y degradaciónde tolueno.

2003-2006 CICYT

Financiación


Dpto. deBiotecnologíamicrobiana(continuación)


Grupo de Biología de SistemasComputacional

Centro de InvestigacionesBiológicas-CSIC

Dpto. deMicrobiologíaAmbiental

EstaciónExperimental del Zaidín-CSIC

Grupo deDegradación deTóxicos Orgánicos

PROYECTOS ESPAÑOLES RELACIONADOS CON LA BIOLOGÍA DE SISTEMAS(continuación)

64



Exploiting genomics to engineer anenvironmentally friendly microorganism forbioremediation purposes.

2001-2003

Bases moleculares de la respuesta de losmicrooganismos a disolventes orgánicos. 2006-2008

Proyecto Duración

UE

Junta deAndalucía

Acción Complementaria Red Española deBiología Molecular de Sistemas. 2005 BFU

Evolución experimental de virus de plantas:Mutaciones deletéras, mecanismos derobustez genómica y evolución de lainteracción con los mecanismos de defensade la planta.

2006 BFU

COSBICS “Computational Systems Biologyof Cell Signalling”. FP6 UE STREP

BaSysBio “Towards an understanding ofdynamic transcriptional regulation at globalscale in bacteria: a systems biologyapproach”.

FP6 UE

SysMO-ION “Ion and solute homeostasis inenteric bacteria: an integrated viewgenerated from the interface of modellingand biological experimentation”.

— —

Bioinformatics for stadistical and functionalanalysis of genome-wide expression datafrom cancer clinical samples.

— fBBVA

Identificación por métodos bioinformáticosde la red de genes que caracterizan unclasificador predictor de hemopatíasmalignas a partir de datos de microarraysde expresión genómica.

— Junta de Castillay León

Estudio de redes funcionales de genes yproteínas por métodos bioinformáticos apartir de datos genómicos de expresión yde interacción: enfoque hacia nodos críticosy desregulados en cáncer.

— ISCiii-MSyC

Desarrollo de plataforma tecnológica para lainteroperabilidad de servicios web enBioinformática, construcción de protocolos deanálisis, y transferencia de conocimiento enproyectos de genómica a gran escala - INB.

— —

Financiación

EstaciónExperimental del Zaidín-CSIC

Grupo deDegradación deTóxicos Orgánicos(continuación)

Instituto de BiologíaMolecular y Celularde Plantas-CSIC

Instituto de InvestigacionesMarinas de Vigo-CSIC

Grupo de Ingenieríade Procesos

Centro deInvestigación delCáncer - Institutode BiologíaMolecular y Celulardel Cáncer CSIC -Universidad deSalamanca.

Grupo deBioinformática yGenómica Funcional

CNIOPrograma deBiología Estructural yBiocomputaciónUnidad deBioinformática


65



Principios de diseño de las redes genéticas. —

Propiedades computacionales de lososciladores celulares. —

Proyecto Duración

—

—

Arquitectura modular de la toma dedecisiones en células. — —

Estructura y evolución de genomaseucariotes. — —

Dinámica de células madre. — —

Análisis del papel de la inestabilidadgenética y la senescencia celular en laprogresión tumoral usando métodos debiología de sistemas.

2004 PN

Extracción de conocimiento de losmicroarrays de ADN usando métodosestadísticos.

2003-2006 MEC

COMBIO (Strep). 2004 UE

NETSENSOR (Nest programme). 2005 UE

3D-REPERTOIRE (Large IP project). 2005 UE

Towards defining the interaction proteome(EC LSHG-CT-2003-505520). 2003 UE

Engineering synthetic gene networks. — —

Genetic interaction networks (línea de investigación). — —

Probabilistic gene networks (línea de investigación). — —

Systems analysis of development (línea de investigación). — —

Evolutionary systems biology (línea de investigación). — —

Financiación

CNIOPrograma de BiologíaEstructural yBiocomputación

Grupo de Biología desistemas evolutiva

CNIOPrograma deBiología Estructuraly Biocomputación

Grupo de BiologíaComputacionalEstructural

CRGPrograma deBiología de Sistemas

Grupo de Diseño deSistemas Biológicos


Grupo de Ingenieríade Red Génica


Grupo de Sistemasde Metazoos


66



EU-funded Molecular Imaging Project - LiveOptical Projection Tomography. —

Computer model of limb mechanics. —

Proyecto Duración

UE

—

Computer models of spatially-patterninggene networks. — —

Morphometric Staging of limb buds. — —

Aproximación de biología de sistemas parael estudio de inestabilidad genética ygenómica en cáncer humano.

2005 Fundación laCaixa

Identificación de los circuitos genéticos ymoleculares que definen el crecimiento celularhormono-dependiente e independiente delcáncer de mama como estrategia hacia eldesarrollo de nuevas terapias clínicas.

2006Fondo de

InvestigaciónSanitaria -ISCIII

Application of Modern Biology in theDevelopment of Improved Diagnostic Toolsand More Efficient Therapies for Patientswith Mutated Fanconi Anemia/BRCA Genes.

2006 Genoma España

Grid-aided computer system for rapid anti-cancer drug design. 2007-2009 UE

Estrategias quimiogenómicas dirigidas aenfermedades: dolor y obesidad. 2006-2009 CENIT

Desarrollo de nuevas metodologías basadasen el conocimiento para el refinamiento demodelos de proteínas diana y su aplicaciónal diseño dirigido de compuestos.

2006-2008 PN

Perfilado farmacológico in silico demoléculas para familias de proteínas deespecial relevancia para la salud humana.

2005-2008 ISCIII

Diseño de estrategias de ingenieríametabólica y de biología de sistemas enbiotransformaciones: la producción de l-carnitina por E. Coli.

2005 MEC

Ingeniería metabólica y biología de sistemas aplicadas a la producción de l-carnitina por E. Coli.

2005 FundaciónSéneca

Global metabolic switching in Streptomycescoelicolor. 2004-2007 MEC

Financiación


Grupo de Análisis deSistemas deDesarrollo

Instituto Catalán deOncología, Institutd’Investigació

Biomèdica deBellvitge (IDIBELL)

Instituto Municipalde InvestigaciónMédica

Laboratorio deQuimiogenómica

Universidad deMurcia

Dpto. Bioquímica yBiología Molecular

Universidad de León

Instituto deBiotecnología(INBIOTEC)


67



PACE (Programmable Artificial Cell Evolution). 2004-2008

CELLCOMPUT (Computacion celular). 2007

Proyecto Duración

6FP FET

UE

COMPLEXDIS (Enfermedades complejas,biología de redes). 2007 UE

SYNLET (Synthetic Lethality) Redes deinteracciones moleculares. 2007 UE

McDonnell Foundation Award (Evolución de redes celulares). 2007

McDonnellFoundation

Award

Biología de sistemas del Cáncer (línea de investigación). — —

QosCosGrid (IST-5033883-STP): Quasi-Opportunistic Supercomput-ing forComplex Systems in Grid Environments.

2006-2009 UE

BioBridge (LSH-2005-1.1.0-3): IntegrativeGenomics and Chronic Dis-ease Phenotypes:modelling and simulation tools for clinicians.

— UE

Prediction of Protein Interactions in HumanCells. — —

Integration of multiscale computationalmethods for the study of conformationalchanges upon formation of protein complexes:development and application to proteinactivated phosphate hydrolysis enzymes.

— —

A new method for simulation of RNAfolding: towards understanding of RNAsequence-structure-function relationships.

— —

Simulaciones mesoscópicas de interaccionesproteína-proteína (línea de investigación). — —

Modelos matemáticos de regulación génicaen el desarrollo celular y cáncer (línea de investigación).

— —

Data minig of virus-host systems tounderstand regulatory interactions. — fBBVA

Financiación

Universitat Pompeu Fabra

Laboratorio deSistemas Complejos

Universitat Pompeu Fabra -IMIM

Dpto. Cienciasexperimentales y de la Salud


Genome-Wide Comparison of PhysiologicalBottlenecks in Multi-Subunit ProteinProduction in Prokaryotic and EukaryoticMicrobial Hosts.

2005-2008 UE

Sistema integrado de producción deproteínas heterólogas en la levadurametilotrófica Pichia pastoris para laobtención de productos de interésfarmacéutico y veterinario.

2004-2007 PN

UniversitatAutònoma deBarcelona

Escola TècnicaSuperiord’Enginyeria

68



Gene interaction networks and models ofcation homeostasis in Saccharomycescerevisiae (ERA-NET SysMO).

—

Proyecto Duración

UE

Análisis transcripcional global durante eldesarrollo de encefalopatías espongiformestransmisibles.

2003-2006 PN

Análisis molecular de la respuesta de S. cerevisiae a stress salino y alcalino. 2002-2005 PN

Creación y distribución de microchips de lalevadura S. cerevisiae. 2002 MCyT

Fosforilación de Proteínas y Señalización deStress. 2002-2005 MCyT

Simulaciones computacionales de sistemasbiológicos (línea de investigación). — —

Bioinformática: post-procesamiento dedatos experimentales y diseño de bases dedatos (línea de investigación).

— —

Proteómica funcional e ingenieríametabólica en una célula mínima modelo. Ibioinformática e ingeniería metabólica.

2004 PN

Aplicación de la Bioinformática para la validación de dianas terapéuticas,vacunas y kits de diagnóstico (línea de investigación).

— —

Establecimiento de bases científicas para eluso de fibra dietética antioxidante yfracciones polifenólicas en la prevención delcáncer colorectal.

2004 MEC

Aplicación de la biología de sistemas aldiseño de nuevas estrategias terapéuticasbasadas en combatir la adaptaciónmetabólica tumoral.

2005-2008 PN

Integrative genomics and chronic diseasephenotypes: modelling and simulation toolsfor clinicians BioBridge (LSHG-CT-2006-037939).

2006 —

Grupo de Investigación consolidado de laGeneralitat de Catalunya. — —

Admisión en la Red Temática deInvestigación Cooperativa de Centros deCáncer (RTICCC) (RD06/0020/0046).

— RTICCC

Financiación

UniversitatAutònoma deBarcelona

Dpto. de Bioquímicay Biología Molecular

UniversitatAutònoma deBarcelona - Institutde Biotecnologia ide BiomedicinaVicent Villar i Palasi

Grupo de BiologíaComputacional

UniversitatAutònoma deBarcelona - Institutde Biotecnologia ide BiomedicinaVicent Villar i Palasi

Grupo de BiologíaMolecular

Universidad deBarcelonaDpto. de Bioquímicay Biología molecular

Grupo de Bioquímicaintegrativa y Terapiadel Cáncer


69



Explotación de las diferencias metabólicasentre la célula normal y la tumoral en labúsqueda de nuevas dianas antitumorales.

2003

Proyecto Duración

FundaciónLa Caixa

A systems biology approach towardsunderstanding signal trasnsduction regulatorynetworks controlling cell division and cancer.

2007 fBBVA

Proteómica funcional e IngenieríaMetabólica en una célula mínima modelo.Análisis Metabólico y Glicosiltransferasas enBiosíntesis de Membrana.

2004 PN

Investigación de principios operacionales enbiología de sistemas: caracterización en elcaso de la respuesta de S. cerevisiae aestrés térmico.

2005 MEC

Modelización de sistemas complejos. — —

Desarrollo del formalismo power-law. — —

Principios operacionales en sistemasmetabólicos. — —

Familias de distribuciones. — —

Análisis in silico e Ingeniería Metabólica delmetabolismo completo de la L-(-)-carnitina.Aplicación a la mejora de su producción porcultivos de E. coli en biorreactores conretención de biomasa.

2003-2005 MCyT

Optimización de la producción de L(-)-carnitina por E. coli: aproximacióndesde la ingeniería metabólica.

— MEC

Optimización de procesos biotecnológicos pormodelización matemática y programaciónlineal. Aplicación a la producción de ácidosorgánicos lixiviantes de metales pesados porPenincilium simplicissimum.

2001-2003 Gobierno deCanarias

Desarrollo de herramientas de optimización(mono y multiobjetivo) para el diseño deestrategias in silico de mejora debiotransformaciones. Aplicación a laproducción de l(-)-carnitina por E. coli.

2006-2008 MEC

Genómica Computacional (línea deinvestigación). — —

Diseño de fármacos basados en la estructuradel receptor (línea de investigación). — —

Bioinformática Estructural (línea de investigación). — —

Financiación

Universidad deBarcelonaDpto. de Bioquímicay Biología molecular

Grupo de Bioquímicaintegrativa y Terapiadel Cáncer(continuación)

Universidad RamonLlull E.T.S. -Instituto Quimico DeSarria (Ets-Iqs)

Universitat de Lleida

Dpto. de CiènciesMèdiques Bàsiques.Bioestadística iBiomatemàtica

Universidad deLa LagunaDpto. de Bioquímicay Biología Molecular

Grupo TecnologíaBioquímica y ControlMetabólico

UniversidadAutónoma de Madrid-CBMSO

Grupo deBioinformática


70



Tratamiento y reutilización de aguasresiduales para una gestión sostenible(TRAGUA). CONSOLIDER-INGENIO 2007-2010.

2007-2010

Proyecto Duración

MEC

Recursos Bioinformáticos para el Diseño deInmunoterapias: aplicación a PatógenosAsociados a Cáncer.

2006-2009 MEC

Evolución y tiempos de permanencia deespecies en sistemas biológicos (línea de investigación).

— —

Evolución molecular (línea de investigación). — —

Herramientas informáticas inspiradas en lanaturaleza: redes neuronales y algoritmosgenéticos.

— —

Systems analysys of process-inducedstress: towards a quantum increase inperformance of pseudomonas putida as thecell factory of choice for whitebiotechnology. PsysMo.

2007 UE

Influencia del paisaje de fitness en la evolución y selección de sistemasautorreplicativos.

2006-2009 MEC

Desarrollo y aplicación de nuevasmetodologías de análisis de datos paraproblemas biológicos (línea deinvestigación).

— —

CICYT: Modelos Multivariantes para tiemposde Supervivencia consecutivos. 2005-2008 MCyT

Genetic and Environmental Factors inBladder Cancer Etiology and Prognosis. 2005-2008 Fundació La

Marató de TV3

Evolució dels sistemes de comunicació en elregne animal. Aproximació des de lagenòmica i la proteòmica.

2004-2006 Universitat de Vic

Genómica comparativa: estudio de las basesgenéticas del lenguaje y de sus trastornos. 2005-2009 Generalitat

de Catalunya

Epidemiología genética y molecular: estudiode los factores genéticos y ambientales en laetiología y pronóstico del cáncer de vejiga.

2005-2009 Generalitatde Catalunya

Financiación

UniversidadComplutense.Facultad de Biología,Dpto. deMicrobiología.

Grupo deMicrobiologíaindustrial

UniversidadComplutenseFacultad Medicina

Dpto. deMicrobiología

UniversidadComplutense


UniversidadComplutense

Dpto. de Arquitecturade los computadoresy Automática

Universitat de Vic

Dpto. de Biología deSistemasGrupo deBioinformática yEstadística Médica(BEM)


71



Computación de altas prestaciones aplicadaa la biología de sistemas. 2007-2010

Proyecto Duración

Junta de Andalucía

Redes de interacción génica y modelos dehomeostasis de cationes en Saccharomycescerevisiae: una aproximación funcional yproteómica.

— UE

Genómica funcional para la resolución deproblemas medioambientales y de salud. 2002 PN

Control fisiológico y regulación específicabacteriana en respuesta a tetralina y otroscontaminantes orgánicos.

2005 PN

Ingeniería de la expresión coordinada demúltiples genes y uso para la producción ypurificación de moléculas de interés industrial.

2003 PROFIT

Caracterización de rutas de biodegradaciónde contaminantes orgánicos (línea de investigación).

— —

Aproximaciones Genómicas al estudio de latranscripción en levadura. 2006 DGI

Mentrans FUN-FOOD: In vitro and in silicomodels for bioavailability predictions offunctional food components.

2005 MEC

Biosim: Network of Excellence. Biosimulation -A New Tool in Drug Development. — UE

Memtrans Project: “Membrane transporters:in vitro models for the study of their role indrug fate” STREP.

— UE

Pre-Validation of Permeability studies inCaco-2 cultured cells to predict oralexposure to toxicants and chemicals.

— —

Secuenciación genómica de endosimbiontesde insectos. — MEC

Objetivos de metagenómica de comunidadesmicrobianas humanas e inferencia de lasrelaciones metabóicas.

—CIBER de

Epidemiología ySalud Pública

Compromisos que afectan a la eficaciabiológica de los virus de RNA. — MEC

Inferencia metabólica en genomas reducidosnaturales y teóricos. — —

Secuenciación del genoma del pulgón yanálisis de su expresión. — —

Financiación

Universidad deGranada

E.T.S. IngenieríaInformática

Universidad deCórdoba


Universidad PabloOlavideFac. de CienciasExperimentales

Grupo de expresióngénica en bacteriasde interésmedioambiental

Universitat deValènciaFacultad deFarmacia

Dpto. de Farmacia yTecnologíaFarmacéutica

Universitat de València

Universitat deValència - InstitutoCavanilles deBiodiversidad yBiología Evollutiva


72



Diseño e implantación de estrategiasavanzadas de sensorización y control parala producción industrial de proteínasheterólogas en sistemas multi-substrato.

2005

Proyecto Duración

CICYT-FEDER

Desarrollo de un sistema de predicciónglucémica y ayuda a la dosificación deinsulina para pacientes con diabetesmellitus i.

2004 CICYT

Monitorizacion y control automático deproducción de proteínas heterólogas delevaduras.

— Biopolis S.L.

A-Cute-Tox: Optimization and pre-validationof an in vitro test strategy for predictingacute human toxicity.

2004 UE

Predictomics: Short-term in vitro assays forlong-term toxicity. 2004 UE

Mejora de la predicción traslacional de losensayos de seguridad no clínica al Hombre(Proyecto Melius).

2006 CENIT

EELA- E-Infrastructure shared betweenEurope and Latin America. Grid Computing. 2006-2008 UE

Understanding the secretory machinery ofliving cells: mathematical models andcomputational tools.

— fBBVA

Herramientas bioinformáticas paragenómica funcional. Evolución genómica(línea de investigación).

— —

Integración de HerramientasBioinformáticas (línea de investigación). — —

Proyecto piloto de formación y desarrollo detecnología de biología de sistemas. 2006-2010 Junta de

Andalucía

Financiación

UniversidadPolitécnica deValencia, Institutode Automática eInformáticaIndustrial

Grupo de Control deSistemas Complejos

Universidad deValencia (UVEG) -Centro deInvestigaciónPríncipe Felipe(CIPF)

Laboratorio deCitómica (UnidadMixta CIPF-UVEG)

Universidad deCantabriaE.T.S.I. Caminos,Canales y Puertos

Dpto. de MatemáticaAplicada

Universidad deCantabria

Dpto. deMatemáticas,Estadística yComputación

Universidad deMálagaFacultad de Ciencias

Dpto. de BiologíaCelular y Genética

Universidad deMálaga

Grupos de Basesmoleculares de laproliferación celular(Fac. de Ciencias),Arquitectura yAlgoritmos parelos(E.T.S.I.) eIngeniería delSoftware (E.T.S.I.)


73



Diccionario de secuencias peptídicas conaplicaciones en biotecnología de proteínas(DiPep-BiPro).

1999-2001

Proyecto Duración

FEDER

Optimización y paralelización de softwareorientado a la predicción de función enproteínas.

2000 Glaxo S.A

Data mining y descubrimiento automáticode conocimiento con datos biológicos ybiomédicos (línea de investigación).

— —

ACGT: Advanced Clinico-Genomic Trials onCancer. 2006-2010 EU

Biología de sistemas (línea de investigación). — —

Neurociencia computacional (línea de investigación). — —

Análisis de imagen en histología (línea de investigación). — —

Biomatemáticas (línea de investigación). — —

Análisis y modelización en biomedicina(línea de investigación). — —

Dinámica de sistemas biológicos (línea de investigación). — —

Análisis teórico y racionalización de lasestructuras, movimientos y modos deinteracción observados experimentalmentemediante simulaciones de dinámicamolecular y otros métodos computacionales(línea de investigación).

— —

GNV- 3: bioinformática y genómicafuncional. Development of tools of newgeneration for gene expression dataanalysis and implementation in theimproved GEPAS platform.

2004-2005 FundaciónGenoma España

Bioinformatic algorithms of new generationto analyse DNA microarray data. — fBBVA

Análisis funcional de datos genómicos,transcriptómicos y estructurales paracomprender a nivel de biología de sistemasel funcionamiento de la célula y lasdesregulaciones que dan origen a lasenfermedades (línea de investigación).

— —

Desarrollo de algoritmos para el análisis dedatos de expresión génica provenientes demicroarrays de DNA (línea de investigación).

— —

Financiación

Universidadde MálagaE.T.S. Informática

Dpto. deArquitectura deComputadores

Universidad de JaénFacultad de CienciasExperimentales y dela Salud

Grupo de Biologíade Sistemas yNeurodinámica

Centro deInvestigación PríncipeFelipe (CIPF)

Laboratorio deEstructura ySimulación Molecular

Centro deInvestigaciónPríncipe Felipe(CIPF)

Laboratorio deBioinformática


74



Anotación funcional de experimentos.Desarrollo de distintos métodos para laanotación funcional de experimentos o dehipótesis en biología de sistemas (línea de investigación).

—

Proyecto Duración

—

Genómica comparativa. Análisis comparativode datos de distintos genomas eucariotas yprocariotas para inferir propiedadesfuncionales de los genes y las regionesintergénicas de interés. Nuevos métodospara la búsqueda de dianas terapéuticas.Filogenómica (línea de investigación).

— —

Polimorfismos funcionales: Estudio delimpacto funcional y predicción de patogenicidad que distintospolimorfismos (SNPs) pueden tenermediante distintas técnicas bioinformáticas (línea de investigación).

— —

Design of new oligonucleotide-basedantigene and antisensetherapies. — fBBVA

Modelado molecular y Bioinformática (línea de investigación). — —

Genómica computacional bioinformáticas(línea de investigación). — —

Modelos teóricos de proteínas en base ainformación atómica y electrónica (línea de investigación).

— —

Interacciones entre proteínas (línea de investigación). — —

Análisis del Genoma de Streptomycescoelicolor. 2003 MEC

Data Mining de trxG. — —

Análisis transcripcional de HNF1a. — —

Identificación de genes y moléculas deltomate. Secuenciación de la regiónEucromática del cromosoma 9 (ESP-SOL).

— —

Participación del nodo CIC-BIOGUNE en elproyecto internacional Human ProteomeOrganization (HUPO).

2007 fBBVA

Financiación

Centro deInvestigaciónPríncipe Felipe(CIPF)

Laboratorio deBioinformática(continuación)

Centro Nacional deSupercomputación

Dpto. de Ciencias de la vida

Instituto Nacional deBioinformática

CIC bioGUNEUnidad deMetabolómica

Design of new oligonucleotide-basedantigene and antisensetherapies. 2007 fBBVA

IRB Barcelona

Grupo deModelizaciónmolecular yBioinformática


75



Genómica bacteriana (línea de investigación). —

Proyecto Duración

—

Inmunología (línea de investigación). — —

Análisis de datos de arrays (línea de investigación). — —

Definición de standares XML pararepresentación de networks que incluyan lavariable tiempo.

— —

Networks transcripcionales en procariotas.Bases de datos y herramientas de análisisde regiones extragénicas. Detección depatrones repetitivos, búsqueda de sitios deunión para reguladores, análisis depalindromía en DNA.

— —

Financiación

Bioinformatics Unit,Era7 InformationTechnologies(Granada, Spain).


Acrónimos:

PN, Plan Nacional; FIS, Fondo de Investigaciones Sanitarias; MCYT, Ministerio de Ciencia y Tecnología; CAM, Comunidad de Madrid; DGESI, MEC, Ministerio de Educación y Cultura; FRA, fundación Ramón Areces; CICYT, Comisión Interministerial de Ciencia y Tecnología; UE, Unión europea; PGI y DT;DGES, Dirección General de Enseñanza Superior; CSIC, Consejo Superior de Investigaciones Científicas;DGSIC, Dirección General de Servicios de Información y de las Comunicaciones;FEDER, Fondo Europeo de Desarrollo Regional; fBBVA Fundación BBVA; CAB, Centro de Astrobiología;CRG, Centro de Regulación Genómica; CNIO, Centro Nacional de Investigaciones Oncológicas;CIEMAT, Centro de Investigaciones Energéticas, Medioambientales y Tecnológicas; INTA, Instituto Nacional de Técnica Aeroespacial; IRB Barcelona, Institute for Research in Biomedicine; EMBL, Laboratorio Europeo de Biología Molecular; IMIM, Institut Municipal d'Investigació Mèdica.

Tabla 10. Grupos de investigación españoles en Biología de Sistemas.


76


Anexo III. Ejemplos de modelos humanos en Biología de Sistemas

Modelos de rutas de transducción de señales

Wang, and Lipsius, Beta-Adrenergic Stimulation Induces Acetylcholine to Activate ATP-Sensitive K+ Current in Atrial Myocytes, 1995.

Kamp and Hell, cAMP/PKA Signalling Cascade Regulation of Cardiac L-type Calcium Channel Activity, 2000.

Zhu, Endothelin-1-induced Cardiomyocyte Hypertrophy, 2000.

Hefti et al. Fibroblast Growth Factor Signalling in Cardiac Myocyte Hypertrophy, 1997.

Kodama, gp130-Signal Transducer and Activator of Transcription and Cardiac Hypertrophy, 2000.

Ren et al. The Role of Insulin-like Growth Factor I as a Cardiac Hormone, 1999.

Wang, The Mechanisms Underlying Beta-Adrenergic Enhancement of Acetylcholine-Induced ATP-SensitiveK+ Current in Atrial Myocytes, 2002.

Kamp and Hell, PLC/PKC Signalling Cascade Regulation of Cardiac L-type Calcium Channel Activity, 2000.

Vojtek and Der, The Complexity of the Ras Signalling Pathway, 1998.

Thomsen and Neubig, A G-Protein Activation Pathway, 1989.

Starbuck et al. Epidermal Growth Factor Binding and Trafficking Dynamics in Fibroblasts, 1990.

Goldbeter, A Minimal Cascade Model For The Mitotic Oscillator Involving Cyclin And cdc2 Kinase, 1991.

Goldbeter, A Model for Circadian PER Oscillations in Drosophila, 1995.

Huang and Ferrell, Ultrasensitivity in the MAPK Cascade, 1996.

Spiro et al. Bacterial Chemotaxis, 1997.

Leloup et al. Limit Cycle Model for Circadian Rhythms in Drosophila and Neurospora, 1999.

Bhalla and Iyengar Ras Activation Pathway, 1999.

Bhalla and Iyengar Adenylyl Cyclase Pathways, 1999.

Bhalla and Iyengar Phospholipase A2 (PLA2) Pathway, 1999.

Bhalla and Iyengar Phospholipase C (gamma) Pathway, 1999.

Bhalla and Iyengar Phospholipase C (beta) Pathway, 1999.

Bhalla and Iyengar Calmodulin Kinase II (CaMKII) Pathway, 1999.

Bhalla and Iyengar Protein Kinase A (PKA) Pathway, 1999.

Bhalla and Iyengar Protein Kinase C (PKC) Pathway, 1999.

Bhalla and Iyengar Calmodulin (CaM) Pathway, 1999.

Bhalla and Iyengar Calcineurin (CaN/PP2B) Pathway, 1999.

Bhalla and Iyengar Protein Phosphatase 1 (PP1) Pathway, 1999.

77


EJEMPLOS DE MODELOS HUMANOS EN BIOLOGÍA DE SISTEMAS(continuación)

Kholodenko et al. Quantification of EGF Receptor Signalling, 1999.

Riccobene et al. Model of Activation and Desensitisation of G-Protein Coupled Receptors, 1999.

Haugh et al. Epidermal Growth Factor Signaling through the Phospholipase C Pathway, 2000.

Wanant and Quon, Insulin Receptor Binding Kinetics: An Aggregate Receptor Model, 2000.

Wanant and Quon, Insulin Receptor Binding Kinetics: A Divalent Receptor Model, 2000.

Asthagiri and Lauffenburger, MAPK Cascade with Feedback Effects, 2001.

Condorelli and George, A Kinetic Analysis of the Activation of Soluble Guanylate Cyclase by Nitric Oxide, 2001.

Kuroda et al. Signal Transduction Pathways in Cerebellar Long-Term Depression, 2001.

Ueda et al. Interlocked Feedback Model of Drosophila Circadian Rhythm, 2001.

Vilar et al. Modelling a Genetic Oscillator, 2002.

Heyd and Drew, A Mathematical Model for the Elongation of a Peptide Chain, 2003.

Joseph et al. Modelling Human Gastric Acid Secretion, 2003.

LeLoup and Goldbeter, A Detailed Computational Model for the Mammalian Circadian Clock, 2003.

Marwan, Kinetic Model for the Sensory Control of Sporulation in Physarum polycephalum, 2003.

Sarkar and Lauffenburger, A Computational Model of GCSF Endocytic Trafficking Dynamics, 2003.

Maly et al. A Computational Model Analysis of the Self-Organisation of Polarised Cell Signalling viaAutocrine Circuits, 2004.

Modelos de rutas metabólicas

Beard, A Biophysical Model of the Mitochondrial Respiratory System and Oxidative Phosphorylation, 2005.

Bakker et al. Modelling Glycolysis in Trypanosoma brucei, 1997.

Rizzi et al. The Glycolytic Metabolic Pathway in the Yeast Saccharomyces cerevisiae, 1997.

Mulquiney and Kuchel, 2,3-bisphosphoglycerate Metabolism in the Human Erythrocyte, 1999.

Vaseghi et al. The Pentose Phosphate Pathway in the Yeast Saccharomyces cerevisiae, 1999.

Bakker et al. Glycosomes Protects Trypanosomes From Glycolysis, 2000.

Martinov et al. A Substrate Switch: A New Mode of Regulation in the Methionine Metabolic Pathway, 2000.

Teusink et al. Understanding Yeast Glycolysis in Terms of the in vitro Kinetics of the Constituent Enzymes, 2000.

Tolic et al. Modelling the Insulin-Glucose Feedback System, 2000.

Topp et al. A Model of Beta-cell Mass, Insulin and Glucose Kinetics, 2000.

Vendelin et al. Reaction-Diffusion Model of Energy Transfer During Mitochondrial Respiration in HeartCells, 2000.

78



Wolf et al. Modelling Yeast Glycolytic Oscillations, 2000.

Wolf and Heinrich, Effect of Cellular Interaction on Glycolytic Oscillations in Yeast, 2000.

Chassagnole et al. A Model of the Threonine-Synthesis Pathway in Escherichia coli, 2001.

Hynne et al. Full-scale model of glycolysis in Saccharomyces cerevisiae, 2001.

Keener, A Model of Diffusion Induced Oscillatory Insulin Secretion in Pancreatic Beta Cells, 2001.

Kongas and van Beek, Creatine Kinase in Energy Metabolic Signalling in Muscle, 2001.

Korzeniewski and Zoladz, The Oxidative Phosphorylation Pathway, 2001.

Margarida Martins et al. Glyoxalase Pathway, 2001.

Wolf et al. Metabolic Oscillations in Saccharomyces cerevisiae, 2001.

Aon and Cortassa, Modulation of a Metabolic Network by Cytoskeletal Organisation and Dynamics, 2002.

Cronwright et al. Metabolic Control Analysis of Glycerol Synthesis in Saccharomyces cerevisiae, 2002.

Hoefnager et al. Metabolic Engineering of Lactococcus lactis, 2002.

Lambeth and Kushmerick, Modelling Glycogenolysis in Skeletal Muscle, 2002.

Salem et al. Mathematical Mechanistic Model of Myocardial Metabolism during Ischemia, 2002.

Sedaghat et al. Mathematical Model of Metabolic Insulin Signalling Pathways, 2002.

Cortassa et al. Modelling Mitochondrial Energy Metabolism, 2003.

Curien et al. A Kinetic Model of the Branch-Point Between the Methionine and Threonine BiosynthesisPathways in Arabidopsis thaliana, 2003.

Olsen et al. Mechanism of Protection of Peroxidase Activity by Oscillatory Dynamics, 2003.

Westermark and Lansner, A Model of Pancreatic Beta-Cell Glycolysis, 2003.

Cortassa et al. Modelling Mitochondria As Biological Oscillators, 2004.

Evans et al. Modelling The In Vitro Kinetics Of The Anti-Cancer Agent Topotecan, 2004.

Reed et al. A Mathematical Model of the Methionine Cycle, 2004.

Modelos de electrofisiología cardíaca

Miocitos ventriculares

Beeler and Reuter, Ventricular Model, 1977.

Drouhard and Roberge, Sodium Current Model in Ventricular Myocardial Cells, 1987.

Luo and Rudy, Ventricular Model I, 1991.

Luo and Rudy, Ventricular Model II (dynamic), 1994.

Updated Luo-Rudy Ventricular Model.

79



Jafri, Rice and Winslow, Ventricular Model, 1998.

Noble et al. Ventricular Cell Model, 1998.

Priebe and Beuckelmann, Electrophysiological Model of the Human Ventricular Myocyte, 1998.

Winslow et al. Canine Ventricular Cell Model, 1999.

Michailova and McCulloch, Modelling ATP and ADP Buffering, Ca2+ and Mg2+ Transport, and Ion PumpRegulation in Ventricular Myocytes, 2001.

Pandit et al. Adult Rat Left Ventricular Myocyte Model, 2001.

Puglisi and Bers, Rabbit Ventricular Myocyte Model, 2001.

Bernus et al. A Computationally Efficient Electrophysiological Model of Human Ventricular Cells, 2002.

Matsuoka et al. Modelling the Roles of Individual Current Systems in Ventricular Cells and in the SA Node, 2003.

Seemann et al. Quantitative Reconstruction of Cardiac Electromechanics in Human Myocardium, 2003.

Bondarenko et al. Modelling the Action Potential of Mouse Ventricular Myocytes, 2004.

Iyer et al. A Computational Model of the Human Left-Ventricular Epicardial Myocyte, 2004.

Shannon et al. Modelling The Integrated Ca Dynamics Of The Ventricular Myocyte, 2004.

Ten Tusscher et al. A Model For Human Ventricular Tissue, 2004.

Fibras de Purkinje

Noble, Purkinje Fibre Model, 1962.

McAllister, Noble, and Tsien, Purkinje Fibre Model, 1975.

Di Francesco and Noble, Purkinje Fibre Model, 1985.

Miocitos atriales

Noble and Noble, Sinoatrial Node Model, 1984.

Hilemann and Noble, Atrial Model, 1987.

Demir et al. Sinoatrial Node Model, 1994.

Dokos et al. Modelling the Ion Currents Underlying Sinoatrial Node Pacemaker Activity, 1996.

Dokos et al. A Model of Sinoatrial Node Vagal Control, 1996.

Courtemanche et al. Human Atrial Action Potential Model, 1998.

Nygren et al. Human Atrial Cell Model, 1998.

Demir et al. Sinoatrial Node Model, 1999.

Ramirez et al. Canine Atrial Action Potential Model, 2000.

Zhang et al. Sinoatrial Node Model, 2000.

80



Boyett et al. Sinoatrial Node Model, 2001.

Kneller et al. Canine Atrial Action Potential Model, 2002.

Kurata et al. Improved Mathematical Model for the Primary Pacemaker Cell, 2002.

Matsuoka et al. Modelling the Roles of Individual Current Systems in Ventricular Cells and in the SANode, 2003.

Lovell et al. A Gradient Model Of Cardiac Pacemaker Myocytes, 2004.

Canales y mecanismos moleculares

Ebihara and Johnson, Sodium Current Model in Cardiac Muscle, 1980.

Rice et al. Cooperative Mechanisms in Cardiac Muscle, 1999.

Stern et al. Model of Ryanodine Receptor Gating in Cardiac Muscle, 1999.

Greenstein et al. Role of Ito1 in Shaping Action Potential Morphology and Duration, 2000.

Rice et al. Modelling Interval-Force Relations in Cardiac Muscle, 2000.

Clancy and Rudy, Markovian Model, 2001.

Mazhari et al. Modelling HERG-KCNE2 Functional Interaction, 2001.

Mlcek et al. Electromechanical Heart Contractile System, 2001.

Saftenku et al. Markovian Models of Low and High Activity Levels of Cardiac Ryanodine Receptors, 2001.

Sachse et al. Modelling the Protein Interactions Involved in Cardiac Tension Development, 2003.

Saucerman et al. Modelling Beta-adrenergic Control of Cardiac Myocyte Contractility in Silico, 2003.

Saucerman and McCulloch, Modelling Cell Signalling Networks: A Case Study Of Myocyte AdrenergicRegulation, 2004.

Smith and Crampin, A Cardiac Sodium-Potassium Pump Model, 2004.

Patologías cardíacas

Riemer et al. Modelling Cardiac Stretch-Induced Arrhythmogenesis, 1998.

Dumaine et al. Modelling the Ionic Mechanisms Underlying Brugada Syndrome, 1999.

Skouibine et al. Beeler and Reuter Defibrillation Ventricular Model, 1999.

Clancy and Rudy, A Single Mutation Underlies Brugada and LQT, 2002.

Yi et al. Modelling Volume Shifts and Ionic Concentration Changes during Ischemia and Hypoxia, 2003.

Modelos de calcio dinámicos

De Young and Keizer, IP3-Mediated Ca2+ Release Model, 1992.

Li and Rinzel, IP3-Mediated Ca2+ Oscillations - A Simplified Model, 1994.

81



Bertram et al. Modulatory Role for CRAC in Pancreatic Beta Cells, 1995.

Chay et al. Intracellular Calcium Spikes in Non-Excitable Cells, 1995.

Friel, [Ca2+]i Oscillations in in Sympathetic Neurons, 1995.

Keizer and Levine, RyR Adaptation and Ca2+ Oscillations, 1996.

Chay, Extracellular and Intracellular Calcium Effects on Pancreatic Beta Cells, 1997.

Magnus and Keizer, Mitochondrial Ca2+ Handling Model, 1997.

Marhl et al. Modelling the Interellations Between Calcium Oscillations and ER Membrane PotentialOscillations, 1997.

McKenzie and Sneyd, Modelling the Formation and Breakup of Spiral Waves of Calcium, 1998.

Wilkins and Sneyd, Modelling Intercellular Spiral Waves of Calcium, 1998.

Fink et al. Intracellular IP3 and Calcium Release, 1999.

Gall and Susa, Na+/Ca2+ Exchange in Models for Pancreatic Beta-Cells, 1999.

LeBeau et al. Agonist-dependent Phosphorylation of the Inositol 1,4,5-Triphosphate Receptor, 1999.

Magnus and Keizer, Model of Beta-Cell Mitochondrial Calcium Handling and Electrical Activity, 1999.

Rice et al. Modelling the Functional Ca2+ Release Unit, 1999.

Bertram et al. The Phantom Burster Model for Pancreatic Beta-Cells, 2000.

Colegrove et al. Quantitative Analysis of Mitochondrial Ca2+ Uptake and Release Pathways inSympathetic Neurons, 2000.

De Vries and Sherman, Enhancement of Emergent Bursting in Pancreatic Beta-Cells, 2000.

Marhl et al. Complex Calcium Oscillations and the Role of Mitochondria and Cytosolic Proteins, 2000.

Nagerl et al. Ca2+ Binding Kinetics of Calbindin-D28k, 2000.

Shorten et al. CRH-induced Electrical Activity and Calcium Signalling in Pituitary Corticotrophs, 2000.

Shorten and Wall, A Hodgkin-Huxley Model Exhibiting Bursting Oscillations, 2000.

Snyder et al. Cardiocyte Ca2+ Dynamics, 2000.

Albrecht et al. CICR in Sympathetic Neurons, 2001.

Bindschadler and Sneyd, A Bifurcation Analysis of Two Coupled Calcium Oscillators, 2001.

Fall and Keizer, Mitochondria and Ca2+ Signaling Model, 2001.

Mosekilde et al. Bifurcation Structure of a Model of Bursting Pancreatic Cells, 2001.

Albrecht et al. CICR in Sympathetic Neurons, 2002.

Baylor et al. Calcium Sparks in Skeletal Muscle Fibers, 2002.

82



Goforth et al. Calcium-activated K+ Channels in Pancreatic Beta-Cells, 2002.

Sobie et al. Mechanism of Cardiac Ca2+ Spark Termination, 2002.

Sneyd and Dufour, A Dynamic Model of the Type-2 Inositol Triphosphate Receptor, 2002.

Dawson et al. Kinetic Models of the Inositol Trisphosphate Receptor, 2003.

Fridlyand et al. Modelling Ca2+ Flux in Pancreatic Beta-cells, 2003.

Shiferaw et al. Modelling Intracellular Calcium Cycling in Ventricular Myocytes, 2003.

Sneyd et al. A Model of Calcium Waves in Pancreatic and Parotid Acinar Cells, 2003.

Bertram and Sherman, A Calcium-based Phantom Bursting Model for Pancreatic Islets, 2004.

Bertram et al. Modelling Multiple Bursting Models in Pancreatic Islets, 2004.

Sneyd et al. Modelling the Control of Calcium Oscillations by Membrane Fluxes, 2004.

Modelos de Inmunología

Herz et al. Modelling Viral Dynamics In Vivo, 1996.

Kirschner and Webb, A Model for Treatment Strategy in the Chemotherapy of AIDS, 1996.

Nowak and Bangham, Modelling the Population Dynamics of Immune Responses to Persistent Viruses, 1996.

Perelson et al. Modelling HIV-1 Dynamics In Vivo, 1996.

Stilianakis et al. Modelling the Pathogenesis of AIDS, 1997.

Grossman et al. Modelling the Kinetics of Plasma Virus Following the Initiation of Therapy, 1998.

Kirschner and Panetta, Modelling Immunotherapy of the Tumour-Immune Interaction, 1998.

Mittler et al. Influence of Delayed Viral Production on Viral Dynamics in HIV-1 Infected Patients, 1998.

Neumann et al. Modelling Hepatitis C Viral Dynamics in Vivo and investigating the Antiviral Efficacy ofInterferon-alpha Therapy, 1998.

Kesmir and De Boer, Modelling the Kinetics of Germinal Centre Reactions, 1999.

Wodarz and Nowak, Modelling the Interaction Between HIV and the Immune System, 1999.

Bonhoeffer et al. Modelling the Population Dynamics of Virus Infected Cells, 2000.

Fallon et al. Binding, Internalisation and Postendocytotic Sorting of Interleukin-2 and Its Receptor, 2000.

Nelson et al. A Model of HIV-1 Pathogenesis, 2000.

Swanson et al. A Quantitative Model for the Dynamics of Serum Prostate-Specific Antigen as a Marker forCancerous Growth, 2001.

Flynn et al. A Model-Based Approach for Assessing the Efficacy of Radioimmunotherapy, 2002.

Iber and Maini, A Mathematical Model for Germinal Centre Kinetics and Affinity Maturation, 2002.

83



Komarova and Wodarz, Modelling the Evolutionary Dynamics of Mutator Phenotypes in Cancer, 2003.

Revilla and Garcia-Ramos, A Dynamic Model For HIV-1 Therapy, 2003.

Wang et al. Modelling the Cellular Dynamics of the Human Herpesvirus-6 in EBV-Negative InfectiousMononucleosis, 2003.

Wodarz, Modelling CTL Dynamics: Implications for Cancer Immunology, 2003.

Wodarz and Jansen, Modelling the Evolution of Immunological Memory, 2003.

Dixit and Perelson, Modelling the Complex Patterns of Viral Load Decay Under Antiretroviral Therapy, 2004.

Moore and Li, A Mathematical Model for Chronic Myelogenous Leukemia and T Cell Interaction, 2004.

Nevo et al. Modelling the Bright Side of Autoimmunity, 2004.

Modelos del Ciclo celular

Tyson, Modelling the cell division cycle: cdc2 and cyclin interactions, 1991.

Novak and Tyson, Modelling the control of DNA replication in fission yeast, 1997.

Gardner et al. Controlling Cell Cycle Dynamics Using A Reversibly Binding Inhibitor, 1998.

Novak et al. Mathematical Model of the Fission Yeast Cell Cycle, 1998.

Hatzimanikatis et al. Regulation of the G1-S Transition of the Mammalian Cell Cycle, 1999.

Chen et al. Modelling the Budding Yeast Cell Cycle, 2000.

Ciliberto and Tyson, A Mathematical Model for the Early Development of the Sea Urchin Embryo, 2000.

Novak and Pataki, Mathematical Model of the Cell Division Cycle of Fission Yeast, 2001.

Halloy et al. The Follicular Automaton Model for Hair Cycles, 2002.

Ciliberto et al. A Kinetic Model of the Cyclin E/Cdk2 Developmental Timer in Xenopus laevis embryos, 2003.

Ciliberto et al. Modelling the Morphogenesis Checkpoint in the Budding Yeast Cell Cycle, 2003.

Chen et al. An Integrative Analysis of Cell Cycle Control in Budding Yeast, 2004.

Modelos de electrofisiología simplificados

FitzHugh and Nagumo, Theoretical Models of Nerve Membrane, 1961.

Hunter et al. Analytical Models of Propagation in Excitable Cells (The Polynomial Model), 1975.

van Capelle and Durrer, Computer Simulation of Arrhythmias in a Network of Coupled Excitable Elements, 1980.

Fenton and Karma, A Simplified Ventricular Myocyte Model, 1998.

Otros tipos de modelos electrofisiológicos

Gástricos

Weinstein, A Mathematical Model of the Gastric H-K-ATPase in Rats, 1998.

84



Riñón

Weinstein, A Mathematical Model of the Renal H-K-ATPase in Rats, 1998.

Chang and Fujita, A Kinetic Model of the Thiazide-Sensitive Na-Cl Cotransporter, 1999.

Chang and Fujita, Mathematical Models of Ionic Transport in the Distal Tubule of the Rat, 2001.

Células Chromafines

Warashina and Ogura, Modelling Stimulation-Sectretion Coupling in a Chromaffin Cell, 2004.

Células endoteliaes

Schuster et al. Modelling the Electrophysiological Endothelial Cell Response to Bradykinin, 2003.

Corticotropa

LeBeau et al. Modelling the Interellations Between Calcium Oscillations and ER Membrane PotentialOscillations, 1997.

Neuronas

Plant, Parabolic Bursting in Neurons, 1981.

Fohlmeister and Miller, Modelling the Impulse Encoding Mechanisms of Ganglion Cells in the TigerSalmander Retina, 1997.

Surkis et al. Modelling the Membrane Behaviour of LDT Neurons, 1998.

Butera et al. Models Of Respiratory Rhythm Generation in the Pre-Botzinger Complex, in BurstingPacemaker Neurons, 1999.

Van Goor et al. Amplitude-Dependent Spike-Broadening in GnRH-Secreting Neurons, 2000.

Modelos de músculo liso y esqueléticos

Adrian et al. Voltage Clamp Experiments in Striated Muscle Fibres, 1970.

Miftakhov et al. Motility Patterns Of The Small Bowel, 1999.

Mijailovich et al. Modelling Actin-Myosin Binding in Airway Smooth Muscle, 2000.

Takahashi and Cannon, Mexiletine Block of Sodium Channels in Human Skeletal Muscle, 2001.

Oomens et al. Finite Element Modelling of Contracting Skeletal Muscle, 2003.

Yang et al. The myogenic response in isolated rat cerebrovascular arteries: a smooth muscle cell model, 2003.

Modelos mecánicos y leyes constitutivas

The Pole-Zero Constitutive Material Law.

The Mooney-Rivlin Constitutive Material Law, 1951.

Demiray's Exponential Constitutive Material Law, 1981.

85



The Guccione Constitutive Material Law, 1991.

Hunter et al. Modelling the Mechanical Properties of Cardiac Muscle, 1998.

Palecek et al. A Kinetic Model for Integrin-mediated Adhesion Release During Cell Migration, 1999.

Nash and Panfilov, An Electromechanical Model of Excitable Tissue to Study Reentrant CardiacArrhythmias, 2004.

Tabla 11. Ejemplos de modelos humanos en Biología de Sistemas.

Fuente: Nickerson, D. P. & Lloyd, C. M. Model Repository, CellML website. (http://www.cellml.org/examples/repository).

http://www.cellml.org/examples/repository

86


Anexo IV. Estándares empleados en Ciencias de la Vida

Acrónimo Nombre Enlace

GENERAL

Extensible MarkupLanguage http://www.w3.org/XMLXML

Hypertext TransportProtocol http://www.w3.org/Protocols/HTTPHTTP

Unified Modeling Language http://www.uml.orgUML

Resource DescriptionFramework http://www.w3.org/RDFRDF

Web Ontology Language http://www.w3.org/TR/owl-featuresOWL

Standardized GeneralizedMarkup Language http://www.w3.org/MarkUp/SGMLSGML

Common Object RequestBroker Architecture http://www.omg.org/gettingstarted/corbafaq.htmCORBA

Life Sciences Identifier http://lsid.sourceforge.netLSID

Open Biological Ontology

GENÓMICA

http://obo.sourceforge.netOBO

Human GenomeOrganisation http://www.hugo-international.orgHUGO

Gene Ontology http://www.geneontology.orgGO

Society Microarray GeneExpression Data Society http://www.mged.orgMGED

Minimum InformationAbout a MicroarrayExperiment

http://www.mged.org/Workgroups/MIAME/miame.htmlMIAME

MicroArray GeneExpression MarkupLanguage

http://www.mged.org/Workgroups/MAGE/mage-ml.htmlMAGE-ML

MicroArray GeneExpression Object Model

http://www.mged.org/Workgroups/MAGE/mage-om.htmlMAGE-OM

MGED Ontology http://mged.sourceforge.net/ontologies/index.phpMO

MicroArray GeneExpression software toolkit http://www.mged.orgMAGE-stk

Combines MAGE-OM,MAGE-ML and MAGE-stk

http://www.mged.org/Workgroups/MAGE/mage.htmlMAGE

Minimum InformationSpecification for in situHybridization andImmunohistochemistryExperiments

http://mged.sourceforge.net/misfishieMISFISHIE

http://www.w3.org/XML

http://www.w3.org/Protocols/HTTP

http://www.uml.org

http://www.w3.org/RDF

http://www.w3.org/TR/owl-features

http://www.w3.org/MarkUp/SGML

http://www.omg.org/gettingstarted/corbafaq.htm

http://lsid.sourceforge.net

http://obo.sourceforge.net

http://www.hugo-international.org

http://www.geneontology.org

http://www.mged.org

http://www.mged.org/Workgroups/MIAME/miame.html

http://www.mged.org/Workgroups/MAGE/mage-ml.html

http://www.mged.org/Workgroups/MAGE/mage-om.html

http://mged.sourceforge.net/ontologies/index.php

http://www.mged.org

http://www.mged.org/Workgroups/MAGE/mage.html

http://mged.sourceforge.net/misfishie

87


ESTÁNDARES EMPLEADOS EN CIENCIAS DE LA VIDA(continuación)


GENÓMICA FUNCIONAL

Functional GenomicsExperiment http://fuge.sourceforge.netFuGE

Functional GenomicsInvestigation Ontology http://fugo.sourceforge.netFuGO

Systems Biology ObjectModel http://cebs.niehs.nih.gov/content_sysbio_om.htmlSysBio-OM

Open MicroscopyEnvironment http://www.openmicroscopy.orgOME

Minimum InformationAbout a Cellular Assay http://miaca.sourceforge.netMIACA

Minimum InformationAbout an RNAi Experiment http://www.rnaiglobal.org/gti.htmlMIARE

RUTAS

Systems Biology MarkupLanguage http://sbml.org/index.pspSBML

Cell Markup Language http://www.cellml.orgCellML

Biological PathwaysExchange http://www.biopax.orgBioPAX

Minimum InformationRequested In theAnnotation of BiochemicalModels

—MIRIAM

PROTEÓMICA

Human ProteomeOrganisation http://www.hupo.orgHUPO

Proteomics StandardsInitiative http://psidev.sourceforge.netPSI

Proteomics StandardsInitiative MolecularInteraction

http://psidev.sourceforge.net/mi/xml/doc/userPSI-MI

Minimum Information Abouta Proteomics Experiment(Mass Spectrometry, MassSpectrometry Informatics)

http://psidev.sourceforge.netMIAPE (MS,MSI)

Proteomics ExperimentData Repository —PEDRo

Proteomics ExperimentMarkup Language —PEML

Molecular and CellularProteomics http://www.mcponline.orgMCP

http://fuge.sourceforge.net

http://obi.sourceforge.net/

http://cebs.niehs.nih.gov/cebs-browser/cebsHome.do

http://www.openmicroscopy.org

http://miaca.sourceforge.net

http://www.rnaiglobal.org/gti.html


http://www.cellml.org

http://www.biopax.org

http://www.hupo.org

http://psidev.sourceforge.net

http://psidev.sourceforge.net/mi/xml/doc/user

http://psidev.sourceforge.net

http://www.mcponline.org

88


ESTÁNDARES EMPLEADOS EN CIENCIAS DE LA VIDA(continuación)


METABOLÓMICA

Standard MetabolicReporting Structure http://www.smrsgroup.orgSMRS

Architecture forMetabolomics http://www.armet.orgArMET

Collaborative ComputingProject for the NMRCommunity

http://www.ccpn.ac.ukCCPN

ORGANIZACIONES DE ESTANDARIZACIÓN

American NationalStandards Institute http://www.ansi.orgANSI

Institute of Electrical andElectronics Engineers http://www.ieee.orgIEEE

Internet Engineering TaskForce http://www.ietf.orgIETF

Object ManagementGroup http://www.omg.orgOMG

World Wide WebConsortium http://www.w3.orgW3C

Tabla 12. Estándares empleados en Ciencias de la Vida.

Fuente: Brazma A. et al. (2006). Standards for systems biology. Nat Rev Genet. Aug;7(8):593-605.

http://smrsgroup.sourceforge.net/mm_report.html

http://www.armet.org

http://www.ccpn.ac.uk

http://www.ansi.org

http://www.ieee.org

http://www.ietf.org

http://www.omg.org

http://www.w3.org

89


Anexo V: Principales programas educativosen Biología de Sistemas

CURSOS DE GRADO

EnlacePrograma

EUROPA

http://www.psb.ugent.be/Flanders and Ghent University, Department of PlantSystems Biology

http://lectures.molgen.mpg.de/Max Planck Institutes, Institute of Molecular Genetics

http://www.mpi-magdeburg.mpg.de/Max Planck Institutes, Institute of Dynamics of ComplexSystems

http://www.sbi.uni-rostock.deUniversity of Rostock, Systems Biology & BioinformaticsProgram

http://www.sysbio.de/University of Stuttgart, Systems Biology Group

http://itb.biologie.hu-berlin.de/Humboldt University Berlin, Institute for TheoreticalBiology

http://www.biologie.hu-berlin.de/~theorybp/Humboldt University Berlin, Department of TheoreticalBiophysics

http://www.systembiology.net/topmaster/topmasterbmisbam.htm

Free University of Amsterdam, BioMolecularIntegration/Systems Biology

http://www.ucl.ac.uk/CoMPLEX/University College, London, Centre for Mathematics andPhysics in the Life Sciences

http://www.maths.warwick.ac.uk/ipcr/University of Warwick, Interdisciplinary Program inCellular Regulation, Molecular Organization and Assemblyin Cells

http://www.maths.ox.ac.uk/cmbUniversity of Oxford, Centre for Mathematical Biology

ASIA

http://www.bii.a-star.edu.sg/A*Star Bioinformatics Institute, Singapore

http://www.i.u-tokyo.ac.jp/index-e.htmUniversity of Tokyo, Graduate School of InformationScience and Technology

http://www.k.u-tokyo.ac.jp/renewal-e/course_jyoho/senkou-e.html

University of Tokyo, Department of ComputationalBiology, Graduate School of Frontier Sciences

http://www.bic.kyoto-u.ac.jp/egis/Kyoto University and University of Tokyo, Education andResearch Organization for Genome Information Science

http://www.iab.keio.ac.jp/Keio University, Institute for Advanced Biosciences

http://www.psb.ugent.be/

http://lectures.molgen.mpg.de/

http://www.mpi-magdeburg.mpg.de/

http://www.sbi.uni-rostock.de

http://www.sysbio.de/

http://itb.biologie.hu-berlin.de/

http://www.biologie.hu-berlin.de/~theorybp/

http://www.systembiology.net/topmaster/topmasterbmisbam.htm

http://www.ucl.ac.uk/CoMPLEX/

http://www.maths.warwick.ac.uk/ipcr/

http://www.maths.ox.ac.uk/cmb

http://www.bii.a-star.edu.sg/

http://www.u-tokyo.ac.jp/index_e.html

http://www.u-tokyo.ac.jp/index_e.html

http://www.bic.kyoto-u.ac.jp/egis/

http://www.iab.keio.ac.jp/

90


NORTEAMÉRICA

http://www.cs.cornell.edu/grad/cbm,http://biomedsci.cornell.edu

Cornell, Sloan-Kettering, and Rockefeller Universities,Physiology, Biophysics & Systems Biology, Program inComp. Biology and Medicine

http://csbi.mit.edu/Massachusetts Institute of Technology, Computationaland Systems Biology Initiative (CSBi), BiologicalEngineering Division

http://www.genomics.princeton.eduPrinceton University, Lewis-Sigler Institute for IntegrativeGenomics

http://smi-web.stanford.edu/Stanford University, Medical Informatics (SMI) and BioX

http://cb.berkeley.edu/University of California Berkeley, Graduate Group inComputational and Genomic Biology

http://www-bioeng.ucsd.edu/University of California San Diego, Department ofBioengineering

http://www.utoronto.ca/medicalgenetics/University of Toronto, Program in Proteomics andBioinformatics

http://www.gs.washington.edu/University of Washington, Department of Bioengineering,Deptartment of Genome Sciences

http://www.grads.vt.edu/gbcb/phd_gbcb.htmVirginia Tech, Program in Genetics, Bioinformatics andComputational Biology

http://www.ccb.wustl.edu/Washington University, Computational Biology Program

MONOGRÁFICOS

http://www.biologie.hu-berlin.de/Humboldt University, Berlin Graduate Program, Dynamicsand Evolution of Cellular and Macromolecular Processes

http://www.science.uva.nl/biocentrum/Biocentrum Amsterdam, Molecular Systems Biology Course

http://meetings.cshl.org/Cold Spring Harbor Laboratory, Course in ComputationalGenomics

http://www.systemsbiology.orgInstitute of Systems Biology, Introduction to SystemsBiology and Proteomics Informatics courses

http://www.conted.ox.ac.uk/cpd/biosciences/courses/short_courses/Genome_Analysis.aspUniversity of Oxford, Genomics, Proteomics and Beyond

PRINCIPALES PROGRAMAS EDUCATIVOS EN BIOLOGÍA DE SISTEMAS(continuación)

CURSOS DE GRADO

EnlacePrograma

http://www.cs.cornell.edu/grad/cbm

http://biomedsci.cornell.edu

http://csbi.mit.edu/

http://www.genomics.princeton.edu

http://smi-web.stanford.edu/

http://www.berkeley.edu/

http://www-bioeng.ucsd.edu/

http://www.utoronto.ca/medicalgenetics/

http://www.gs.washington.edu/

http://www.grads.vt.edu/gbcb/phd_gbcb.htm

http://www.ccb.wustl.edu/

http://www.biologie.hu-berlin.de/

http://www.science.uva.nl/biocentrum/

http://meetings.cshl.org/

http://www.systemsbiology.org

http://cpd.conted.ox.ac.uk/

91


INICIATIVAS EMERGENTES

http://www.systembiologie.de/German Systems Biology Research Program

http://sysbio.med.harvard.edu/Harvard University, Department of Systems Biology

http://www.mib.umist.ac.uk/Manchester Interdisciplinary Biocentre (MIB)

http://www.utsouthwestern.edu/utsw/home/education/integrativebiology/

University of Texas Southwestern, Program in Molecular,Computational and Systems Biology, Integrative BiologyGraduate Program

Tabla 13. Principales programas educativos en Biología de Sistemas.

Fuente: Cassman, M. et al. Assessment of International Research and Development in Systems Biology (www.wtec.org/sysbio).

Principales programas educativos con contenidos en Biología de Sistemas en España

EnlaceCurso

http://solea.quim.ucm.es/masterbioinfo/Máster en Bioinformática y Biología ComputacionalUniversidad Complutense de Madrid

http://www.ucm.es/info/fgu/escuelacomplutense/cursos/g09.htm

Bioinformática y Biología ComputacionalUniversidad Complutense de Madrid

http://diana.imim.es/moodle/MSc Bioinformatics for Health SciencesUniversitat Pompeu Fabra

http://193.146.190.8/Bioinformatics/Systems BiologyUniversitat Pompeu Fabra / Universitat de Barcelona

http://www.ucm.es/info/cv/subweb/prog/81106.phpMathematics and Life SciencesUniversidad Complutense de Madrid

http://ub.cbm.uam.es/jdb06/VII Spanish Symposium on Bioinformatics andComputational BiologyUniversidad de Zaragoza

http://goethe.informatik.uni-rostock.de/winterschool/

1st Winter School on Systems Biology for MedicalApplicationsCanary Islands Institute for Cancer Research (ICIC)/COSBICS project/SysBioMed project

http://www.inab.org/training/reference/Computational_systems_biology.pdf

Computational Systems BiologyINB Training courses

http://www.uma.es/ordenac/docs/EEES/POPBioCM.pdf

Programa oficial de posgrado fundamentoscelulares y moleculares de los seres vivosMáster Oficial en Biología Celular y MolecularEspecialidad de Biología de Sistemas

Tabla 14. Principales programas educativos con contenidos en Biología de Sistemas en España.

Fuente: Instituto Nacional de Bioinformática - Nodo de formación (http://www.inab.org/training/) y elaboración propia.

PRINCIPALES PROGRAMAS EDUCATIVOS EN BIOLOGÍA DE SISTEMAS(continuación)

CURSOS DE GRADO

EnlacePrograma

http://www.systembiologie.de/

http://sysbio.med.harvard.edu/

http://www.mib.umist.ac.uk/

http://www.utsouthwestern.edu/utsw/home/education/integrativebiology/

http://solea.quim.ucm.es/masterbioinfo/

http://www.ucm.es/info/fgu/

http://diana.imim.es/moodle/

http://193.146.190.8/Bioinformatics/

http://www.ucm.es/info/cv/indice.html

http://ub.cbm.uam.es/jdb06/

http://goethe.informatik.uni-rostock.de/winterschool/

http://www.inab.org/training/reference/Computational_systems_biology.pdf

http://www.uma.es/

http://www.inab.org/training/

92


Anexo VI. Software relacionado con la interacción de proteínas

Institución o empresaSoftware

ENSAMBLAJE PROTEÍNA-PROTEÍNA (PÉPTIDO)

BioMolecular Modeling, Cancer Research UK 3D-Dock Suite

Bielefeld UniversityBielefeld Protein Docking

BioTecnol, S.A.BiGGER

Boston UniversityClusPro

San Diego Supercomputer Center DOT

Milan University ESCHER NG

Utrecht University NetherlandsHADDOCK

University of Aberdeen HEX

INTERACCIONES PROTEÍNA-LIGANDO

Accelrys Inc. Affinity

The Scripps Research Institute AutoDock

Sandia National Labs CombiBUILD

University of AlbertaDockVision

OpenEye FRED

TriposFlexiDock

BioSolveIT GMBHFlexX

Schrödinger GmbH GLIDE

CCDCGOLD

Virginia Commonwealth University HINT

University College of London LIGPLOT

University of Leeds Pocket- Finder

University of Leeds Q-SiteFinder

Quantum Pharmaceuticals QUANTUM

Scripps Research Institute SITUS

Milan UniversityVEGA

93



ENSAMBLAJE PROTEÍNA-PROTEÍNA Y PROTEÍNA-LIGANDO

UCSF Molecular Design InstituteDOCK

SUNYGRAMM

MolSoft LLC ICM-Docking

Tel Aviv University PatchDock

PROGRAMAS RELACIONADOS CON LA VISUALIZACIÓN Y ANÁLISIS

BIC Singapore BioJAKE

University of Washington Bioverse

Institute for Systems Biology & Whitehead Institute for Biomedical Research Cytoscape

Hippron Physiomics Dynamic Signaling Maps™

InformaxGenoMax™

The Scripps Research Institute HARMONY

University Paderborn HotDock

Tel Aviv University I2I-SiteEngine

Swiss Institute of Bioinformatics iMolTalk

University of Washington School of Medicine Integrator

Inha University, WI Lab InterViewer

Sanger Institute iPfam

Universite de Montreal, Canada iVici

MPI University Georgia)Java 3D

EMBL Heidelberg MolSurfer

UCSF, Computer Graphics LabMidasPlus

Samuel Lunenfeld Research Institute Osprey

NCGRPathDB™

Ariadne Genomics PathwayAssist™

Structural Bioinformatics Group (GRIB-IMIM), UniversitatPompeu Fabra PIANA

SOFTWARE RELACIONADO CON LA INTERACCIÓN DE PROTEÍNAS(continuación)

94



Hybrigenics PIMRider®

LION biosiencePI-SCOUT™

EMBL-EBIProViz

Baker Lab, University of Washington ROBETTA

University of SussexSHARP2

TEMIS S.A.TEMIS

Informax Inc.PathBlazer™

Boston UniversityvisANT

Inha UniversityWebInterViewer

Tabla 15. Software relacionado con la interacción de proteínas.

Fuente: The Jena Centre for Bioinformatics, JCB (http://www.fli-leibniz.de/jcb).

SOFTWARE RELACIONADO CON LA INTERACCIÓN DE PROTEÍNAS(continuación)

http://www.fli-leibniz.de/jcb

95


Anexo VII. Bases de datos relacionadas con la interacción de proteínas

Institución o empresaBase de datos

DATOS EXPERIMENTALES

European Bioinformatics InstituteAllFuse Interactions Server

Harvard UniversityASEdb

A & M University TexasBID

Ontario, Toronto, Vancouver/CABIND

Kyoto UniversityBRITE

Rockefeller UniversityCOMBASE

UCLADIP (Database of Interacting Proteins)

Wayne State UniversityDrosophila Protein Interaction Map (PIM)Database

University of YorkEchoBASE

RIKEN, Institute of Physical and Chemical ResearchGenomic Knowledge Database

National Health Research Instituteshp-DPI (Helicobacter Pylori Database of ProteinInteractomes)

Inha UniversityHPID (Human Protein Intercation Database)

Kazusa DNA Research InstituteHUGEppi

Johns Hopkins University & The Institute ofBioinformatics, IndiaHuman Protein Reference Database

University of CaliforniaICBiología de Sistemas (Inter-Chain Beta-Sheets database)

University of ManchesterINTERACT

National University of SingaporeKDBI (Kinetic Data of Bio-molecular Interactions)

RIKEN Yokohama InstituteMammalian Protein-Protein InteractionDatabase [+ FANTOM2 Viewer]

CBM, RomeMINT (Molecular INTeractions database)

Yale University molmovdb.org

MIPSMPPI (Mammalian Protein-Protein Interactiondatabase)

University of Washington, Curagen Corp.PathCalling Yeast Interaction Database

Weill Medical College of Cornell UniversityPDZBase

96



National Health Research Institutes & National TaiwanUniversityPOINT

Human Genome Center, University of TokyoPRIME (PRotein Interactions and MolecularInformation databasE)

InformaxProChart™

University of QueenslandProMesh

Protein LoungeProtein Interaction Database

Hybrigenics Protein Interaction Maps-PIMs

Comprehensive Yeast Genome Database (MIPS)Protein-Protein Interaction

Max-Planck-Institut für InformatikNOXclass

RIKEN, Yokohama InstituteProtein-Protein Interaction Panel

BASES DE DATOS RELACIONADAS CON LA INTERACCIÓN DE PROTEÍNAS(continuación)

University of CaliforniaProtein-Protein Interactions Table for Humanherpesvirus 1

BioSystems Dept., KAIST & BiO centrePSIbase

Temple UniversityRepair-FunMap

MIG - INRA, VersaillesSPiD

Columbia UniversitySPIN-PP Server

MDS Proteomics, IncSystematic Identification of Protein Complexes inSaccaromyces cerevisiae by Mass Spectroscopy

Samuel Lunenfeld Research Institute, Canada The GRID

Kanazawa UniversityYeast Interacting Proteins Database

University of WashingtonYeast Protein Linkage Map Data

Incyte GenomicsYPD™

Predicciones

EMBLADAN

Universidad Autónoma de Madrid, SpainE. coli Predicted Protein Interactions Database

Inha UniversityHPID (Human Protein Interaction Database )

University of California ICBS (Inter-Chain Beta-Sheets )

National Genome Information Center, Korea ResearchInstitute of Bioscience and Biotechnology & BiO Centre INTERPARE

97



Ontario Cancer Institute & University of TorontoOPHID (Online Predicted Human InteractionDatabase)

University of California PIBASE

Boston UniversityPredictome

Information and Communications University, KoreaPreSPI (PREdiction System for ProteinInteraction)

BIOMIS, FH Hagenberg, AustriaPRIMOS (PRotein Interaction and MOleculeSearch)

Koc University, TurkeyPRISM (PRotein Interactions by StructuralMatching)

LGPD/IBDM, CNRSPRODISTIN Web Site

Protein Pathways Inc.ProNexus™


University of CaliforniaProlinks Database

Dominios relacionados, rutas y bases de datos de redes de proteínas

BioCartaBioCarta

BioCyc collection of Pathway/Genome Databases BioCyc

NIHSCSNDB (Cell Signaling Networks DataBase)

NCBSDOQCS (Database Of Quantitative CellularSignaling)

EMP Project Inc. EMP (Enzymes and Metabolic Pathways)

Computational Biology Center, Memorial Sloan-Kettering Cancer Center, USA & Protein Design Group,National Center of Biotechnology, Spain

iHOP

Kazusa DNA Research Institute, JapanInCeP

Laboratories for Information Technology, Singapore InterDom

Kyoto Encyclopedia of Genes and GenomesKEGG

Human Genome Center, JapanKinase Pathway Database

GenomeNet JapanLIGAND

Argonne National LabMPW

Protein Lounge Pathway Database

Sanger Institute Pfam (Protein FAMilies database of alignments)

98



Protein Pathways Inc.Protein Pathways

EMBL Heidelberg SMART

Kyushu UniversitySPAD (Signaling PAthway Database)

Yale University SoyBase

BioBaseTRANSCompel

BioBaseTRANSPATH


Argonne National Lab WIT

Stanford University Medical CenterWnt Signaling Pathway

Boston University Yeast Interactome

MIPSYeast Pathways in the Comprehensive YeastGenome Database

Herramientas en la web

Institute for Infocomm ResearchADVICE (Automated Detection and Validationof Interaction by Co-Evolution)

EMBL BioLayout Java

Osaka UniversityeFsite (Electrostatic surface of Functional-SITE)

European Bioinformatics Institute Expression Profiler

European Bioinformatics Institute IntAct Project

EMBLInterPreTS (protein INTERaction PREdictionthrough Tertiary Structure)

University of Texas Medical BranchInterProSurf

Institute for InfoComm ResearchInterWeaver

National Bioinformatics Center Cuba iPPI

Centre de Bioinformatique de Bordeaux IPPRED

Universita di RomaiSPOT

EMBLMedusa

Lab of Protein Crystallography, USTCNetAlign

Whitehead InstitutePathBLAST

99



Protein Extraction, Description, and Analysis ToolPEDANT (GSF)

PDBSiteScan

PDGcon Institute of Cytology and Genetics SBRAS

PIMWalkerTM Centro Nacional de Biotecnología, CNB-CSIC,Spain

PIVOT (Protein Interactions VisualizatiOn Tool)Hybrigenics

ProFace Tel Aviv University


LECBProtein3D Home

University College LondonProtein-Protein Interaction Server

TU DresdenSCOWLP (Structural Characterization Of Water,Ligands and Proteins)

EMBLSTRING (Search Tool for the Retrieval ofINteracting Genes/proteins)

Columbia University SPIN-PP Server

University EdinburghYETI

Tabla 16. Bases de datos relacionadas con la interacción de proteínas.

Fuente: The Jena Centre for Bioinformatics, JCB (http://www.fli-leibniz.de/jcb).


100


An

exo

VII

I. C

om

pañ

ías

con

pro

yect

os

de I

nvest

igaci

ón

en

Bio

log

ía d

e S

iste

mas

Ob

jeti

vo

Co

mp

añ

ía

Des

cubrim

iento

y d

esar

rollo

de

fárm

acos

med

iante

técn

icas

com

puta

cional

es.

En

ferm

ed

ad

es

Gen

eral

.

Pro

du

cto

s y s

erv

icio

s

Pred

icci

ón d

elco

mport

amie

nto

de

sist

emas

bio

lógic

os

med

iante

téc

nic

asco

mputa

cional

es(b

iosi

mula

ción,

model

izac

ión,

bio

info

rmát

ica,

algoritm

os)

.

Mo

delo

de n

eg

oci

o

Form

a par

te inte

gra

l de

la c

om

pañ

íafa

rmac

éutica

Eli

Lilly

.

Eli

Lilly

Sys

tem

s Bio

logy

(LSB),

Sin

gap

ur

htt

p:/

/ww

w.lsb

.lill

y.co

m.s

g

Des

cubrim

iento

y d

esar

rollo

de

fárm

acos.

Cán

cer

y otr

asen

ferm

edad

es.

Des

cubrim

iento

ydes

arro

llo d

e fá

rmac

os

(val

idac

ión d

e dia

nas

,se

lecc

ión d

ebio

mar

cadore

s, y

optim

izac

ión d

e en

sayo

scl

ínic

os)

.

Cola

bora

ción c

on la

com

pañ

ía E

nte

los,

Inc.

que

les

sum

inis

tra

pla

tafo

rmas

de

Bio

logía

de

Sis

tem

as.

Inte

gra

nte

de

la fam

ilia

de

com

pañ

ías

que

per

tenec

e a

la far

mac

éutica

Johnso

n &

Johnso

n.

Johnso

n &

Johnso

n P

har

mac

eutica

lRes

earc

h &

Dev

elopm

ent,

New

Bru

nsw

ick,

NJ,

EEU

Uhtt

p:/

/ww

w.j

njp

har

mar

nd.c

om

Des

cubrim

iento

y d

esar

rollo

de

fárm

acos

Gen

eral

.

Des

cubrim

iento

ydes

arro

llo d

e fá

rmac

os

med

iante

est

rate

gia

s de

Bio

logía

de

Sis

tem

as.

Inst

ituto

s de

inve

stig

ació

n loca

lizad

os

por

todo e

l m

undo y

pro

mov

idos

por

Nov

artis.

Nov

artis

Inst

itute

s fo

r Bio

med

ical

Res

earc

h,

Cam

bridge,

MA,

EEU

Uhtt

p:/

/ww

w.n

ibr.nov

artis.

com

Est

rate

gia

s de

Bio

logía

de

Sis

tem

as e

n e

l es

tudio

yan

ális

is d

e la

señ

aliz

ació

nce

lula

r.

Dia

bet

es,

des

órd

enes

horm

onal

es.

Des

cubrim

iento

ydes

arro

llo d

e fá

rmac

os

med

iante

est

rate

gia

s de

Bio

logía

de

Sis

tem

as.

Cola

bora

ción c

on c

om

pañ

ías

Med

tronic

Dia

bet

es,

Bed

ford

Lab

ora

tories

y la

clín

ica

May

o.

Nov

o N

ord

isk

AS,

Copen

ague,

Din

amar

cahtt

p:/

/ww

w.n

ovonord

isk-

us.

com

Des

cubrim

iento

y d

esar

rollo

de

fárm

acos

ybio

mar

cadore

s, m

edia

nte

el

anál

isis

de

enfe

rmed

ades

yre

spues

ta c

elula

r en

sist

emas

de

mam

ífer

os.

Sis

tem

a N

ervi

oso

Cen

tral

,en

ferm

edad

esm

etab

ólic

as,

card

iova

scula

res,

cánce

r.

Des

arro

llo d

e fá

rmac

os

(sin

fas

es c

línic

as).

Des

arro

llo d

e fá

rmac

os,

acu

erdos

de

cola

bora

ción c

on c

om

pañ

ías

farm

acéu

tica

s(A

stra

Zen

eca,

GSK,

Nov

artis,

Dia

dex

us,

Mic

roM

ass,

Bost

on U

niv

ersi

ty S

chool of

Med

icin

e. T

NO

, Boeh

ringer

Ingel

hei

m,

Glo

bal

Alli

ance

for

TB d

rug d

evel

opm

ent)

.

Bey

ond G

enom

ics

(2000)

Wal

tham

,M

A,E

EU

U/

Ahora

BG

Med

icin

ehtt

p:/

/ww

w.b

eyondgen

om

ics.

com

http://www.lsb.lilly.com.sg

http://www.jnjpharmarnd.com

http://www.nibr.novartis.com

http://www.novonordisk-us.com

http://www.beyondgenomics.com

101


Ob

jeti

vo

Co

mp

añ

ía

Model

os

celu

lare

s de

enfe

rmed

ades

hum

anas

par

am

ejora

r la

efica

cia

del

pro

ceso

de

des

cubrim

iento

de

fárm

acos.

En

ferm

ed

ad

es

Inflam

ació

n,

enfe

rmed

ades

card

iova

scula

res,

cánce

r.

Pro

du

cto

s y s

erv

icio

s

Des

arro

llo d

e fá

rmac

os

(sin

fas

es c

línic

as)

Tecn

olo

gía

Bio

MAP®

Sys

tem

s.

Mo

delo

de n

eg

oci

o

Cola

bora

ción c

on c

om

pañ

ías

farm

acéu

tica

s(G

SK,

Inflaz

yme

Phar

mac

eutica

ls,

Bost

on

Sci

entific

Corp

ora

tion,

Dyn

avax

).

Bio

See

k (2

000)

Burlin

gam

e, C

A,

EEU

Uhtt

p:/

/ww

w.b

iose

ekin

c.co

m

Des

cubrim

iento

y d

esar

rollo

de

fárm

acos

med

iante

model

izac

ión c

om

puta

cional

de

enfe

rmed

ades

hum

anas

.

Dia

bet

es,

obes

idad

, ar

tritis

reum

atoid

e,as

ma,

cole

ster

ol,

toxi

colo

gía

.

Her

ram

ienta

s de

soft

war

e, m

odel

os

tera

péu

tico

s y

de

enfe

rmed

ades

par

a su

uso

en e

ldes

cubrim

iento

ydes

arro

llo d

e fá

rmac

os.

Cola

bora

ción c

on c

om

pañ

ías

farm

acéu

tica

s(A

bbott

, Am

eric

an D

iabet

es A

ssoci

atio

n,

Ast

raZen

eca,

San

ofi-A

ventis,

Bay

er A

G,

Brist

ol M

yers

Squib

b,

Cel

era,

Cen

toco

rRes

earc

h a

nd D

evel

opm

ent,

Inc.

, Eli

Lilly

,Jo

hnso

n &

Johnso

n P

har

mac

eutica

lRes

earc

h &

Dev

elopm

ent,

L.L

.C., M

cNei

l-PP

C,

Med

Imm

une,

Mer

ck,

Org

anon (

Akz

oN

obel

), P

fize

r, P

roct

er &

Gam

ble

, Roch

eD

iagnost

ics,

Roch

e, U

nile

ver)

.

Ente

los

(1996)

Fost

er C

ity,

CA,

EEU

Uhtt

p:/

/ww

w.e

nte

los.

com

Farm

acolo

gía

, te

cnolo

gía

s de

dis

rupci

ón g

enét

ica.

Infe

cció

n,

enfe

rmed

ades

card

iova

scula

res,

inflam

ació

n,

cánce

r.

Dia

nas

pre

clín

icas

en

inflam

ació

n,

cánce

r e

inflam

acio

nes

fúngic

as.

Cola

bora

ción c

on la

Univ

ersi

dad

de

Cam

bridge.

Gen

e N

etw

ork

s In

tern

atio

nal

(2001)

Toky

ohtt

p:/

/ww

w.g

ene-

net

work

s.co

m

Des

cubrim

iento

y d

esar

rollo

de

fárm

acos

med

iante

model

izac

ión c

om

puta

cional

de

la f

unci

ón c

elula

r en

hum

anos.

Cán

cer,

inflam

ació

n,

enfe

rmed

ades

card

iova

scula

res.

Her

ram

ienta

s de

soft

war

e y

model

os

tera

péu

tico

s par

e el

des

arro

llo d

e fá

rmac

os.

Ser

vici

os

exte

rnos

de

des

cubrim

iento

ydes

arro

llo d

e fá

rmac

os

med

iante

model

izac

ión c

om

puta

cional

de

la funci

ón

celu

lar

en h

um

anos.

Cola

bora

ción c

on c

om

pañ

ías

farm

acéu

tica

s(M

ure

x Ph

arm

aceu

tica

ls,

MARY C

row

ley

Med

ical

Res

earc

h C

ente

r, J

ohnso

n &

Johnso

n P

har

mac

eutica

l Res

earc

h &

Dev

elopm

ent)

.

Gen

e N

etw

ork

Sci

ence

s (2

000)

Ithac

a, N

Y, E

EU

Uhtt

p:/

/ww

w.g

nsb

iote

ch.c

om

CO

MP

AÑ

ÍAS

CO

N P

RO

YEC

TO

S D

E I

NV

ES

TIG

AC

IÓN

EN

BIO

LO

GÍA

DE S

ISTEM

AS

(co

nti

nu

aci

ón

)

http://www.bioseekinc.com

http://www.entelos.com

http://www.gene-networks.com

http://www.gnsbiotech.com

102


Ob

jeti

vo

Co

mp

añ

ía

Des

cubrim

iento

y d

esar

rollo

de

fárm

acos

med

iante

model

izac

ión c

om

puta

cional

de

enfe

rmed

ades

hum

anas

.

En

ferm

ed

ad

es

Cán

cer,

des

órd

enes

met

abólic

os,

inflam

ació

n.

Pro

du

cto

s y s

erv

icio

s

Plat

aform

as t

ecnoló

gic

asde

model

izac

ión

com

puta

cional

par

a el

des

cubrim

iento

ydes

arro

llo d

e fá

rmac

os.

Mo

delo

de n

eg

oci

o

Cola

bora

ción c

on c

om

pañ

ías

farm

acéu

tica

s(G

SK,

Pfiz

er,

Ber

lex,

Dan

a Fa

rber

, H

arva

rd,

Sta

nfo

rd,

Inst

itute

for

Sys

tem

s Bio

logy

(ISB),

Ariad

ne,

Jubila

nt

Bio

sys,

Spotf

ire)

.

Gen

stru

ct (

2001)

Cam

bridge,

MA,

EEU

Uhtt

p:/

/ww

w.g

enst

ruct

.com

Dis

eño d

e ru

tas

met

abólic

asnov

edosa

s.G

ener

al.

Dis

eño d

e ru

tas

met

abólic

as in s

ilico

,in

gen

iería

de

ruta

sm

etab

ólic

as in v

ivo.

Tecn

olo

gía

Flu

x Vis

ion®

(anál

isis

de

flujo

sm

etab

ólic

os)

,Pl

ataf

orm

abio

info

rmát

ica

Met

avis

ta®

, Téc

nic

a de

evolu

ción m

ole

cula

rM

etev

ol®

.

Des

arro

llo d

e pro

duct

os

pro

pio

s.Cola

bora

ción c

on c

om

pañ

ías

farm

acéu

tica

s,ce

ntr

os

de

inve

stig

ació

n y

univ

ersi

dad

es(B

ruke

r, D

eguss

a, B

iogem

ma,

Univ

ersi

ty o

fSie

gen

, U

niv

ersi

ty o

f Evr

y, I

nst

itute

of

Bio

tech

nolo

gy

of th

e Fo

rsch

ungsz

entr

um

Jülic

h,

Fren

ch N

atio

nal

Inst

itute

for

Applie

dSci

ence

s).

METa

bolic

EXplo

rer

(1999)

Sai

nt

Bea

uzi

re,

Fran

cia

htt

p:/

/ww

w.m

etab

olic

-exp

lore

r.co

m

Model

izac

ión c

om

puta

cional

de

inte

racc

iones

entr

efá

rmac

os

med

iante

algoritm

os.

Enfe

rmed

adhem

atopoié

tica

,an

gio

gén

esis

,cá

nce

r.

Soft

war

e par

abio

sim

ula

ciones

(optim

izac

ión d

e dosi

s,ad

min

istr

ació

n,

pobla

ción d

e pac

iente

s).

Cola

bora

ción c

on c

om

pañ

ías

farm

acéu

tica

s(N

ovar

tis

Phar

ma

AG

, Sw

iss

Gro

up for

Clin

ical

Can

cer

Res

earc

h).

Optim

ata,

Ltd

. (1

999)

Ram

at-G

an,

Isra

el h

ttp:/

/ww

w.o

ptim

ata.

com

Est

udio

del

met

abolis

mo

med

iante

model

os

anim

ales

,ce

lula

res

y fisi

oló

gic

os.

Gen

eral

.M

odel

os

met

abólic

os

pre

dic

tivo

s, S

imPh

eny™

.

Lice

nci

as d

e so

ftw

are.

Cola

bora

ción c

on c

om

pañ

ías

farm

acéu

tica

s(D

ow

Chem

ical

. Kyo

wa

Hak

ko,

DSM

).Col

abor

ació

n c

on c

entr

os d

e in

vest

igac

ión y

univ

ersi

dade

s (P

acifi

c N

orth

wes

t N

atio

nal

Labo

rato

ry, U

niv

ersi

ty o

f M

assa

chuse

tts

Am

her

st, U

niv

ersi

ty o

f Cal

iforn

ia, San

Die

go ,

Univ

ersi

ty o

f M

assa

chuse

tts

, Pe

nnsy

lvan

iaSta

te U

niv

ersi

ty , U

niv

ersi

ty o

f D

elaw

are

,W

agen

inge

n C

entr

e fo

r Fo

od S

cien

ces

, Kec

kG

radu

ate

Inst

itute

, U

niv

ersi

ty o

f M

anch

este

rIn

stitute

of Sci

ence

and

Tech

nol

ogy

,U

niv

ersi

ty o

f W

ashin

gton

).

Gen

om

atic

a (2

000)

San

Die

go,

CA,

EEU

Uhtt

p:/

/ww

w.g

enom

atic

a.co

m

CO

MP

AÑ

ÍAS

CO

N P

RO

YEC

TO

S D

E I

NV

ES

TIG

AC

IÓN

EN

BIO

LO

GÍA

DE S

ISTEM

AS

(co

nti

nu

aci

ón

)

http://www.genomatica.com

http://www.genstruct.com

http://www.metabolic-explorer.com

http://www.optimata.com

103


Ob

jeti

vo

Co

mp

añ

ía

Rec

onst

rucc

ión d

e si

stem

asbio

lógic

os.

En

ferm

ed

ad

es

Gen

eral

.

Pro

du

cto

s y s

erv

icio

s

Soft

war

e de

anál

isis

en

gen

óm

ica

y pro

teóm

ica

(Met

aCore

™)

Soft

war

e de

anál

isis

toxi

coló

gic

o(M

etaD

rug™

).

Mo

delo

de n

eg

oci

o

Cola

bora

ción c

on c

om

pañ

ías

farm

acéu

tica

s(A

pplie

d B

iosy

stem

s, A

gile

nt,

XB T

ransM

edSolu

tions,

Info

rSen

se,

Gen

edat

a, T

NO

,Vel

cura

Ther

apeu

tics

, Affym

etrix,

Rose

tta

Bio

soft

war

e, I

nvi

trogen

, Acc

elry

s, R

NAi Co.

,Lt

d., A

riad

ne

Gen

om

ics,

Brist

ol-

Mye

rsSquib

b).

Gen

eGo (

2000),

New

Buffal

o, M

I,EEU

Uhtt

p:/

/ww

w.g

eneg

o.co

m

Her

ram

ienta

s de

anál

isis

de

la t

ransc

ripci

ón y

reg

ula

ción

gén

ica,

y r

uta

s de

señal

izac

ión.

Gen

eral

.

Tran

scriptionPa

thTM

ay

Fact

orP

athTM

(an

ális

isde

inm

unopre

cipitac

ión

de

crom

atin

a).

Cola

bora

ción c

on A

ffym

etrix.

Gen

pat

hw

ay (

1999),

San

Die

go,

CA,

EEU

Uhtt

p:/

/ww

w.g

enpat

hw

ay.c

om

Bio

logía

com

puta

cional

,Te

cnolo

gía

s de

laIn

form

ació

n a

plic

adas

a las

cien

cias

de

la v

ida.

Gen

eral

.

Des

arro

llo d

eher

ram

ienta

s de

inte

gra

ción y

alm

acen

amie

nto

de

dat

os

bio

lógic

os.

Cola

bora

ción c

on c

entr

os

de

inve

stig

ació

n y

univ

ersi

dad

es (

Inst

itute

for

Adva

nce

dStu

dy

, Colu

mbia

Univ

ersi

ty,

Univ

ersi

ty o

fPe

nnsy

lvan

ia).

IBM

(1992),

Com

puta

tional

Bio

logy

Cen

ter, Y

ork

tow

n H

eights

, N

Y, E

EU

Uhtt

p:/

/res

earc

hw

eb.w

atso

n.ibm

.com

/com

psc

i/co

mpbio

Model

izac

ión c

om

puta

cional

de

ruta

s bio

lógic

as.

Gen

eral

.Soft

war

e de

anál

isis

de

ruta

s bio

lógic

as,

bas

esde

dat

os

de

redes

.

Part

ek,

Gen

edat

a, S

potf

ire,

Agile

nt

Gen

eSpring,

Rose

tta

Res

olv

er.

Ingen

uity

Sys

tem

s (1

998)

Mounta

in V

iew

, CA,

EEU

Uhtt

p:/

/ww

w.ingen

uity.

com

Ser

vici

os

de

model

izac

ión,

sim

ula

ción y

soft

war

e par

a el

des

cubrim

iento

y d

esar

rollo

de

fárm

acos.

Gen

eral

.

Anál

isis

de

info

rmac

ión

quím

ica

(Acc

ord

™),

Model

izac

ión y

sim

ula

ción (

Cat

alys

t®,

Cer

ius2

®,

Dis

cove

ryStu

dio

®,

GCG

®,

Insi

ght

II®

, M

ater

ials

Stu

dio

®),

Crs

ital

ogra

fía

mac

rom

ole

cula

r de

rayo

s X (

QU

AN

TA®

).

Cola

bora

ción c

on c

om

pañ

ías

farm

acéu

tica

s.Acc

elry

s (2

001),

San

Die

go,

CA,

EEU

Uhtt

p:/

/ww

w.a

ccel

rys.

comC

OM

PA

ÑÍA

S C

ON

PR

OY

EC

TO

S D

E I

NV

ES

TIG

AC

IÓN

EN

BIO

LO

GÍA

DE S

ISTEM

AS

(co

nti

nu

aci

ón

)

http://www.accelrys.com

http://www.genego.com

http://www.genpathway.com

http://researchweb.watson.ibm.com/compsci/compbio

http://www.ingenuity.com

104


Ob

jeti

vo

Co

mp

añ

ía

Des

arro

llo y

com

erci

aliz

ació

nde

pla

tafo

rmas

tec

noló

gic

as.

En

ferm

ed

ad

es

Cán

cer.

Pro

du

cto

s y s

erv

icio

s

Isonost

ic™

(bio

mar

cadore

s)

Mo

delo

de n

eg

oci

o

Cola

bora

ción c

on c

om

pañ

ías

farm

acéu

tica

sy

centr

os

de

inve

stig

ació

n (

M.

D.

Ander

son

Can

cer

Cen

ter, G

roto

n B

iosy

stem

s,Pr

ecis

ionM

ed).

Targ

et D

isco

very

(1999),

Pal

o A

lto,

CA,

EEU

Uhtt

p:/

/ww

w.t

arget

dis

cove

ry.c

om

Sim

ula

ciones

in s

ilico

del

cicl

o d

ecula

r.Cán

cer.

Ser

vici

os

de

apoy

o e

n e

ldes

arro

llo d

e nuev

os

fárm

acos

med

iante

estr

ateg

ias

de

Bio

logía

de

Sis

tem

as.

Cola

bora

ción c

on c

om

pañ

ías

farm

acéu

tica

s(B

ayer

Tec

hnolo

gy

Ser

vice

s, C

ronos

Ther

apeu

tics

Ltd

).

Phys

iom

ics

(2001),

Ingla

terr

ahtt

p:/

/ww

w.p

hys

iom

ics-

plc

.com

Iden

tifica

ción d

e dia

nas

ym

olé

cula

s te

rapéu

tica

sm

edia

nte

map

as d

ein

tera

cció

n d

e pro

teín

as y

otr

as t

écnic

as.

Cán

cer, d

iabet

es.

Ser

vici

os

de

iden

tifica

ción y

valid

ació

n d

ein

tera

ccio

nes

de

pro

teín

asTG

F-bet

a PI

MRid

er®

,D

roso

phila

PIM

Rid

er®

Cola

bora

ción c

on c

om

pañ

ías

farm

acéu

tica

sy

centr

os

de

inve

stig

ació

n (

NiK

em R

esea

rch

Srl,

Shan

ghai

Inst

itute

of M

ater

ia M

edic

a,Ser

vier

, In

stitut

Curie,

Min

dse

nse

Bio

syst

ems

Ltd,

Inst

itut

Past

eur, O

xford

Gly

coSci

ence

s Pl

c.,

Lynx

Ther

apeu

tics

).

Hyb

rigen

ics

SA (

1997),

Par

is,

Fran

cia

htt

p:/

/ww

w.h

ybrigen

ics.

com

Model

izac

ión c

om

puta

cional

de

inte

racc

iones

entr

efá

rmac

os.

Gen

eral

.

Ser

vici

o, b

ase

de

dat

os,

y so

ftw

are

par

a la

bio

sim

ula

ción d

een

sayo

s cl

ínic

os

(optim

izac

ión d

e dosi

s,ad

min

istr

ació

n y

núm

ero

de

pac

iente

s).

Cola

bora

ción c

on c

om

pañ

ías

farm

acéu

tica

s,ce

ntr

os

de

inve

stig

ació

n y

univ

ersi

dad

es(A

stel

las

Phar

ma

US,

Enzo

nPh

arm

aceu

tica

ls,

Gen

zym

e Corp

ora

tion,

Hoffm

an-L

a Roch

e, I

STA

Phar

mac

eutica

ls,

Max

im P

har

mac

eutica

ls,

Nov

artis,

Onco

vance

, Ph

RM

A,

Sch

erin

g-P

lough,

Wye

th,

NCG

R,

U.

S.

Dep

artm

ent

of

Def

ense

, Li

fe S

cien

ces

Gre

enhouse

of

Cen

tral

PA,

Penn S

tate

Milt

on S

. H

ersh

ey M

edic

al C

ente

r, N

IAID

,The

Nap

a G

roup).

ProSan

os

(2000),

La

Jolla

, CA,

EEU

Uhtt

p:/

/ww

w.p

rosa

nos.

comC

OM

PA

ÑÍA

S C

ON

PR

OY

EC

TO

S D

E I

NV

ES

TIG

AC

IÓN

EN

BIO

LO

GÍA

DE S

ISTEM

AS

(co

nti

nu

aci

ón

)

Tabla

17.

Com

pañ

ías

con p

roye

ctos

de

inve

stig

ació

n e

n B

iolo

gía

de

Sis

tem

as.

Fuen

te:

Ada

ptad

o de

, M

ack,

G.S

. (2

004).

Can

com

plex

ity

be c

omm

erci

aliz

ed?.

Nat

ure

Bio

tech

nol

ogy

22, 1223-1

229.

http://www.prosanos.com

http://www.targetdiscovery.com

http://www.physiomics-plc.com

http://www.hybrigenics.com

105


An

exo

IX

. C

om

pañ

ías

esp

añ

ola

s co

n p

royect

os

o l

íneas

de I

nvest

igaci

ón

en

Bio

log

ía d

e S

iste

mas

Ob

jeti

vo

Co

mp

añ

ía

Com

bin

ar t

ecnolo

gía

yco

noci

mie

nto

par

a pro

veer

de

solu

ciones

ver

sátile

s que

cubra

n las

nec

esid

ades

de

los

inve

stig

adore

s ci

entífico

s.

Pro

du

cto

s y s

erv

icio

s

AKS2

(alm

aKnow

ledgeS

erve

r):

sist

ema

de

ges

tión d

eco

noci

mie

nto

bio

méd

ico

alm

aZen

Sys

tem

:so

luci

ón info

rmát

ica

que

per

mite

anal

izar

yges

tionar

el pro

ceso

exper

imen

tal de

mic

roar

rays

.

Pro

yect

os/

Lín

eas

de i

nvest

igaci

ón

en

Bio

log

íad

e S

iste

mas

Val

enci

a, A

.N

uev

as h

erra

mie

nta

sbio

info

rmát

icas

de

extr

acci

ón

de

info

rmac

ión a

par

tir

de

text

os.

Alm

a Bio

info

rmát

ica,

2002-

2006.

Des

arro

llo d

e un s

iste

ma

inte

gra

l de

anál

isis

de

dat

os

par

a gen

óm

ica

funci

onal

.In

tegra

ción c

on u

tilid

ades

.Rel

acio

nad

as P

RO

FIT 2

003.

Áre

a d

e n

eg

oci

o

Des

arro

llos

y se

rvic

ios.

Bio

alm

a

Ronda

de

Ponie

nte

4,

2º

C-D

Tres

Can

tos

- M

adrid

htt

p:/

/ww

w.b

ioal

ma.

com

Des

arro

llo d

e so

luci

ones

inte

gra

das

par

a ci

entífico

s,in

stituci

ones

y e

mpre

sas

den

tro d

e lo

s ca

mpos

de

laBio

tecn

olo

gía

y la

Bio

med

icin

a.Act

ivid

ad inve

stig

adora

en

los

cam

pos

de

Bio

info

rmár

tica

y G

enóm

ica

Bac

terian

a.

Exp

resi

ón d

eco

noci

mie

nto

.Aplic

acio

nes

web

.H

erra

mie

nta

s de

com

unic

ació

n o

n-l

ine.

Her

ram

ienta

s de

e-le

arnin

g y

e-c

onte

nt.

Def

inic

ión d

e st

andar

es X

ML

par

a re

pre

senta

ción d

enet

work

s que

incl

uya

n la

variab

le t

iem

po;

Net

work

s tr

ansc

ripci

onal

es e

npro

cariota

s. B

ases

de

dat

os

yher

ram

ienta

s de

anál

isis

de

regio

nes

ext

ragén

icas

.D

etec

ción d

e pat

rones

repet

itiv

os,

búsq

ued

a de

sitios

de

unió

n p

ara

regula

dore

s,an

ális

is d

e pal

indro

mía

en

DN

A.

Sal

ud h

um

ana.

San

idad

anim

al.

Bio

pro

ceso

s.Agricu

ltura

, gan

ader

ía y

pes

ca.

Des

arro

llos

y se

rvic

ios.

Era

7 I

nfo

rmat

ion T

echnolo

gie

s, S

.L.

BIC

.Gra

nad

a. C

EEI-

Parq

ue

Tec.

Cie

nci

as d

e la

Sal

ud.

Arm

illa

- G

ranad

a

htt

p:/

/ww

w.e

ra7.c

om

Ofr

ecer

ser

vici

os

de

consu

ltoría,

form

ació

n y

des

arro

llo e

n e

l ám

bito d

e la

ingen

iería

y la

info

rmát

ica

aplic

adas

a las

cie

nci

as d

e la

vida

y la

sal

ud.

Bio

tek.

tools

Bio

tek.

imag

ing

Bio

tek.

neu

roD

esar

rollo

de

soft

war

eAnál

isis

de

dat

os

Consu

ltoría

tecn

oló

gic

a

Bio

logía

de

Sis

tem

as.

Inte

gra

ción d

e dat

os.

Proce

sado d

e im

agen

.D

esar

rollo

s y

serv

icio

s.

Imag

ina

Bio

tek,

S.L

.

San

Nic

olá

s, 3

9Pa

mplo

na

- N

avar

ra

htt

p:/

/ww

w.im

agin

abio

tek.

com

/

http://www.bioalma.com

http://www.era7.com

http://www.imaginabiotek.com/

106


Ob

jeti

vo

Co

mp

añ

ía

Des

arro

llo d

e so

luci

ones

de

soft

war

e av

anza

das

par

a el

anál

isis

, ges

tión e

inte

rpre

taci

ón d

e dat

os

de

Gen

óm

ica

y Pr

ote

óm

ica.

Pro

du

cto

s y s

erv

icio

s

Arr

ayH

ub:

Mic

roar

rays

,G

enóm

ico L

IMS.

Arr

ayU

nlo

ck:

soft

war

e de

inte

rpre

taci

ón d

e dat

os.

Lith

eMin

er:

soft

war

e de

dat

amin

ing.

Applie

d B

iosy

stem

s1700:

solu

ción d

e an

ális

is d

edat

os.

R/L

MM

A:

solu

ción d

edat

os

par

a m

icro

arra

ys.

Pro

yect

os/

Lín

eas

de i

nvest

igaci

ón

en

Bio

log

íad

e S

iste

mas

Inve

stig

ació

n a

nal

ític

a en

gen

óm

ica

y pro

teóm

ica.

Inve

stig

ació

n e

n m

atem

átic

as(a

lgoritm

os)

.Solu

ciones

anal

ític

as e

npro

teóm

ica.

Áre

a d

e n

eg

oci

o

Sal

ud h

um

ana.

Des

arro

llos

y se

rvic

ios.

Inte

gro

mic

s, S

.L.

P. d

e la

Sal

ud -

BIC

Gra

nad

a -

Av.

de

la I

nnov

ació

n,1

Gra

nad

a

htt

p:/

/ww

w.inte

gro

mic

s.co

m

Aport

ar c

onoci

mie

nto

yse

rvic

ios

que

contr

ibuya

n a

mej

ora

r el

pro

ceso

de

des

arro

llo d

e m

edic

amen

tos,

pro

duct

os

farm

acéu

tico

s y

alim

ento

s fu

nci

onal

es.

Model

os

com

puta

cional

esin

vitro

.M

odel

os

com

puta

cional

esin

situ.

Model

os

com

puta

cional

esin

viv

o.

Otr

os.

Des

arro

llo d

e un m

odel

opre

dic

tivo

de

bio

dis

ponib

ilidad

de

sust

anci

as b

asad

o e

ncu

ltiv

os

celu

lare

s.M

EM

TRAM

S:

Tran

sport

adore

sde

mem

bra

na:

uso

de

model

os

in v

itro

par

a el

est

udio

de

sufu

nci

ón e

n fár

mac

os.

Sal

ud h

um

ana.

Des

arro

llos

y se

rvic

ios.

Inte

rval

ence

Bio

kinet

icks

, S.L

.Avd

a. B

enja

mín

Fra

nkl

in,

12

Pate

rna

- Val

enci

ahtt

p:/

/ww

w.inte

rval

ence

.com

Solu

ciones

soft

war

een

foca

das

a p

osi

bili

tar

elm

anej

o d

e la

gra

n c

antidad

de

info

rmac

ión g

ener

ada

enla

s in

vest

igac

iones

bio

tecn

oló

gic

as y

fac

ilita

r la

com

pre

nsi

ón d

el s

ignific

ado

bio

lógic

o d

e lo

s dat

os

obte

nid

os.

NO

RAYM

ET:

Soft

war

ebio

farm

acéu

tico

par

aes

tudio

s de

nuev

os

com

pues

tos.

NO

RAYG

EN

: Soft

war

epar

a in

vest

igac

iones

gen

óm

icas

.N

ORAYPR

OT:

Soft

war

epar

a in

vest

igac

iones

pro

teóm

icas

.N

ORAYTO

OLS

: N

ora

yBio

dis

eña

her

ram

ienta

sbio

info

rmát

icas

a m

edid

apar

a la

ges

tión d

epro

ceso

s bio

lógic

os.

DESARRO

LLO

S A

MED

IDA:

Des

arro

llo d

eso

ftw

are

espec

ializ

ado.

Des

arro

llo d

e so

ftw

are

par

abio

farm

acia

.D

esar

rollo

de

soft

war

e par

aneu

roci

enci

as.

Des

arro

llo d

e pla

tafo

rmas

bio

info

rmát

icas

par

afa

rmac

ogen

óm

ica.

Des

arro

llo d

e pla

tafo

rmas

bio

info

rmát

icas

par

am

etab

oló

mic

a.D

esar

rollo

de

pla

tafo

rmas

bio

info

rmát

icas

par

a bio

logía

de

sist

emas

.

Sal

ud h

um

ana.

Des

arro

llos

y se

rvic

ios.

Nora

y Bio

info

rmat

ics,

S.L

.Pa

rque

Tecn

oló

gic

o 8

01 A

Der

io -

Biz

kaia

htt

p:/

/ww

w.n

ora

ybio

.com

CO

MP

AÑ

ÍAS

ES

PA

ÑO

LA

S C

ON

PR

OY

EC

TO

S O

LÍN

EA

S D

E I

NV

ES

TIG

AC

IÓN

EN

BIO

LO

GÍA

DE S

ISTEM

AS

(co

nti

nu

aci

ón

)

http://www.integromics.com

http://www.intervalence.com

http://www.noraybio.com

107


Ob

jeti

vo

Co

mp

añ

ía

Des

arro

llo y

dis

eño d

epro

duct

os

bio

tecn

oló

gic

os

utiliz

ando n

uev

as t

écnic

as d

egen

óm

ica,

pro

teóm

ica

ybio

info

rmát

ica.

Pro

du

cto

s y s

erv

icio

s

Ory

mold

: in

tegra

ción d

edat

os

gen

óm

icos

ypro

teóm

icos.

Teth

ys:

Sis

tem

a de

alto

rendim

iento

par

a dis

eñar

un c

onju

nto

de

olig

onucl

eótidos

con e

lobje

tivo

de

const

ruir u

nch

ip d

e D

NA.

Anál

isis

de

expre

sión

gén

ica.

Chip

s bás

icos

de

expre

sión g

énic

a.Pr

ote

óm

ica.

Gen

otipad

o.Bio

info

rmát

ica.

Pro

yect

os/

Lín

eas

de i

nvest

igaci

ón

en

Bio

log

íad

e S

iste

mas

Dat

a m

inin

g.

Her

ram

ienta

s par

a el

anál

isis

de

la e

xpre

sión g

énic

a y

pro

teóm

ica.

Áre

a d

e n

eg

oci

o

Sal

ud h

um

ana.

Des

arro

llos

y se

rvic

ios.

Ory

zon g

enom

ics,

S.A

.

Parc

Cie

ntific

de

Bar

celo

na

Bar

celo

na

htt

p:/

/ww

w.o

ryzo

n.c

om

CO

MP

AÑ

ÍAS

ES

PA

ÑO

LA

S C

ON

PR

OY

EC

TO

S O

LÍN

EA

S D

E I

NV

ES

TIG

AC

IÓN

EN

BIO

LO

GÍA

DE S

ISTEM

AS

(co

nti

nu

aci

ón

)

Tabla

18.

Com

pañ

ías

españ

ola

s co

n p

roye

ctos

o lín

eas

de

Inve

stig

ació

n e

n B

iolo

gía

de

Sis

tem

as.

Fuen

te:

guía

de

empr

esas

en e

l se

ctor

Bio

tecn

ológ

ico

Esp

añol

. G

enom

a Esp

aña,

sep

tiem

bre

2006.

http://www.oryzon.com

108


Anexo X. Fichas técnicas correspondientes a grupos de investigación cuya actividad se desarrolla en el ámbito de la Biología de Sistemas

En el siguiente anexo se presentan una serie defichas técnicas realizadas gracias a la colaboraciónde grupos de investigación españoles a los queles fue enviado un cuestionario en el que se lessolicitaba información sobre los recursos con losque contaban y acerca de sus valoraciones sobrelos distintios retos a los que se enfrenta lainvestigación en Biología de Sistemas, así comode las perspectivas de desarrollo de las diferentesaplicaciones.

109


Técn

icas

dis

po

nib

les

po

r el

gru

po

de i

nvest

igaci

ón

Pro

yect

os

en

Bio

log

ía d

e S

iste

mas

Áre

as

de

inte

rés

Áre

as

de in

teré

s

Pers

pect

ivas

de l

as

ap

lica

cio

nes

de B

iolo

gía

de S

iste

mas

Pri

nci

pale

s R

eto

s y n

ece

sid

ad

es

de l

a B

iolo

gía

de S

iste

mas

Técn

icas

exp

erim

enta

les:

1. A

nális

is d

e la

sec

uenc

ia g

énic

a: S

ecue

ncia

ción

de A

DN

; Id

entif

icac

ión

de d

elec

cion

esge

nétic

as;

Otr

os.

2. A

nális

is d

e la

sec

uenc

ia g

énic

a:M

icro

arra

ys d

e AD

N.

Técn

icas

com

puta

cion

ales

:•

Bioi

nfor

mát

ica.

• Si

mul

acio

nes.

• M

odel

os m

atem

átic

os.

Des

arro

llo d

e na

nose

nsor

es y

dis

posi

tivos

mic

roflu

ídic

ospa

ra la

med

ida

sim

ultá

nea

de m

últip

les

pará

met

ros.

Des

arro

llo d

e di

spos

itivo

s qu

e pe

rmita

n re

aliz

ar m

edid

asde

pro

ceso

s bi

ológ

icos

a t

iem

po r

eal.

Form

ulac

ión

de m

odel

os m

atem

átic

os m

ás r

obus

tos.

Des

arro

llo d

e he

rram

ient

as d

e so

ftw

are

más

pot

ente

s.

Des

arro

llo d

e he

rram

ient

as d

e ha

rdw

are

más

pot

ente

s.Es

tand

ariz

ació

n de

pro

cedi

mie

ntos

y m

etod

olog

ías.

Crea

ción

de

rede

s y

cons

orci

os d

e co

labo

raci

ón.

Prog

ram

as d

e es

peci

aliz

ació

n en

Bio

logí

a de

Sis

tem

as.

Form

ació

n de

gru

pos

de in

vest

igac

ión

mul

tidis

cipl

inar

es.

Fina

ncia

ción

de

proy

ecto

s m

ultid

isci

plin

ares

.

Des

arro

llo d

e na

nose

nsor

es y

dis

posi

tivos

mic

roflu

ídic

ospa

ra la

med

ida

sim

ultá

nea

de m

últip

les

pará

met

ros.

Des

arro

llo d

e di

spos

itivo

s qu

e pe

rmita

n re

aliz

ar m

edid

asde

pro

ceso

s bi

ológ

icos

a t

iem

po r

eal.

Form

ulac

ión

de m

odel

os m

atem

átic

os m

ás r

obus

tos.

Des

arro

llo d

e he

rram

ient

as d

e so

ftw

are

más

pot

ente

s.D

esar

rollo

de

herr

amie

ntas

de

hard

war

e m

ás p

oten

tes.

Esta

ndar

izac

ión

de p

roce

dim

ient

os y

met

odol

ogía

s.

Crea

ción

de

rede

s y

cons

orci

os d

e co

labo

raci

ón.

Prog

ram

as d

e es

peci

aliz

ació

n en

Bio

logí

a de

Sis

tem

as.

Crea

ción

y c

onso

lidac

ión

de g

rupo

s de

exc

elen

cia.

Form

ació

n de

gru

pos

de in

vest

igac

ión

mul

tidis

cipl

inar

es.

Fina

ncia

ción

de

proy

ecto

s m

ultid

isci

plin

ares

.Fi

nanc

iaci

ón d

e pr

oyec

tos

mix

tos

OPI

S-em

pres

a.Fa

lta d

e de

finic

ión

clar

a de

lo q

ue s

igni

fica

la B

iolo

gía

deSi

stem

asTo

ma

de d

ecis

ione

s en

pol

ítica

cie

ntífi

ca p

or p

arte

de

grup

os r

educ

idos

.

Técn

icas

exp

erim

enta

les:

1. A

nális

is d

e la

exp

resi

ón g

énic

a.•

Mic

roar

rays

de

ADN

.2.

Anál

isis

de

las

inte

racc

ione

s en

tre

prot

eína

s.3.

Anál

isis

de

la lo

caliz

ació

n su

bcel

ular

pro

teic

a:•

Mar

caje

med

iant

e ge

nes

traz

ador

es o

ant

icue

rpos

.

Técn

icas

com

puta

cion

ales

:•

Bioi

nfor

mát

ica.

• Si

mul

acio

nes.

• M

odel

os m

atem

átic

os.

• Re

des

neur

onal

es.

• Ac

ción

Com

plem

enta

ria R

ed E

spañ

ola

de B

iolo

gía

Mol

ecul

ar d

e Si

stem

as (

BFU2

005-

2499

5-E/

BFU)

.•

Evol

ució

n ex

perim

enta

l de

viru

s de

pla

ntas

: m

utac

ione

s de

leté

ras,

mec

anis

mos

de

robu

stez

genó

mic

a y

evol

ució

n de

la in

tera

cció

n co

n lo

s m

ecan

ism

os d

e de

fens

a de

la p

lant

a(B

FU20

06-1

4819

-C02

-01/

BMC)

.

Biom

edic

ina:

• Vi

rolo

gía.

Biom

edic

ina:

• Id

entif

icac

ión

y va

lidac

ión

de d

iana

s te

rapé

utic

as.

• Se

lecc

ión

y op

timiz

ació

n de

com

pues

tos

de in

teré

s fa

rmac

ológ

ico.

• Re

cono

cim

ient

o de

efe

ctos

sec

unda

rios

de fá

rmac

os.

Cort

o pl

azo

(5 a

ños)

:•

Cons

truc

ción

de

mod

elos

pred

ictiv

os q

uere

pres

ente

n la

res

pues

tain

mun

e en

hum

anos

.

Med

io p

lazo

(10

año

s):

• Id

entif

icac

ión

y va

lidac

ión

de d

iana

s te

rapé

utic

as.

• Se

lecc

ión

y op

timiz

ació

n de

com

pues

tos

de in

teré

sfa

rmac

ológ

ico.

• Id

entif

icac

ión

de m

arca

dore

s m

olec

ular

es-

mon

itoriz

ació

n de

la e

ficac

ia d

e nu

evas

mol

écul

as.

• Re

cono

cim

ient

o de

efe

ctos

sec

unda

rios

de fá

rmac

os.

• In

dust

ria a

limen

taria

.•

Pien

sos

anim

ales

.•

Med

io a

mbi

ente

.•

Prod

ucci

ón d

e bi

oene

rgía

.

Larg

o pl

azo

(15

años

):•

Med

icin

a pe

rson

aliz

ada.

Cort

o pl

azo

(5 a

ños)

:•

Iden

tific

ació

n y

valid

ació

nde

dia

nas

tera

péut

icas

.•

Reco

noci

mie

nto

de e

fect

osse

cund

ario

s de

fárm

acos

.

Med

io p

lazo

(10

año

s):

• M

edic

ina

pers

onal

izad

a.•

Sele

cció

n y

optim

izac

ión

de c

ompu

esto

sde

inte

rés

farm

acol

ógic

o.•

Iden

tific

ació

n de

mar

cado

res

mol

ecul

ares

-m

onito

rizac

ión

de la

efic

acia

de

nuev

asm

oléc

ulas

.•

Indu

stria

alim

enta

ria.

• Pi

enso

s an

imal

es.

• M

edio

am

bien

te.

• Pr

oduc

ción

de

bioe

nerg

ía.

Larg

o pl

azo

(15

años

):•

Cons

truc

ción

de

mod

elos

pred

ictiv

os q

ue r

epre

sent

en la

resp

uest

a in

mun

e en

hum

anos

.

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

1N

om

bre

de la in

stit

uci

ón

: In

stituto

de

Bio

logía

Mole

cula

r y

Cel

ula

r de

Plan

tas

- CSIC

Invest

igad

or:

Dr. S

antiag

o F

. Ele

na

Fito

Perf

il d

el

gru

po

de i

nvest

igaci

ón

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

2N

om

bre

de l

a in

stit

uci

ón

: Cen

tro N

acio

nal

de

Bio

tecn

olo

gía

- C

SIC

.D

epar

tam

ento

de

Bio

tecn

olog

ía M

icro

bia

na,

gru

po

de

Est

rés

y ev

oluci

ón a

dap

tativa

en b

acte

rias

Invest

igad

or:

Dr. J

esús

Blá

zquez

Pers

onal

:•

3 D

octo

res.

• 3

Beca

rios.

• 1

Técn

ico.

• 1

FPII

.

Form

ació

n:•

Biol

ogía

.•

Inge

nier

ía.

Área

s de

exp

erie

ncia

:•

Anál

isis

de

la e

xpre

sión

gén

ica.

• An

ális

is d

e la

sec

uenc

ia g

enét

ica.

• M

odel

os m

atem

átic

os.

Pers

onal

:•

4 D

octo

res.

Form

ació

n:•

Biol

ogía

.•

Físi

ca.

Área

s de

exp

erie

ncia

:•

Anál

isis

de

la e

xpre

sión

gén

ica.

• Re

des

neur

onal

es.

• M

odel

os m

atem

átic

os.

• Si

mul

acio

nes.

• Si

mul

acio

nes.

• Bi

oinf

orm

átic

a.•

Vida

art

ifici

al.

110


Técn

icas

dis

po

nib

les

po

r el

gru

po

de i

nvest

igaci

ón

Pro

yect

os

en

Bio

log

íad

e S

iste

mas

Áre

as

de i

nte

rés

Pro

yect

os

en

Bio

log

íad

e S

iste

mas

Áre

as

de in

teré

sA

plica

cio

nes

futu

ras

Pers

pect

ivas

de l

as

ap

lica

cio

nes

de B

iolo

gía

de S

iste

mas

Pri

nci

pale

s R

eto

s y n

ece

sid

ad

es

de l

a B

iolo

gía

de S

iste

mas

Técn

icas

com

puta

cion

ales

:•

Sim

ulac

ione

s.•

Mod

elos

mat

emát

icos

.

• Fo

rmul

ació

n de

mod

elos

mat

emát

icos

más

rob

usto

s.•

Des

arro

llo d

e he

rram

ient

as d

e so

ftw

are

más

pot

ente

s.•

Esta

ndar

izac

ión

de p

roce

dim

ient

os y

met

odol

ogía

s.•

Prog

ram

as e

duca

tivos

de

espe

cial

izac

ión

en B

iolo

gía

de S

iste

mas

.•

Crea

ción

y c

onso

lidac

ión

de g

rupo

s de

exc

elen

cia.

• Fi

nanc

iaci

ón d

e pr

oyec

tos

mul

tidis

cipl

inar

es.

Técn

icas

exp

erim

enta

les:

1. A

nális

is d

e la

exp

resi

ón g

énic

a•

Mic

roar

rays

de

ADN

.

Cort

o pl

azo

(5 a

ños)

Med

io p

lazo

(10

año

s):

• Id

entif

icac

ión

y va

lidac

ión

dedi

anas

ter

apéu

ticas

.•

Cons

truc

ción

de

mod

elos

pred

ictiv

os q

ue r

epre

sent

en la

resp

uest

a in

mun

e en

hum

anos

.•

Indu

stria

alim

enta

ria.

• Pi

enso

s an

imal

es.

• M

edio

am

bien

te.

• Pr

oduc

ción

de

bioe

nerg

ía.

Larg

o pl

azo

(15

años

):•

Iden

tific

ació

n y

valid

ació

n de

dia

nas

tera

péut

icas

.•

Med

icin

a pe

rson

aliz

ada.

• Se

lecc

ión

y op

timiz

ació

n de

com

pues

tos

dein

teré

s fa

rmac

ológ

ico.

• Re

cono

cim

ient

o de

efe

ctos

sec

unda

rios

defá

rmac

os.

• Id

entif

icac

ión

de m

arca

dore

s m

olec

ular

es-

mon

itoriz

ació

n de

la e

ficac

ia d

e nu

evas

mol

écul

as.

• Co

nstr

ucci

ón d

e m

odel

os p

redi

ctiv

os q

uere

pres

ente

n la

res

pues

ta in

mun

e en

hum

anos

.

Cort

o pl

azo

(5 a

ños)

:•

Iden

tific

ació

n y

valid

ació

n de

dia

nas

tera

péut

icas

.•

Sele

cció

n y

optim

izac

ión

de c

ompu

esto

s de

inte

rés

farm

acol

ógic

o.•

Reco

noci

mie

nto

de e

fect

os s

ecun

dario

s de

fárm

acos

.•

Iden

tific

ació

n de

mar

cado

res

mol

ecul

ares

-mon

itoriz

ació

nde

la e

ficac

ia d

e nu

evas

mol

écul

as.

• Co

nstr

ucci

ón d

e m

odel

os p

redi

ctiv

os q

ue r

epre

sent

en la

resp

uest

a in

mun

e en

hum

anos

.•

Med

io a

mbi

ente

.

Med

io p

lazo

(10

año

s):

• In

dust

ria a

limen

taria

.•

Pien

sos

anim

ales

.•

Prod

ucci

ón d

ebi

oene

rgía

.

Larg

o pl

azo

(15

años

):•

Med

icin

ape

rson

aliz

ada.

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

3N

om

bre

de la in

stit

uci

ón

: In

stituto

de

Inve

stig

acio

nes

Mar

inas

de

Vig

o -

CSIC

.G

rupo d

e In

gen

iería

de

Proce

sos

Invest

igad

or:

Dr. J

ulio

Rodríguez

Ban

ga

Perf

il d

el

gru

po

de i

nvest

igaci

ón

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

4N

om

bre

de la in

stit

uci

ón

: U

niv

ersi

tat

de

Llei

da.

Dep

arta

men

t de

Ciè

nci

es M

èdiq

ues

Bàs

iques

. Bio

esta

dís

tica

i B

iom

atem

àtic

a. I

RBLL

EID

AIn

vest

igad

or:

Dr. A

lber

t Sorr

ibas

Pers

onal

:•

3 D

octo

res.

• 8

Beca

rios.

Form

ació

n:•

Quí

mic

a.•

Físi

ca.

• In

geni

ería

.

Área

s de

exp

erie

ncia

:•

Mod

elos

mat

emát

icos

.•

Sim

ulac

ione

s.

Pers

onal

:•

2 D

octo

res.

• 1

Beca

rio.

Form

ació

n:•

Biol

ogía

.•

Bioq

uím

ica.

Área

s de

exp

erie

ncia

:•

Mod

elos

mat

emát

icos

.•

Sim

ulac

ione

s.•

Bioi

nfor

mát

ica.

• D

esar

rollo

de

disp

ositi

vos

que

perm

itan

real

izar

med

idas

de

proc

esos

bio

lógi

cos

a tie

mpo

rea

l.•

Form

ulac

ión

de m

odel

os m

atem

átic

os m

ás r

obus

tos.

• D

esar

rollo

de

herr

amie

ntas

de

soft

war

e m

ás p

oten

tes.

• Cr

eaci

ón d

e re

des

y co

nsor

cios

de

cola

bora

ción

.•

Prog

ram

as e

duca

tivos

de

espe

cial

izac

ión

en B

iolo

gía

de S

iste

mas

.•

Fina

ncia

ción

de

proy

ecto

s m

ultid

isci

plin

ares

.Técn

icas

com

puta

cion

ales

:•

Bioi

nfor

mát

ica.

• Si

mul

acio

nes.

• M

odel

os m

atem

átic

os.

• Re

des

neur

onal

es.

• D

ata-

min

ing.

• CO

SBIC

S (“

Com

puta

tiona

l Sys

tem

s Bi

olog

y of

Cel

lSi

gnal

ling”

) U

E ST

REP

FP6-

5120

60.

• Ba

SysB

io (

“Tow

ards

an

unde

rsta

ndin

g of

dyn

amic

tran

scrip

tiona

l reg

ulat

ion

at g

loba

l sca

le in

bact

eria

: a

syst

ems

biol

ogy

appr

oach

”)

UE

IP F

P6-0

3746

9.•

SysM

O-I

ON

(“I

on a

nd s

olut

e ho

meo

stas

is in

ente

ric b

acte

ria:

an in

tegr

ated

vie

w g

ener

ated

from

the

inte

rfac

e of

mod

ellin

g an

d bi

olog

ical

expe

rimen

tatio

n”).

Inge

nier

ía M

etab

ólic

a:•

Prod

ucci

ón d

e m

etab

olito

s.•

Indu

stria

alim

enta

ria.

Biom

edic

ina:

• Id

entif

icac

ión

y va

lidac

ión

de d

iana

s te

rapé

utic

as.

• In

vest

igac

ión

de p

rinci

pios

oper

acio

nale

s en

bio

logí

a de

sist

emas

: ca

ract

eriz

ació

n en

el

caso

de

la r

espu

esta

de

S. c

erev

isia

ea

estr

és t

érm

ico

BFU

2005

-002

34/B

MC.

Inge

nier

ía M

etab

ólic

a:•

Opt

imiz

ació

n de

proc

esos

.

Biom

edic

ina.

• Id

entif

icac

ión

de r

edes

met

aból

icas

.•

Des

arro

llo d

e m

étod

os p

ara

el m

odel

ado

de s

iste

mas

.•

Inte

grac

ión

de m

étod

os b

ioin

form

átic

os.

• Ca

ract

eriz

ació

n de

la r

espu

esta

a e

stré

sen

leva

dura

. •

Mod

elos

mat

emát

icos

de

pato

logí

asce

lula

res.

111


Pro

yect

os

en

Bio

log

ía d

e S

iste

mas

Técn

icas

dis

po

nib

les

po

r el g

rup

od

e in

vest

igaci

ón

Áre

as

de in

teré

sA

pli

caci

on

es

futu

ras

Ap

lica

cio

nes

futu

ras

Áre

as

de in

teré

sTécn

icas

dis

po

nib

les

po

r el g

rup

od

e in

vest

igaci

ón

Pers

pect

ivas

de l

as

ap

lica

cio

nes

de B

iolo

gía

de S

iste

mas

Pri

nci

pale

s R

eto

s y n

ece

sid

ad

es

de l

a B

iolo

gía

de S

iste

mas

• CO

NSO

LID

ER-I

NG

ENIO

200

7-20

10.

Trat

amie

nto

y re

utili

zaci

ón d

e ag

uas

resi

dual

es p

ara

una

gest

ión

sost

enib

le(T

RAG

UA)

.

Form

ulac

ión

de m

odel

os m

atem

átic

os m

ás r

obus

tos.

Esta

ndar

izac

ión

de p

roce

dim

ient

os y

met

odol

ogía

s.Cr

eaci

ón d

e re

des

y co

nsor

cios

de

cola

bora

ción

.Pr

ogra

mas

de

espe

cial

izac

ión

en B

iolo

gía

de S

iste

mas

.Fo

rmac

ión

de g

rupo

s de

inve

stig

ació

n m

ultid

isci

plin

ares

.Fi

nanc

iaci

ón d

e pr

oyec

tos

mul

tidis

cipl

inar

es.

Fina

ncia

ción

de

proy

ecto

s m

ixto

s O

PIS-

empr

esa.

En e

l cam

po d

e la

mod

eliz

ació

n de

l com

port

amie

nto

celu

lar

o de

pob

laci

ones

cel

ular

es la

mas

a cr

ítica

de

inve

stig

ació

n es

men

or,

lo q

ue li

mita

el d

esar

rollo

de

nuev

as t

ecno

logí

as.

• Q

osCo

sGrid

(IS

T-50

3388

3-ST

P):

Qua

si-O

ppor

tuni

stic

Sup

erco

mpu

t-in

g fo

r Co

mpl

ex S

yste

ms

in G

rid E

nviro

nmen

ts.

STRE

P, U

E.•

BioB

ridge

(LS

H-2

005-

1.1.

0-3)

: In

tegr

ativ

e G

enom

ics

and

Chro

nic

Dis

-eas

e Ph

enot

ypes

: m

odel

ling

and

sim

ulat

ion

tool

s fo

r cl

inic

ians

. ST

REP

proj

ect

UE.

• Pr

edic

tion

of P

rote

in I

nter

actio

ns in

Hum

an C

ells

.•

Inte

grat

ion

of m

ultis

cale

com

puta

tiona

l met

hods

for

the

stud

y of

con

form

atio

nal c

hang

es u

pon

form

atio

n of

pro

tein

com

plex

es:

deve

lopm

ent

and

appl

icat

ion

to p

rote

in a

ctiv

ated

pho

spha

te h

ydro

lysi

s en

zym

es.

• A

new

met

hod

for

sim

ulat

ion

of R

NA

fold

ing:

tow

ards

und

erst

andi

ng o

f RN

A se

quen

ce-s

truc

ture

-fun

ctio

n re

latio

nshi

ps.

Cort

o pl

azo

(5 a

ños)

:•

Indu

stria

alim

enta

ria.

• M

edio

am

bien

te.

• Pr

oduc

ción

de

bioe

nerg

ía.

Med

io p

lazo

(10

año

s)La

rgo

plaz

o(1

5 añ

os)

Cort

o pl

azo

(5 a

ños)

:•

Iden

tific

ació

n y

valid

ació

n de

dia

nas

tera

péut

icas

.•

Cons

truc

ción

de

mod

elos

pre

dict

ivos

que

repr

esen

ten

la r

espu

esta

inm

une

en h

uman

os.

• In

dust

ria a

limen

taria

.•

Pien

sos

anim

ales

.

Med

io p

lazo

(10

años

):•

Sele

cció

n y

optim

izac

ión

deco

mpu

esto

s de

inte

rés

farm

acol

ógic

o.•

Iden

tific

ació

n de

mar

cado

res

mol

ecul

ares

-mon

itoriz

ació

n de

laef

icac

ia d

e nu

evas

mol

écul

as.

• M

edio

am

bien

te.

• Pr

oduc

ción

de

bioe

nerg

ía.

• Re

cono

cim

ient

o de

efe

ctos

secu

ndar

ios

de fá

rmac

os.

Larg

o pl

azo

(15

años

):•

Med

icin

ape

rson

aliz

ada.

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

5N

om

bre

de la in

stit

uci

ón

: U

niv

ersi

dad

Com

plu

tense

. Fa

cultad

de

Bio

logía

,D

pto

. de

Mic

robio

logía

. G

rupo d

e M

icro

bio

logía

Indust

rial

Invest

igad

or:

Dr. J

osé

Mar

tínez

Pei

nad

o

Perf

il d

el

gru

po

de i

nvest

igaci

ón

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

6N

om

bre

de la in

stit

uci

ón

: U

niv

ersi

tat

Pom

peu

Fab

raIn

vest

igad

or:

Dr. J

ord

i Vill

à i Fr

eixa

Pers

onal

:•

3 D

octo

res.

• 1

Beca

rio.

Form

ació

n:•

Biol

ogía

.Ár

eas

de e

xper

ienc

ia:

• M

odel

os m

atem

átic

os.

Pers

onal

:•

2 D

octo

res.

• 2

Beca

rios.

Form

ació

n:•

Biol

ogía

.•

Físi

ca.

• Q

uím

ica.

• In

form

átic

a.•

Inge

nier

ía.

Área

s de

exp

erie

ncia

: •

Bioi

nfor

mát

ica.

• M

odel

os m

atem

átic

os.

• Si

mul

acio

nes.

Des

arro

llo d

e na

nose

nsor

es y

dis

posi

tivos

mic

roflu

ídic

ospa

ra la

med

ida

sim

ultá

nea

de m

últip

les

pará

met

ros.

Des

arro

llo d

e di

spos

itivo

s qu

e pe

rmita

n re

aliz

ar m

edid

asde

pro

ceso

s bi

ológ

icos

a t

iem

po r

eal.

Form

ulac

ión

de m

odel

os m

atem

átic

os m

ás r

obus

tos.

Des

arro

llo d

e he

rram

ient

as d

e so

ftw

are

más

pot

ente

s.

Esta

ndar

izac

ión

de p

roce

dim

ient

os y

met

odol

ogía

s.Cr

eaci

ón d

e re

des

y co

nsor

cios

de

cola

bora

ción

.Pr

ogra

mas

de

espe

cial

izac

ión

en B

iolo

gía

de S

iste

mas

.Fi

nanc

iaci

ón d

e pr

oyec

tos

mix

tos

OPI

S-em

pres

a.

Técn

icas

com

puta

cion

ales

:•

Mod

elos

mat

emát

icos

.In

geni

ería

Met

aból

ica:

• M

edio

am

bien

te.

• Pr

oduc

ción

de

bioe

nerg

ía.

• In

dust

ria a

limen

taria

.•

Mod

elos

mat

emát

icos

que

desc

riben

el c

ompo

rtam

ient

o de

pobl

acio

nes

mic

robi

anas

.

• M

icro

biol

ogía

pre

dict

iva.

• An

ális

is c

uant

itativ

o de

rie

sgos

mic

robi

ológ

icos

en

alim

ento

s y

agua

s.

Des

arro

llo d

e he

rram

ient

as p

ara

lain

tegr

ació

n ef

ectiv

a de

dat

os m

olec

ular

es(ó

mic

os)

y da

tos

clín

icos

med

iant

e un

mot

or d

e si

mul

ació

n (p

roye

cto

BioB

ridge

).D

esar

rollo

de

herr

amie

ntas

par

a el

dis

eño

óptim

o de

exp

erim

ento

s en

bio

logí

a de

sist

emas

.

Biom

edic

ina:

• Id

entif

icac

ión

y va

lidac

ión

dedi

anas

ter

apéu

ticas

.•

Iden

tific

ació

n de

mar

cado

res

mol

ecul

ares

-mon

itoriz

ació

nde

la e

ficac

ia d

e nu

evas

mol

écul

as.

Técn

icas

com

puta

cion

ales

:•

Bioi

nfor

mát

ica.

• Si

mul

acio

nes.

• M

odel

os m

atem

átic

os.

112


Técn

icas

dis

po

nib

les

po

r el

gru

po

de i

nvest

igaci

ón

Pro

yect

os

en

Bio

log

íad

e S

iste

mas

Áre

as

de in

teré

sA

pli

caci

on

es

futu

ras

Pro

yect

os

en

Bio

log

ía d

e S

iste

mas

Pers

pect

ivas

de l

as

ap

lica

cio

nes

de B

iolo

gía

de S

iste

mas

Pri

nci

pale

s R

eto

s y n

ece

sid

ad

es

de l

a B

iolo

gía

de S

iste

mas

Técn

icas

com

puta

cion

ales

:•

Sim

ulac

ione

s.Té

cnic

as e

xper

imen

tale

s:

Anál

isis

de

lase

cuen

cia

gené

tica:

• Se

cuen

ciac

ión

deAD

N.

Anál

isis

de

laex

pres

ión

Gén

ica:

• M

icro

arra

ys d

eAD

N.

• Re

al-t

ime

PCR.

• Re

port

ers

tras

crip

cion

ales

.

Anál

isis

de

lalo

caliz

ació

nsu

bcel

ular

pro

teic

a:•

Mar

caje

med

iant

ege

nes

traz

ador

eso

antic

uerp

os.

Met

abol

ómic

a.An

ális

is d

ein

tera

ccio

nes

prot

eína

-pro

teín

a:pu

rific

ació

n po

raf

inid

ad.

Técn

icas

com

puta

cion

ales

:•

Bioi

nfor

mát

ica.

• D

ata

min

ing.

Técn

icas

exp

erim

enta

les:

Anál

isis

de

lase

cuen

cia

gené

tica:

• Kn

ocko

uts

por

dele

ción

del

gen

.

Anál

isis

de

laex

pres

ión

géni

ca:

• M

icro

arra

ys d

eAD

N.

• M

arca

je d

e AD

N.

Anál

isis

de

inte

racc

ione

s AD

N-

prot

eína

s:•

Inm

unop

reci

pita

ción

de p

rote

ínas

.•

Bioc

hips

.

Anál

isis

de

inte

racc

ione

spr

oteí

na-p

rote

ína:

• Si

stem

as d

edo

ble

híbr

ido.

• Pu

rific

ació

n po

raf

inid

ad.

• Pr

oteó

mic

acu

antit

ativ

a.

Des

arro

llo d

e na

nose

nsor

es y

dis

posi

tivos

mic

roflu

ídic

ospa

ra la

med

ida

sim

ultá

nea

de m

últip

les

pará

met

ros.

Des

arro

llo d

e di

spos

itivo

s qu

e pe

rmita

n re

aliz

ar m

edid

asde

pro

ceso

s bi

ológ

icos

a t

iem

po r

eal.

Form

ulac

ión

de m

odel

os m

atem

átic

os m

ás r

obus

tos

Des

arro

llo d

e he

rram

ient

as d

e so

ftw

are

más

pot

ente

s.

Prog

ram

as d

e es

peci

aliz

ació

n en

Bio

logí

a de

Sis

tem

as.

Crea

ción

y c

onso

lidac

ión

de g

rupo

s de

exc

elen

cia.

Form

ació

n de

gru

pos

de in

vest

igac

ión

mul

tidis

cipl

inar

es.

Fina

ncia

ción

de

proy

ecto

s m

ultid

isci

plin

ares

.Fi

nanc

iaci

ón d

e pr

oyec

tos

mix

tos

OPI

S-em

pres

a.Es

tand

ariz

ació

n de

pro

cedi

mie

ntos

y m

etod

olog

ías.

Crea

ción

de

rede

s y

cons

orci

os d

e co

labo

raci

ón.

Cort

o pl

azo

(5 a

ños)

Med

io p

lazo

(10

año

s):

• Id

entif

icac

ión

y va

lidac

ión

de d

iana

s te

rapé

utic

as.

• Id

entif

icac

ión

de m

arca

dore

s m

olec

ular

es-

mon

itoriz

ació

n de

la e

ficac

ia d

e nu

evas

mol

écul

as.

• Co

nstr

ucci

ón d

e m

odel

os p

redi

ctiv

os q

uere

pres

ente

n la

res

pues

ta in

mun

e en

hum

anos

.•

Pien

sos

anim

ales

.•

Med

io a

mbi

ente

.•

Prod

ucci

ón d

e bi

oene

rgía

.

Larg

o pl

azo

(15

años

):•

Med

icin

a pe

rson

aliz

ada.

• Se

lecc

ión

y op

timiz

ació

n de

com

pues

tos

de in

teré

sfa

rmac

ológ

ico.

• Re

cono

cim

ient

o de

efe

ctos

secu

ndar

ios

de fá

rmac

os.

• In

dust

ria a

limen

taria

.

Cort

o pl

azo

(5 a

ños)

:•

Iden

tific

ació

n y

valid

ació

n de

dia

nas

tera

péut

icas

.•

Sele

cció

n y

optim

izac

ión

de c

ompu

esto

s de

inte

rés

farm

acol

ógic

o.•

Reco

noci

mie

nto

de e

fect

os s

ecun

dario

s de

fárm

acos

.•

Iden

tific

ació

n de

mar

cado

res

mol

ecul

ares

-m

onito

rizac

ión

de la

efic

acia

de

nuev

asm

oléc

ulas

.

Med

io p

lazo

(10

años

):•

Cons

truc

ción

de

mod

elos

pred

ictiv

os q

ue r

epre

sent

en la

resp

uest

a in

mun

e en

hum

anos

.•

Indu

stria

alim

enta

ria.

• Pi

enso

s an

imal

es.

• M

edio

am

bien

te.

Larg

o pl

azo

(15

años

):•

Med

icin

ape

rson

aliz

ada.

• Pr

oduc

ción

de

bioe

nerg

ía.

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

7N

om

bre

de la in

stit

uci

ón

: U

niv

ersi

dad

Autó

nom

a de

Bar

celo

na

Gru

po d

e Te

cnolo

gía

Bio

quím

ica.

Dpto

. Bio

quím

ica

y B.M

. In

vest

igad

or:

Dr. J

oaq

uín

Ariño

Perf

il d

el

gru

po

de i

nvest

igaci

ón

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

8N

om

bre

de la in

stit

uci

ón

: U

niv

ersi

tat

de

Val

ènci

aIn

vest

igad

or:

Dr. J

osé

E.

Pére

z O

rtín

Pers

onal

:•

2 D

octo

res.

• 2

Beca

rios.

Form

ació

n:•

Biol

ogía

.Ár

eas

de e

xper

ienc

ia:

• An

ális

is d

e la

exp

resi

ón g

énic

a.•

Anál

isis

de

la s

ecue

ncia

gen

étic

a.

Pers

onal

:•

2 D

octo

res.

• 3

Beca

rios.

• 1

Técn

ico.

Form

ació

n:•

Biol

ogía

.•

Quí

mic

a.

Área

s de

exp

erie

ncia

:•

Anál

isis

de

inte

racc

ione

s AD

N-p

rote

ínas

.•

Anál

isis

de

la e

xpre

sión

gén

ica.

• D

ata-

min

ing.

• Bi

oinf

orm

átic

a.

Form

ulac

ión

de m

odel

os m

atem

átic

os m

ás r

obus

tos.

Des

arro

llo d

e he

rram

ient

as d

e so

ftw

are

más

pot

ente

s.Es

tand

ariz

ació

n de

pro

cedi

mie

ntos

y m

etod

olog

ías.

Prog

ram

as d

e es

peci

aliz

ació

n en

Bio

logí

a de

Sis

tem

a.Fo

rmac

ión

de g

rupo

s de

inve

stig

ació

n m

ultid

isci

plin

ares

.Fi

nanc

iaci

ón d

e pr

oyec

tos

mul

tidis

cipl

inar

es.

• G

ene

inte

ract

ion

netw

orks

and

mod

els

of c

atio

nho

meo

stas

is in

Sacc

haro

myc

esce

revi

siae

(ERA

-NET

Sys

MO

).

Inge

nier

ía M

etab

ólic

a:•

Prod

ucci

ón d

e m

etab

olito

s.Bi

omed

icin

a:•

Iden

tific

ació

n y

valid

ació

n de

dia

nas

tera

péut

icas

.

Com

pren

sión

de

los

mec

anis

mos

de

resp

uest

a a

estr

és e

n le

vadu

ras.

Apro

xim

acio

nes

Gen

ómic

as a

l est

udio

de

la t

rans

crip

ción

en

leva

dura

. D

GI

(BFU

2006

-154

46-C

03-0

2/BM

C).

113


Pro

yect

os

en

Bio

log

ía d

e S

iste

mas

Técn

icas

dis

po

nib

les

po

rel g

rup

o d

e in

vest

igaci

ón

Áre

as

de i

nte

rés

Técn

icas

dis

po

nib

les

po

r el g

rup

od

e i

nvest

igaci

ón

Ap

lica

cio

nes

futu

ras

Pers

pect

ivas

de l

as

ap

lica

cio

nes

de B

iolo

gía

de S

iste

mas

Pri

nci

pale

s R

eto

s y n

ece

sid

ad

es

de l

a B

iolo

gía

de S

iste

mas

• D

esar

rollo

de

herr

amie

ntas

de

optim

izac

ión

(mon

o y

mul

tiobj

etiv

o) p

ara

el d

iseñ

o de

est

rate

gias

in s

ilico

de m

ejor

ade

bio

tran

sfor

mac

ione

s. A

plic

ació

n a

la p

rodu

cció

n de

l(-)

-car

nitin

a po

r E.

col

i. Fi

nanc

iado

por

: M

inis

terio

de

Educ

ació

n y

Cien

cia.

Ent

idad

es p

artic

ipan

tes:

Uni

vers

idad

de

La L

agun

a. P

erío

do d

e vi

genc

ia,

desd

e 1-

1- 2

006

hast

a31

-12-

2008

.

• Pr

inci

pios

de

dise

ño d

e la

s re

des

gené

ticas

.•

Prop

ieda

des

com

puta

cion

ales

de

los

osci

lado

res

celu

lare

s.•

Arqu

itect

ura

mod

ular

de

la t

oma

de d

ecis

ione

s en

cél

ulas

.•

Estr

uctu

ra y

evo

luci

ón d

e ge

nom

as e

ucar

iote

s.•

Din

ámic

a de

cél

ulas

mad

re.

Des

arro

llo d

e di

spos

itivo

s qu

e pe

rmita

n re

aliz

ar m

edid

asde

pro

ceso

s bi

ológ

icos

a t

iem

po r

eal.

Form

ulac

ión

de m

odel

os m

atem

átic

os m

ás r

obus

tos.

Des

arro

llo d

e he

rram

ient

as d

e so

ftw

are

más

pot

ente

s.Fo

rmac

ión

de g

rupo

s de

inve

stig

ació

n m

ultid

isci

plin

ares

.

Esta

ndar

izac

ión

de p

roce

dim

ient

os y

met

odol

ogía

s.Cr

eaci

ón d

e re

des

y co

nsor

cios

de

cola

bora

ción

.Pr

ogra

mas

de

espe

cial

izac

ión

en B

iolo

gía

de S

iste

mas

.Fi

nanc

iaci

ón d

e pr

oyec

tos

mul

tidis

cipl

inar

es.

Des

arro

llo d

e di

spos

itivo

s qu

e pe

rmita

n re

aliz

ar m

edid

asde

pro

ceso

s bi

ológ

icos

a t

iem

po r

eal.

Form

ulac

ión

de m

odel

os m

atem

átic

os m

ás r

obus

tos.

Prog

ram

as d

e es

peci

aliz

ació

n en

Bio

logí

a de

Sis

tem

as.

Crea

ción

y c

onso

lidac

ión

de g

rupo

s de

exc

elen

cia.

Fina

ncia

ción

de

proy

ecto

s m

ultid

isci

plin

ares

.

Nec

esid

ad d

e di

fusi

ón d

e la

Bio

logí

a de

Sis

tem

as e

n el

ámbi

to u

nive

rsita

rio.

Nec

esid

ad d

e di

fusi

ón e

n pr

ofun

dida

d ac

erca

de

lo q

ue la

Biol

ogía

de

Sist

emas

pue

de,

y no

pue

de,

apor

tar

alde

sarr

ollo

de

la in

vest

igac

ión

de la

Bio

logí

a en

tre

los

prop

ios

Biól

ogos

, es

peci

alm

ente

los

biól

ogos

mol

ecul

ares

.

Cort

o pl

azo

(5 a

ños)

:•

Iden

tific

ació

n y

valid

ació

n de

dia

nas

tera

péut

icas

.•

Indu

stria

alim

enta

ria.

Med

io p

lazo

(10

años

):•

Med

icin

a pe

rson

aliz

ada.

• Se

lecc

ión

y op

timiz

ació

n de

com

pues

tos

de in

teré

sfa

rmac

ológ

ico.

• Re

cono

cim

ient

o de

efe

ctos

sec

unda

rios

de fá

rmac

os.

• Id

entif

icac

ión

de m

arca

dore

s m

olec

ular

es-

mon

itoriz

ació

n de

la e

ficac

ia d

e nu

evas

mol

écul

as.

• Co

nstr

ucci

ón d

e m

odel

os p

redi

ctiv

os q

uere

pres

ente

n la

res

pues

ta in

mun

e en

hum

anos

.•

Med

io a

mbi

ente

.•

Pien

sos

anim

ales

.•

Prod

ucci

ón d

e bi

oene

rgía

.

Larg

o pl

azo

(15

años

)Co

rto

plaz

o(5

año

s):

• Re

cono

cim

ient

o de

efe

ctos

sec

unda

rios

defá

rmac

os.

• Co

nstr

ucci

ón d

e m

odel

os p

redi

ctiv

os q

uere

pres

ente

n la

res

pues

ta in

mun

e en

hum

anos

.•

Med

io a

mbi

ente

.

Med

io p

lazo

(10

años

):•

Iden

tific

ació

n y

valid

ació

n de

dian

as t

erap

éutic

as.

• Se

lecc

ión

y op

timiz

ació

n de

com

pues

tos

de in

teré

sfa

rmac

ológ

ico.

• Id

entif

icac

ión

de m

arca

dore

sm

olec

ular

es-m

onito

rizac

ión

de la

efic

acia

de

nuev

as m

oléc

ulas

.•

Indu

stria

alim

enta

ria.

• Pi

enso

s an

imal

es.

• Pr

oduc

ción

de

bioe

nerg

ía.

Larg

o pl

azo

(15

años

):•

Med

icin

ape

rson

aliz

ada.

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

9N

om

bre

de la in

stit

uci

ón

: U

niv

ersi

dad

de

La L

aguna.

Gru

po d

e Te

cnolo

gía

Bio

quím

ica.

Dpto

. Bio

quím

ica

y B.M

. In

vest

igad

or:

Dr. N

ésto

r V.

Torr

es D

aria

s

Perf

il d

el

gru

po

de i

nvest

igaci

ón

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

10

No

mb

re d

e l

a i

nst

itu

ció

n:

Cen

tro N

acio

nal

de

Inve

stig

acio

nes

Onco

lógic

asIn

vest

igad

or:

Dr. J

uan

F.

Poya

tos

Pers

onal

:•

2 D

octo

res.

• 1

Beca

rio.

Form

ació

n:•

Quí

mic

a.•

Físi

ca.

• M

atem

átic

as.

Área

s de

exp

erie

ncia

:•

Dat

a m

inin

g.•

Mod

elos

mat

emát

icos

.•

Sim

ulac

ione

s.•

Bioi

nfor

mát

ica.

Pers

onal

:•

1 D

octo

r.•

2 Be

cario

s.

Form

ació

n:•

Biol

ogía

.•

Físi

ca.

Área

s de

exp

erie

ncia

:•

Mod

elos

mat

emát

icos

.•

Sim

ulac

ione

s.•

Bioi

nfor

mát

ica.

• Es

tadí

stic

a.•

Gen

ómic

a co

mpa

rada

.

Técn

icas

com

puta

cion

ales

:•

Sim

ulac

ione

s.•

Dat

a-m

inin

g.•

Mod

elos

mat

emát

icos

.•

Bioi

nfor

mát

ica.

• O

ptim

izac

ión

linea

l y n

o lin

eal.

Inge

nier

ía M

etab

ólic

a:•

Prod

ucci

ón d

e m

etab

olito

s.Bi

omed

icin

a:•

Iden

tific

ació

n y

valid

ació

n de

dia

nas

tera

péut

icas

.•

Sele

cció

n y

optim

izac

ión

de c

ompu

esto

sde

inte

rés

farm

acol

ógic

o.

Técn

icas

com

puta

cion

ales

:•

Sim

ulac

ione

s.•

Mod

elos

mat

emát

icos

.•

Bioi

nfor

mát

ica.

• D

inám

ica

no-l

inea

l.•

Esta

díst

ica.

Cont

rol y

dis

eño

de s

iste

mas

cel

ular

es.

114


Pro

yect

os

en

Bio

log

ía d

e S

iste

mas

Técn

icas

dis

po

nib

les

po

rel g

rup

o d

e in

vest

igaci

ón

Áre

as

de i

nte

rés

Técn

icas

dis

po

nib

les

po

r el g

rup

od

e in

vest

igaci

ón

Áre

as

de in

teré

s

Pers

pect

ivas

de l

as

ap

lica

cio

nes

de B

iolo

gía

de S

iste

mas

Pri

nci

pale

s R

eto

s y n

ece

sid

ad

es

de l

a B

iolo

gía

de S

iste

mas

• EE

LA-

E-In

fras

truc

ture

sha

red

betw

een

Euro

pe a

nd L

atin

Am

eric

a (I

nteg

rate

d Pr

ojec

t. E

U's

6th

Fra

mew

ork

Prog

ram

me)

(20

06/2

008)

Grid

Com

putin

g ht

tp:/

/ww

w.e

u-ee

la.o

rg/

• Fu

ndac

ión

la C

aixa

, Bi

omed

icin

a, C

ánce

r, Co

nvoc

ator

ia 2

005:

APR

OXI

MAC

IÓN

DE

BIO

LOG

ÍA D

E SI

STEM

AS P

ARA

ELES

TUD

IO D

E IN

ESTA

BILI

DAD

GEN

ÉTIC

A Y

GEN

ÓM

ICA

EN C

ÁNCE

R H

UM

ANO

.•

Fond

o de

Inv

estig

ació

n Sa

nita

ria-I

SCII

I, B

iom

edic

ina,

Cán

cer,

Conv

ocat

oria

200

6: “

Iden

tific

ació

n de

los

circ

uito

sge

nétic

os y

mol

ecul

ares

que

def

inen

el c

reci

mie

nto

celu

lar

horm

ono-

depe

ndie

nte

e in

depe

ndie

nte

del c

ánce

r de

mam

a co

mo

estr

ateg

ia h

acia

el d

esar

rollo

de

nuev

as t

erap

ias

clín

icas

”.•

Gen

oma

Espa

ña,

Enfe

rmed

ades

rar

as,

Conv

ocat

oria

200

6: “

Appl

icat

ion

of M

oder

n Bi

olog

y in

the

Dev

elop

men

t of

Impr

oved

Dia

gnos

tic T

ools

and

Mor

e Ef

ficie

nt T

hera

pies

for

Patie

nts

with

Mut

ated

Fan

coni

Ane

mia

/BRC

A G

enes

”.

Form

ulac

ión

de m

odel

os m

atem

átic

os m

ás r

obus

tos.

Des

arro

llo d

e he

rram

ient

as d

e so

ftw

are

más

pot

ente

s.Fo

rmac

ión

de g

rupo

s de

inve

stig

ació

n m

ultid

isci

plin

ares

.

Form

ulac

ión

de m

odel

os m

atem

átic

os m

ás r

obus

tos.

Des

arro

llo d

e he

rram

ient

as d

e so

ftw

are

más

pot

ente

s.Es

tand

ariz

ació

n de

pro

cedi

mie

ntos

y m

etod

olog

ías.

Crea

ción

de

rede

s y

cons

orci

os d

e co

labo

raci

ón.

Prog

ram

as d

e es

peci

aliz

ació

n en

Bio

logí

a de

Sis

tem

as.

Crea

ción

y c

onso

lidac

ión

de g

rupo

s de

exc

elen

cia.

Form

ació

n de

gru

pos

de in

vest

igac

ión

mul

tidis

cipl

inar

es.

Fina

ncia

ción

de

proy

ecto

s m

ultid

isci

plin

ares

.Fi

nanc

iaci

ón d

e pr

oyec

tos

mix

tos

OPI

S-em

pres

a.

Cort

o pl

azo

(5 a

ños)

:•

Técn

icas

de

anál

isis

ym

iner

ía d

eda

tos/

text

os.

Med

io p

lazo

(10

años

):•

Técn

icas

de

anál

isis

y m

iner

ía d

e da

tos/

text

os.

Larg

o pl

azo

(15

años

)Co

rto

plaz

o(5

año

s)M

edio

pla

zo (

10 a

ños)

:•

Iden

tific

ació

n y

valid

ació

n de

dia

nas

tera

péut

icas

.•

Iden

tific

ació

n de

mar

cado

res

mol

ecul

ares

-m

onito

rizac

ión

de la

efic

acia

de

nuev

as m

oléc

ulas

.

Larg

o pl

azo

(15

años

)

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

11

No

mb

re d

e la in

stit

uci

ón

: U

niv

ersi

dad

de

Can

tabria.

In

vest

igad

or:

Dr. J

osé

Man

uel

Gutiér

rez

Perf

il d

el

gru

po

de i

nvest

igaci

ón

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

12

No

mb

re d

e la in

stit

uci

ón

: In

stituto

Cat

alán

de

Onco

logía

,In

stitut

d'Inve

stig

ació

Bio

mèd

ica

de

Bel

lvitge

(ID

IBELL

)In

vest

igad

or:

Dr. M

iguel

Angel

Gen

esta

r Pu

jana

Pers

onal

:•

2 D

octo

res.

• 1

Beca

rio.

• 1

Técn

ico.

Form

ació

n:•

Info

rmát

ica.

Área

s de

exp

erie

ncia

:•

Anál

isis

de

la s

ecue

ncia

gen

étic

a.•

Sim

ulac

ione

s.•

Dat

a-m

inin

g.•

Mod

elos

mat

emát

icos

.•

Rede

s ne

uron

ales

.

Pers

onal

:•

2 D

octo

res.

• 4

Beca

rios.

Form

ació

n:•

Biol

ogía

.•

Quí

mic

a.•

Info

rmát

ica.

• M

edic

ina.

Área

s de

exp

erie

ncia

:•

Anál

isis

de

la e

xpre

sión

gén

ica.

• An

ális

is d

e la

sec

uenc

ia g

enét

ica.

• An

ális

is d

e la

loca

lizac

ión

subc

elul

ar p

rote

ica.

• Re

des

neur

onal

es.

• D

ata-

min

ig.

• M

odel

os m

atem

átic

os.

• Si

mul

acio

nes.

• Bi

oinf

orm

átic

a.

Técn

icas

exp

erim

enta

les:

• An

ális

is d

e la

sec

uenc

ia g

enét

ica.

Técn

icas

com

puta

cion

ales

:•

Sim

ulac

ione

s.•

Dat

a-m

inin

g.•

Mod

elos

mat

emát

icos

.•

Rede

s ne

uron

ales

.

Trat

amie

nto

de la

info

rmac

ión-

min

ería

de

dato

s/te

xtos

.Té

cnic

as e

xper

imen

tale

s:•

Anál

isis

de

la s

ecue

ncia

gen

étic

a: s

ecue

ncia

ción

de

ADN

; ge

notip

ado;

kno

ckou

ts A

RNi.

• An

ális

is d

e la

exp

resi

ón g

énic

a: m

icro

arra

ys d

eAD

N;

crib

ados

func

iona

les

con

shRN

As.

• An

ális

is d

e in

tera

ccio

nes

ADN

-pro

teín

as:

inm

unop

reci

pita

ción

de

prot

eína

s•

Anál

isis

de

inte

racc

ione

s pr

oteí

na-p

rote

ína:

sis

tem

asde

dob

le h

íbrid

o; p

urifi

caci

ón p

or a

finid

ad.

• An

ális

is d

e la

loca

lizac

ión

subc

elul

ar p

rote

ica:

mar

caje

med

iant

e ge

nes

traz

ador

es o

antic

uerp

os;

FRET

.

Técn

icas

com

puta

cion

ales

:•

Sim

ulac

ione

s.•

Dat

a-m

inin

g.•

Mod

elos

mat

emát

icos

.•

Bioi

nfor

mát

ica.

• Re

des

biol

ógic

as y

sist

emas

com

plej

os.

• Bi

omed

icin

a:Id

entif

icac

ión

de m

arca

dore

sm

olec

ular

es-m

onito

rizac

ión

dela

efic

acia

de

nuev

as m

oléc

ulas

.Id

entif

icac

ión

y va

lidac

ión

dedi

anas

ter

apéu

ticas

.

• Tr

atam

ient

o de

lain

form

ació

n-m

iner

ía d

eda

tos/

text

os.

115


Pro

yect

os

en

Bio

log

ía d

e S

iste

mas

Pro

yect

os

en

Bio

log

ía d

e S

iste

mas

Pate

nte

s en

Bio

log

ía d

e S

iste

mas

Pers

pect

ivas

de l

as

ap

lica

cio

nes

de B

iolo

gía

de S

iste

mas

Pri

nci

pale

s R

eto

s y n

ece

sid

ad

es

de l

a B

iolo

gía

de S

iste

mas

• Di

seño

de

estra

tegi

as d

e in

geni

ería

met

aból

ica y

de

biol

ogía

de

siste

mas

en

biot

rans

form

acio

nes:

la p

rodu

cció

n de

l-ca

rniti

na p

or E

. Col

i.ME

C bi

o200

5-08

898-

c02-

01.

• In

geni

ería

met

aból

ica y

Bio

logí

a de

Sist

emas

apl

icada

s a

la p

rodu

cció

n de

l-ca

rniti

na p

or E

. Col

i.Fu

ndac

ión

Séne

ca 2

005

2928

/pi/0

5.

• Di

seño

e im

plan

tació

n de

est

rate

gias

ava

nzad

as d

e se

nsor

izació

n y

cont

rol

para

la p

rodu

cció

n in

dust

rial d

e pr

oteí

nas

hete

rólo

gas

en s

istem

as m

ulti-

subs

trato

. CIC

YT-F

EDER

DPI

2005

-011

80.

• De

sarro

llo d

e un

sist

ema

de p

redi

cció

n gl

ucém

ica y

ayu

da a

la d

osifi

cació

n de

insu

lina

para

pac

ient

es c

on d

iabe

tes

mel

litus

i. C

icyt d

pi20

04-0

7167

-c02

-01.

• Mo

nitor

izació

n y

Cont

rol A

utom

ático

de

Prod

ucció

n de

Pro

teína

s Het

erólo

gas d

eLe

vadu

ras.

Cont

rato

con

Biop

olis S

.L.

Nava

rro, J

.; Pi

có, J

.; Br

uno,

J.; P

icó-M

arco

, E. a

nd V

allé

s, S

., On

-line

met

hod

and

equi

pmen

t for

det

ectin

g, d

eter

min

ing

the

evol

utio

n an

dqu

antif

ying

a m

icrob

ial b

iom

ass

and

othe

r sub

stan

ces

that

abs

orb

light

alo

ng th

e sp

ectru

m d

urin

g th

e de

velo

pmen

t of b

iote

chno

logi

cal

proc

esse

s. P

aten

t ES2

0010

0017

57, (

2001

), EP

2002

0751

179,

(200

4),

US P

aten

t 10/

757,

717.

Desa

rrollo

de

dispo

sitivo

s que

per

mita

n re

aliza

rm

edida

s de

proc

esos

biol

ógico

s a ti

empo

real.

Form

ulació

n de

mod

elos m

atem

ático

s más

robu

stos

.Fo

rmac

ión d

e gr

upos

de

inves

tigac

iónm

ultidi

scipl

inare

s.Fin

ancia

ción

de p

roye

ctos

mult

idisc

iplina

res.

Por m

otivo

s de

evolu

ción

histó

rica

en B

iolog

ía en

gen

eral,

y la

de

Sist

emas

en

parti

cular

, se

suele

pens

ar e

n m

odelo

s: m

odelo

s rob

usto

s, m

odelo

s pre

cisos

… Aú

n te

niénd

olos,

las m

etod

ología

s de

análi

sis cu

alita

tivo/

cuan

titat

ivo d

e sis

tem

as co

mple

jos d

inám

icos c

on a

lto g

rado

de

inter

cone

xión

yre

alim

enta

ción

aún

no so

n ca

pace

s de

reso

lver t

odos

los p

roble

mas

que

se p

lante

an (p

.e.,

el an

álisis

de e

stab

ilidad

de

una

red

met

abóli

ca co

n re

alim

enta

ción

inhibi

dora

es p

roble

ma

resu

elto

hace

muy

poco

y p

ara

caso

s sim

ples)

.

Desa

rrollo

de

nano

sens

ores

y d

ispos

itivo

s micr

ofluí

dicos

par

a la

med

idasim

ultán

ea d

e m

últipl

es p

arám

etro

s.De

sarro

llo d

e dis

posit

ivos q

ue p

erm

itan

reali

zar m

edida

s de

proc

esos

biológ

icos a

tiem

po re

al.Es

tand

ariza

ción

de p

roce

dimien

tos y

met

odolo

gías.

Crea

ción

de re

des y

cons

orcio

s de

colab

orac

ión.

Prog

ram

as d

e es

pecia

lizac

ión e

n Bi

ología

de

Sist

emas

.Cr

eació

n y

cons

olida

ción

de g

rupo

s de

exce

lencia

.Fo

rmac

ión d

e gr

upos

de

inves

tigac

ión m

ultidi

scipl

inare

s.Fin

ancia

ción

de p

roye

ctos

mult

idisc

iplina

res.

Finan

ciació

n de

pro

yect

os m

ixtos

OPI

S-em

pres

a.

Corto

plaz

o(5

año

s):

• Ide

ntific

ación

y v

alida

ción

de d

ianas

tera

péut

icas.

• Sele

cción

y o

ptim

izació

n de

com

pues

tos d

e int

erés

farm

acoló

gico.

• Rec

onoc

imien

to d

e ef

ecto

s sec

unda

rios d

e fá

rmac

os.

• Ide

ntific

ación

de

mar

cado

res m

olecu

lares

-mon

itoriz

ación

de

laef

icacia

de

nuev

as m

olécu

las.

• Con

stru

cción

de

mod

elos p

redic

tivos

que

repr

esen

ten

la re

spue

sta

inmun

e en

hum

anos

.• I

ndus

tria

alim

enta

ria.

• Pien

sos a

nimale

s.• M

edio

ambie

nte.

• Pro

ducc

ión d

e bio

ener

gía.

Medio

plaz

o(1

0 añ

os):

• Ide

ntific

ación

y v

alida

ción

de d

ianas

tera

péut

icas.

• Med

icina

per

sona

lizad

a.• S

elecc

ión y

opt

imiza

ción

de co

mpu

esto

s de

inter

és fa

rmac

ológic

o.• R

econ

ocim

iento

de

efec

tos s

ecun

dario

s de

fárm

acos

.• I

dent

ificac

ión d

e m

arca

dore

s mole

cular

es-

mon

itoriz

ación

de

la ef

icacia

de

nuev

as m

olécu

las.

• Con

stru

cción

de

mod

elos p

redic

tivos

que

repr

esen

ten

la re

spue

sta

inmun

e en

hum

anos

.

Larg

o pla

zo(1

5 añ

os):

• Med

icina

per

sona

lizad

a.Co

rto p

lazo

(5 a

ños)

:• I

ndus

tria

alim

enta

ria.

Medio

plaz

o(1

0 añ

os):

• Ide

ntific

ación

y v

alida

ción

de d

ianas

tera

péut

icas.

• Med

icina

per

sona

lizad

a.• S

elecc

ión y

opt

imiza

ción

de co

mpu

esto

s de

inter

ésfa

rmac

ológic

o.• M

edio

ambie

nte.

Larg

o pla

zo (1

5 añ

os):

• Rec

onoc

imien

to d

e ef

ecto

s sec

unda

rios

de fá

rmac

os.

• Con

stru

cción

de

mod

elos p

redic

tivos

que

repr

esen

ten

la re

spue

sta

inmun

e en

hum

anos

.

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

13

No

mb

re d

e la in

stit

uci

ón

: U

niv

ersi

dad

de

Murc

iaIn

vest

igad

or:

Dr. M

anuel

Cán

ovas

Perf

il d

el

gru

po

de i

nvest

igaci

ón

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

14

No

mb

re d

e l

a i

nst

itu

ció

n:

Univ

ersi

dad

Polit

écnic

a de

Val

enci

a, I

nst

ituto

de

Auto

mát

ica

e In

form

átic

a In

dust

rial

, G

rupo d

e Contr

ol de

Sis

tem

as C

om

ple

jos

Invest

igad

or:

Dr. J

esús

Picó

Mar

co

Pers

onal

:•

4 Do

ctor

es.

• 2

Beca

rios.

• 1

FP II

.•

3 Al

umno

s de

3.er

ciclo

.

Form

ació

n:•

Info

rmát

ica.

• In

geni

ería

.•

Quím

ica.

• Bi

olog

ía.

• Bi

oquí

mica

.

Área

s de

exp

erie

ncia

: •

Anál

isis

de la

sec

uenc

ia g

enét

ica.

•An

álisi

s de

la e

xpre

sión

gené

tica.

• Si

mul

acio

nes.

• Da

ta-m

inin

g.•

Mode

los

mat

emát

icos.

• Bi

oinf

orm

ática

.

Pers

onal

:•

7 Do

ctor

es.

• 4

Beca

rios.

Form

ació

n:•

Inge

nier

ía.

• In

form

ática

.

Área

s de

exp

erie

ncia

:•

Rede

s ne

uron

ales

.•

Mode

los

mat

emát

icos.

• Si

mul

acio

nes.

• Si

stem

as d

inám

icos

y Si

stem

as n

o lin

eale

s.•

Ince

rtidu

mbr

e es

truct

urad

a y

no e

stru

ctur

ada.

Técn

icas

dis

po

nib

les

po

rel g

rup

o d

e i

nvest

igaci

ón

Áre

as

de in

teré

sA

pli

caci

on

es

futu

ras

Técn

icas

dis

po

nib

les

po

r el

gru

po

de i

nvest

igaci

ón

Áre

as

de in

teré

sA

plica

cio

nes

futu

ras

Técn

icas e

xper

imen

tales

:• A

nális

is de

la se

cuen

cia g

enét

ica: S

ecue

nciac

ión d

eAD

N; Id

entif

icació

n de

dele

ccion

es g

enét

icas.

• Aná

lisis

de la

exp

resió

n ge

nétic

a: M

icroa

rrays

de

ADN.

• Aná

lisis

de la

s int

erac

cione

s pro

teína

-pro

teína

:pu

rifica

ción

por a

finida

d; e

spec

trom

etría

de

mas

as.

Técn

icas c

ompu

tacio

nales

:• D

ata-

mini

ng.

• Mod

elos m

atem

ático

s.• S

imula

cione

s.• B

ioinf

orm

ática

.

Inge

nier

ía m

etab

ólica

:• P

rodu

cción

de

met

aboli

tos.

• Pro

ducc

ión d

e pr

oteín

asre

com

binan

tes.

Biom

edici

na:

• Ide

ntific

ación

y v

alida

ción

de d

ianas

tera

péut

icas.

• Sele

cción

y o

ptim

izació

n de

com

pues

tos d

e in

teré

sfa

rmac

ológic

o.• R

econ

ocim

iento

de

efec

tos

secu

ndar

ios d

e fá

rmac

os.

• Dise

ño y

opt

imiza

ción

de b

iopro

ceso

s de

biotra

nsfo

rmac

ión re

aliza

dos p

or cé

lulas

ent

eras

med

iante

Inge

niería

Met

abóli

ca y

Biol

ogía

de S

istem

asy

su a

plica

ción

a la

obte

nción

de

L-ca

rniti

na a

par

tir d

eco

mpu

esto

s de

trim

etila

mon

io y

cepa

s opt

imiza

das d

eE.

coli(

salva

jes y

tran

sform

adas

).• D

esar

rollo

de

herra

mien

tas d

e op

timiza

ción

mat

emát

ica d

e bio

siste

mas

y su

apli

cació

n al

diseñ

o de

estra

tegia

s de

man

ipulac

ión g

énica

en

el ca

so d

e la

biosín

tesis

de

L-ca

rniti

na p

or E

. coli

a pa

rtir d

e su

spr

ecur

sore

s cro

tono

beta

ína

y D-

carn

itina

, gen

erali

zable

a ot

ros b

iopro

ceso

s.

Técn

icas c

ompu

tacio

nales

:• S

imul

acion

es.

• Dat

a-m

inin

g.• M

odelo

s mat

emát

icos.

• Red

es n

euro

nales

.• R

edes

biol

ógica

s y si

stem

as co

mple

jos.

• Aná

lisis

de co

mpo

nent

es p

rincip

ales y

var

iables

laten

tes.

• Aná

lisis

inte

rvala

r clás

ico y

mod

al; C

onju

ntos

borro

sos.

• Ide

ntific

ación

par

amét

rica

robu

sta.

• Téc

nica

s de

agru

pam

iento

.

Inge

nier

ía m

etab

ólica

:Pr

oduc

ción

de m

etab

olito

s; A

nális

is de

fluj

osm

etab

ólico

s est

ático

y d

inám

ico co

n in

certi

dum

bre

y/o

med

idas e

scas

as.

Biom

edici

na:

Iden

tifica

ción

y va

lidac

ión d

e dia

nas t

erap

éutic

as;

Diab

etes

tipo

I y

tipo

II; P

acien

tes c

rítico

s; C

ontro

l de

gluce

mia;

Mod

elado

del

siste

ma

gluco

regu

lator

io y

gastr

ointe

stina

l; Mo

delos

PK/

PD; C

arac

teriz

ación

de

lava

riabil

idad

intra

- e in

ter-i

ndivi

duo

med

iante

mét

odos

inter

valar

es; S

imula

ción

gara

ntiza

da d

e sis

tem

as co

ninc

ertid

umbr

e; S

istem

as d

e ap

oyo

a la

tera

pia.

• Con

trol e

n laz

o ce

rrado

de

gluco

sa e

ndia

bete

s tipo

I y

pacie

ntes

críti

cos.

• Mét

odos

de

estim

ación

on-

line

deflu

jos m

etab

ólico

s a p

artir

de

med

idas

esca

sas e

incie

rtas.

• Con

trol a

vanz

ado

de b

iorre

acto

res.

• Mod

elos m

acro

scóp

icos c

ompa

tibles

con

rede

s met

abóli

cas s

ubya

cent

es.

116


Pro

yect

os

en

Bio

log

ía d

e S

iste

mas

Pro

yect

os

en

Bio

log

ía d

e S

iste

mas

Ap

lica

cio

nes

futu

ras

Pers

pect

ivas

de l

as

ap

lica

cio

nes

de B

iolo

gía

de S

iste

mas

Pri

nci

pale

s R

eto

s y n

ece

sid

ad

es

de l

a B

iolo

gía

de S

iste

mas

• Bi

oMod

ular

H2:

Eng

inee

red

mod

ular

bac

teria

l pho

topr

oduc

tion

of h

ydro

gen.

Coo

rdin

ator

: A.

Jar

amill

o. A

genc

y: E

UFP

6 N

EST

Path

finde

r Sy

nthe

tic B

iolo

gy.

Dat

es:

1/20

07-1

/201

0.•

Des

ign

of a

glu

codi

aldo

se t

o gl

ucur

onic

aci

d co

nver

ting

enzy

me

for

gluc

aric

aci

d pr

oduc

tion

in E

. Co

li. C

oord

inat

or:

K.J.

Pra

ther

(M

IT)

& A

. Ja

ram

illo.

Age

ncy:

MIT

-Fra

nce.

Dat

es:

2007

.•

EMER

GEN

CE:

Sett

ing

the

base

s fo

r Sy

nthe

tic B

iolo

gy in

Eur

ope.

Coo

rdin

ator

: S.

Pan

ke (

ETH

-Zur

ich)

. Ag

ency

:EU

FP6

NES

T Pa

thfin

der

Synt

hetic

Bio

logy

. D

ates

: 12

/200

6-12

/200

9.

• En

gine

erin

g sy

nthe

tic g

ene

netw

orks

.N

ueva

s pr

oteí

nas

de u

nión

a A

ND

y c

onst

rucc

ión

dere

des

gené

ticas

de

utili

dad

en t

erap

ia g

énic

a.

Des

arro

llo d

e na

nose

nsor

es y

dis

posi

tivos

mic

roflu

ídic

os p

ara

la m

edid

a si

mul

táne

a de

múl

tiple

spa

rám

etro

s.D

esar

rollo

de

disp

ositi

vos

que

perm

itan

real

izar

med

idas

de

proc

esos

bio

lógi

cos

a tie

mpo

rea

l.Fo

rmul

ació

n de

mod

elos

mat

emát

icos

más

rob

usto

s.Es

tand

ariz

ació

n de

pro

cedi

mie

ntos

y m

etod

olog

ías.

Crea

ción

de

rede

s y

cons

orci

os d

e co

labo

raci

ón.

Prog

ram

as d

e es

peci

aliz

ació

n en

Bio

logí

a de

Sist

emas

.Cr

eaci

ón y

con

solid

ació

n de

gru

pos

de e

xcel

enci

a.Fo

rmac

ión

de g

rupo

s de

inve

stig

ació

nm

ultid

isci

plin

ares

.Fi

nanc

iaci

ón d

e pr

oyec

tos

mul

tidis

cipl

inar

es.

Form

ulac

ión

de m

odel

os m

atem

átic

os m

ás r

obus

tos.

Esta

ndar

izac

ión

de p

roce

dim

ient

os y

met

odol

ogía

s.Cr

eaci

ón d

e re

des

y co

nsor

cios

de

cola

bora

ción

.Pr

ogra

mas

de

espe

cial

izac

ión

en B

iolo

gía

de S

iste

mas

.Cr

eaci

ón y

con

solid

ació

n de

gru

pos

de e

xcel

enci

a.Fi

nanc

iaci

ón d

e pr

oyec

tos

mul

tidis

cipl

inar

es.

Cort

o pl

azo

(5 a

ños)

:•

Iden

tific

ació

n y

valid

ació

n de

dia

nas

tera

péut

icas

.•

Sele

cció

n y

optim

izac

ión

deco

mpu

esto

s de

inte

rés

farm

acol

ógic

o.•

Med

io a

mbi

ente

.•

Prod

ucci

ón d

e bi

oene

rgía

.

Med

io p

lazo

(10

años

):•

Med

icin

a pe

rson

aliz

ada.

• Re

cono

cim

ient

o de

efe

ctos

secu

ndar

ios

de fá

rmac

os.

• In

dust

ria a

limen

taria

.•

Pien

sos

anim

ales

.

Larg

o pl

azo

(15

años

):•

Cons

truc

ción

de

mod

elos

pred

ictiv

os q

ue r

epre

sent

en la

resp

uest

a in

mun

e en

hum

anos

.

Cort

o pl

azo

(5 a

ños)

:•

Iden

tific

ació

n y

valid

ació

n de

dian

as t

erap

éutic

as.

Med

io p

lazo

(10

años

):•

Iden

tific

ació

n y

valid

ació

n de

dian

as t

erap

éutic

as.

• M

edic

ina

pers

onal

izad

a.

Larg

o pl

azo

(15

años

):•

Iden

tific

ació

n y

valid

ació

n de

dian

as t

erap

éutic

as.

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

15

No

mb

re d

e la in

stit

uci

ón

: Eco

le P

oly

tech

niq

ue,

Fra

nci

aIn

vest

igad

or:

Dr. A

lfonso

Jar

amill

o

Perf

il d

el

gru

po

de i

nvest

igaci

ón

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

16

No

mb

re d

e l

a i

nst

itu

ció

n:

Cen

tro d

e Reg

ula

ción G

enóm

ica,

Sys

tem

s Bio

logy

Progra

mIn

vest

igad

or:

Dr. M

ark

Isal

an

Pers

onal

:•

2 D

octo

res.

• 2

Beca

rios.

Form

ació

n:•

Inge

nier

ía.

• Fí

sica

.

Área

s de

exp

erie

ncia

:•

Anál

isis

de

las

inte

racc

ione

s AD

N-p

rote

ínas

.•

Sim

ulac

ione

s.•

Mod

elos

mat

emát

icos

.•

Bioi

nfor

mát

ica.

Pers

onal

:•

3 D

octo

res.

• 2

Beca

rios.

• 1

Técn

ico.

Form

ació

n:•

Biol

ogía

.•

Quí

mic

a.•

Info

rmát

ica.

• Fí

sica

.

Área

s de

exp

erie

ncia

:•

Anál

isis

de

inte

racc

ione

s AD

N-p

rote

ínas

.•

Anál

isis

de

la e

xpre

sión

gén

ica.

• An

ális

is d

e la

sec

uenc

ia g

enét

ica.

• An

ális

is d

e la

loca

lizac

ión

subc

elul

ar p

rote

ica.

• M

odel

os m

atem

átic

os.

• Si

mul

acio

nes.

Técn

icas

dis

po

nib

les

po

r el g

rup

o d

e in

vest

igaci

ón

Áre

as

de i

nte

rés

Técn

icas

dis

po

nib

les

po

r el g

rup

o d

e in

vest

igaci

ón

Áre

as

de in

teré

s

Técn

icas

exp

erim

enta

les:

• An

álsi

s de

las

inte

racc

ione

s pr

oteí

na-p

rote

ína:

pro

teóm

ica

cuan

titat

iva;

esp

ectr

omet

ría d

e m

asas

.Té

cnic

as c

ompu

taci

onal

es:

• M

odel

os m

atem

átic

os.

• Si

mul

acio

nes.

• Bi

oinf

orm

átic

a.

Inge

nier

ía m

etab

ólic

a:•

Prod

ucci

ón d

e m

etab

olito

s.•

Prod

ucci

ón d

e bi

oene

rgía

.Bi

omed

icin

a:•

Sele

cció

n y

optim

izac

ión

deco

mpu

esto

s de

inte

rés

farm

acol

ógic

o.Bi

odef

ensa

.

Técn

icas

exp

erim

enta

les:

• An

ális

is d

e la

exp

resi

ón g

énic

a:M

icro

arra

ys d

e AD

N.

• An

ális

is d

e in

tera

ccio

nes

ADN

-pro

teín

as:

Bioc

hips

; EL

ISA;

gel

shi

ft.

• An

ális

is d

e in

tera

ccio

nes

prot

eína

-pr

oteí

na:

Sist

emas

de

dobl

e hí

brid

o;Pu

rific

ació

n po

r af

inid

ad;

Espe

ctro

met

ríade

mas

a; P

rote

ómic

a cu

antit

ativ

a.

• An

ális

is d

e la

loca

lizac

ión

subc

elul

ar p

rote

ica:

Cel

l sor

ting;

Mar

caje

med

iant

e ge

nes

traz

ador

es o

ant

icue

rpos

.

Técn

icas

com

puta

cion

ales

:M

odel

os m

atem

átic

os.

Sim

ulac

ione

s.Bi

oinf

orm

átic

a.

Biom

edic

ina:

•

Iden

tific

ació

n y

valid

ació

n de

dian

as t

erap

éutic

as.

• Se

lecc

ión

y op

timiz

ació

n de

com

pues

tos

de in

teré

sfa

rmac

ológ

ico.

117


Pro

yect

os

en

Bio

log

ía d

e S

iste

mas

Pro

yect

os

en

Bio

log

ía d

e S

iste

mas

• PA

CE (

Prog

ram

mab

le A

rtifi

cial

Cel

l Evo

lutio

n) 2

004-

2008

, 6F

P FE

T.•

CELL

COM

PUT

(Com

puta

cion

cel

ular

) EU

, Ini

cio

2007

.•

COM

PLEX

DIS

(En

ferm

edad

es c

ompl

ejas

, bio

logi

a de

red

es)

EU, I

nici

o 20

07.

• SY

NLET

(Sy

nthe

tic L

etha

lity)

Red

es d

e in

tera

ccio

nes

mol

ecul

ares

, EU

Inic

io 2

007.

• M

cDon

nell

Foun

datio

n Aw

ard

(Evo

luci

on d

e re

des

celu

lare

s) U

SA, I

nici

o 20

07.

• Pr

oyec

to d

el M

inis

terio

sob

re s

ecue

ncia

ción

gen

ómic

a de

end

osim

bion

tes

de in

sect

os. D

irect

ora

Ampa

o La

torr

e Ca

still

o. H

ayun

apa

rtad

o de

infe

renc

ia m

etab

ólic

a de

eso

s ge

nom

as.

• CI

BER

de E

pide

mio

logí

a y

Salu

d Pú

blic

a. I

nves

tigad

or P

rinci

pal d

el G

rupo

: An

drés

Moy

a. O

bjet

ivos

de

met

agen

ómic

a de

com

unid

ades

mic

robi

anas

hum

anas

e in

fere

ncia

de

las

rela

cion

es m

etab

ólic

as q

ue e

n el

las

se.

• Pr

oyec

to d

el M

inis

terio

de

Educ

ació

n y

Cien

cia

sobr

e co

mpr

omis

os q

ue a

fect

an a

la e

ficac

ia b

ioló

gica

de

los

viru

s de

RNA

.In

vest

igad

or P

rinci

pal:

Andr

és M

oya.

Obj

etiv

o so

bre

la in

vest

igac

ión

de lo

s fa

ctor

es q

ue fa

vore

cen

la r

obus

tez

de lo

s vi

rus

de R

NA a

los

efec

tos

de la

s m

uata

cion

es.

• In

fere

ncia

met

aból

ica

en g

enom

as r

educ

idos

nat

ural

es y

teór

icos

. Inv

estig

ador

a Pr

inci

pal:

Rosa

rio G

il.•

Secu

enci

ació

n de

l gen

oma

del p

ulgó

n y

anál

isis

de

su e

xpre

sión

. Inv

estig

ador

res

pons

able

: An

drés

Moy

a (s

ecue

ncia

ción

),D

avid

Mar

tínez

(Ex

pres

ión

de g

enes

rel

acio

nado

s co

n la

indu

cció

n de

la s

exua

lidad

).

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

17

No

mb

re d

e la in

stit

uci

ón

: U

niv

ersi

tat

Pom

peu

Fab

raIn

vest

igad

or:

Dr. R

icar

d V

. Solé

Perf

il d

el

gru

po

de i

nvest

igaci

ón

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

18

No

mb

re d

e l

a i

nst

itu

ció

n:

Univ

ersi

tat

de

Val

enci

a -

Inst

ituto

Cav

anill

es d

e Bio

div

ersi

dad

y Bio

logía

Evo

llutiva

Invest

igad

or:

Dr. A

ndré

s M

oya

Sim

arro

Pers

onal

:•

4 D

octo

res.

Form

ació

n:•

Inge

nier

ía.

• Bi

olog

ía.

• Fí

sica

.•

Info

rmát

ica.

Área

s de

exp

erie

ncia

:•

Sim

ulac

ione

s.•

Mod

elos

mat

emát

icos

.

Pers

onal

:•

8 D

octo

res.

• 4

Beca

rios.

• 2

Técn

icos

.

Form

ació

n:•

Biol

ogía

.•

Quí

mic

a.•

Info

rmát

ica.

Área

s de

exp

erie

ncia

: An

ális

is d

e la

exp

resi

ón g

énic

a.An

ális

is d

e la

sec

uenc

ia g

enét

ica.

Rede

s ne

uron

ales

.D

ata-

min

ing.

Bioi

nfor

mát

ica.

Anál

isis

evo

lutiv

os d

e re

des

met

aból

icas

.

Pers

pect

ivas

de l

as

ap

lica

cio

nes

de B

iolo

gía

de S

iste

mas

Pri

nci

pale

s R

eto

s y n

ece

sid

ad

es

de l

a B

iolo

gía

de S

iste

mas

Des

arro

llo d

e di

spos

itivo

s qu

e pe

rmita

n re

aliz

ar m

edid

as d

epr

oces

os b

ioló

gico

s a

tiem

po r

eal.

Form

ulac

ión

de m

odel

os m

atem

átic

os m

ás r

obus

tos.

Des

arro

llo d

e he

rram

ient

as d

e so

ftwar

e m

ás p

oten

tes.

Crea

ción

de

rede

s y

cons

orci

os d

e co

labo

raci

ón.

Fina

ncia

ción

de

proy

ecto

s m

ultid

isci

plin

ares

.

Des

arro

llo d

e na

nose

nsor

es y

dis

posi

tivos

mic

roflu

ídic

ospa

ra la

med

ida

sim

ultá

nea

de m

últip

les

pará

met

ros.

Des

arro

llo d

e di

spos

itivo

s qu

e pe

rmita

n re

aliz

ar m

edid

as d

epr

oces

os b

ioló

gico

s a

tiem

po r

eal.

Prog

ram

as d

e es

peci

aliz

ació

n en

Bio

logí

a de

Sis

tem

as.

Form

ació

n de

gru

pos

de in

vest

igac

ión

mul

tidis

cipl

inar

es.

Fina

ncia

ción

de

proy

ecto

s m

ultid

isci

plin

ares

.

Cort

o pl

azo

(5 a

ños)

:•

Iden

tific

ació

n y

valid

ació

n de

dian

as t

erap

éutic

as.

Med

io p

lazo

(10

años

):•

Med

icin

a pe

rson

aliz

ada.

• Se

lecc

ión

y op

timiz

ació

n de

com

pues

tos

de in

teré

s fa

rmac

ológ

ico.

• Id

entif

icac

ión

de m

arca

dore

sm

olec

ular

es-m

onito

rizac

ión

de la

efic

acia

de

nuev

as m

oléc

ulas

.•

Cons

truc

ción

de

mod

elos

pre

dict

ivos

que

repr

esen

ten

la r

espu

esta

inm

une

en h

uman

os.

Larg

o pl

azo

(15

años

):•

Reco

noci

mie

nto

de e

fect

osse

cund

ario

s de

fárm

acos

.

Cort

o pl

azo

(5 a

ños)

:•

Iden

tifica

ción

dem

arca

dore

s m

olec

ular

es-

mon

itoriz

ació

n de

laef

icacia

de

nuev

asm

oléc

ulas

.•

Evol

ució

n de

rede

sm

etab

ólica

s: in

tera

cció

npr

oteí

na-p

rote

ína.

Med

io p

lazo

(10

años

):•

Iden

tific

ació

n y

valid

ació

n de

dia

nas

tera

péut

icas

.•

Sele

cció

n y

optim

izació

n de

com

pues

tos

de in

teré

s fa

rmac

ológ

ico.

• Re

cono

cimie

nto

de e

fect

os s

ecun

dario

s de

fárm

acos

.•

Cons

truc

ción

de

mod

elos

pre

dict

ivos

que

rep

rese

nten

lare

spue

sta

inm

une

en h

uman

os.

• In

dust

ria a

limen

taria

.•

Pien

sos

anim

ales

.•

Med

io a

mbi

ente

.•

Prod

ucci

ón d

e bi

oene

rgía

.

Larg

o pl

azo

(15

años

):•

Med

icina

per

sona

lizad

a.

Técn

icas

dis

po

nib

les

po

r el g

rup

o d

e in

vest

igaci

ón

Áre

as

de in

teré

s

Técn

icas

espe

rimen

tale

s:•

Anál

isis

de la

sec

uenc

ia g

enét

ica:

Secu

encia

ción

de A

DN;

Gen

otip

ado.

• An

álisi

s de

la e

xpre

sión

géni

ca:

Micr

oarr

ays

de A

DN.

• An

álisi

s de

inte

racc

ione

s pr

oteí

na-p

rote

ína:

Anál

isis

bioi

nfor

mát

icos,

dat

a-m

inin

g.

Técn

icas

com

puta

cion

ales

:•

Mod

elos

mat

emát

icos

.•

Sim

ulac

ione

s.•

Bioi

nfor

mát

ica.

• Re

des

neur

onal

es.

• D

ata-

min

ing

Inge

nier

ía m

etab

ólic

a:•

Med

io a

mbi

ente

Biom

edic

ina:

•

Iden

tifica

ción

de m

arca

dore

s m

olec

ular

es-

mon

itoriz

ació

n de

la e

ficac

ia d

e nu

evas

mol

écul

as.

• Re

des

met

aból

icas

en

met

agom

a de

lam

icro

biot

a hu

man

a.•

Trat

amie

nto

de la

info

rmac

ión-

min

ería

de

dat

os/t

exto

s.

Técn

icas

dis

po

nib

les

po

rel g

rup

o d

e i

nvest

igaci

ón

Áre

as

de in

teré

sA

pli

caci

on

es

futu

ras

Técn

icas

com

puta

cion

ales

:•

Mod

elos

mat

emát

icos

.•

Sim

ulac

ione

s.•

Bioi

nfor

mát

ica.

• D

ata-

min

ing.

Biom

edic

ina:

• Id

entif

icac

ión

y va

lidac

ión

de d

iana

s te

rapé

utic

as.

• D

esar

rollo

de

siste

mas

com

puta

ciona

les

basa

dos

en c

élul

as, d

esar

rollo

de

herr

amie

ntas

de

dete

cció

n de

vía

s cla

ve e

nen

ferm

edad

es c

ompl

ejas

. •

Cons

truc

ción

de

prot

océl

ulas

viv

as y

su

man

ipul

ació

n.

118


Pro

yect

os

en

Bio

log

ía d

e S

iste

mas

• G

enom

e-W

ide

Com

paris

on o

f Phy

siol

ogic

al B

ottle

neck

s in

Mul

ti-Su

buni

t Pr

otei

n Pr

oduc

tion

in P

roka

ryot

ic a

nd E

ukar

yotic

Mic

robi

alH

osts

. Ent

idad

fina

ncia

dora

: Pr

oyec

to e

n el

mar

co d

el p

rogr

ama

EURO

SCO

RES

en S

cien

ce o

f Pro

tein

Pro

duct

ion

for

Func

tiona

l and

Stru

ctur

al A

naly

sis

(Eur

oSCO

PE),

de

la E

urop

ean

Scie

nce

Foun

datio

n, fi

nanc

iado

por

el P

rogr

ama

de A

ccio

nes

Com

plem

enta

rias,

Proy

ecto

BIO

2005

-237

33-E

. Inv

estig

ador

Prin

cipa

l: Pa

u Fe

rrer

Ale

gre)

. Dur

ació

n de

l pro

yect

o: d

icie

mbr

e 20

05-d

icie

mbr

e 20

08.

• Si

stem

a in

tegr

ado

de p

rodu

cció

n de

pro

teín

as h

eter

ólog

as e

n la

leva

dura

met

ilotr

ófic

a Pi

chia

pas

toris

par

a la

obt

enci

ón d

epr

oduc

tos

de in

teré

s fa

rmac

éutic

o y

vete

rinar

io. E

ntid

ad F

inan

ciad

ora:

Pro

gram

a N

acio

nal d

e Ci

enci

as y

Tec

nolo

gías

Quí

mic

as,

Proy

ecto

CTQ

2004

-003

00. I

nves

tigad

or P

rinci

pal:

Fran

cisc

o Va

lero

). D

urac

ión

del p

roye

cto:

dic

iem

bre

2004

-dic

iem

bre

2007

.

• Bi

oinf

orm

atic

s fo

r st

adis

tical

and

func

tiona

l ana

lysi

s of

gen

ome-

wid

e ex

pres

sion

dat

a fr

om c

ance

r cl

inic

al s

ampl

es -

Pro

yect

oFu

ndac

ión

BBVA

.•

Iden

tific

ació

n po

r m

étod

os b

ioin

form

átic

os d

e la

red

de

gene

s qu

e ca

ract

eriz

an u

n cl

asifi

cado

r pr

edic

tor

de h

emop

atía

s m

alig

nas

apa

rtir

de d

atos

de

mic

roar

raay

s de

exp

resi

ón g

enóm

ica-

Proy

ecto

Jun

ta d

e Ca

still

a y

León

.•

Estu

dio

de r

edes

func

iona

les

de g

enes

y p

rote

ínas

por

mét

odos

bio

info

rmát

icos

a p

artir

de

dato

s ge

nóm

icos

de

expr

esió

n y

dein

tera

cció

n: e

nfoq

ue h

acia

nod

os c

rític

os y

des

regu

lado

s en

cán

cer-

Proy

ecto

FIS

(IS

Ciii-

MSy

C).

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

19

No

mb

re d

e la in

stit

uci

ón

: U

niv

ersi

tat

Autó

nom

a de

Bar

celo

na

Invest

igad

or:

Dr. P

au F

erre

r

Perf

il d

el

gru

po

de i

nvest

igaci

ón

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

20

No

mb

re d

e la in

stit

uci

ón

: Cen

tro d

e In

vest

igac

ión d

el C

ánce

r -

Inst

ituto

de

Bio

logía

Mole

cula

r y

Cel

ula

r del

Cán

cer

(CiC

- I

BM

CC)

CSIC

-U

niv

ersi

dad

de

Sal

aman

ca,

Gru

po d

e Bio

info

rmát

ica

y G

enóm

ica

Funci

onal

Invest

igad

or:

Dr. J

avie

r D

e La

s Riv

as

Pers

onal

:•

3 D

octo

res.

• 3

Beca

rios.

• 1

Técn

ico.

Form

ació

n:•

Inge

nier

ía.

• Bi

olog

ía.

• Q

uím

ica.

• Bi

otec

nolo

gía.

Área

s de

exp

erie

ncia

: •

Anál

isis

de

la e

xpre

sión

gén

ica.

• Si

mul

acio

nes.

• M

odel

os m

atem

átic

os.

• Bi

oinf

orm

átic

a.•

Anál

isis

met

aból

ico

(con

técn

icas

de

mar

caje

isot

ópic

o 13

C).

Pers

onal

:•

2 D

octo

res.

• 3

Beca

rios.

• 1

Técn

ico.

Form

ació

n:•

Biol

ogía

.•

Inge

nier

ía.

• In

form

átic

a.•

Bioq

uím

ica.

Área

s de

exp

erie

ncia

:•

Bioi

nfor

mát

ica

y Bi

olog

ía M

olec

ular

com

puta

cion

al.

• An

ális

is d

e la

exp

resi

ón g

énic

a y

tran

scrip

tóm

ica.

• An

ális

is d

e re

des

inte

grad

as d

e in

tera

cció

n de

pro

teín

as.

Pers

pect

ivas

de l

as

ap

lica

cio

nes

de B

iolo

gía

de S

iste

mas

Pri

nci

pale

s R

eto

s y n

ece

sid

ad

es

de l

a B

iolo

gía

de S

iste

mas

Form

ulac

ión

de m

odel

os m

atem

átic

os m

ás r

obus

tos.

Esta

ndar

izac

ión

de p

roce

dim

ient

os y

met

odol

ogía

s.Cr

eaci

ón d

e re

des

y co

nsor

cios

de

cola

bora

ción

.Cr

eaci

ón y

con

solid

ació

n de

gru

pos

de e

xcel

enci

a.

Form

ació

n de

gru

pos

de in

vest

igac

ión

mul

tidis

cipl

inar

es.

Fina

ncia

ción

de

proy

ecto

s m

ultid

isci

plin

ares

.D

esar

rollo

de

disp

ositi

vos

que

perm

itan

real

izar

med

idas

de

proc

esos

bio

lógi

cos

a tie

mpo

rea

l.Fo

rmul

ació

n de

mod

elos

mat

emát

icos

más

rob

usto

s.Es

tand

ariz

ació

n de

pro

cedi

mie

ntos

y m

etod

olog

ías.

Crea

ción

de

rede

s y

cons

orci

os d

e co

labo

raci

ón.

Prog

ram

as d

e es

peci

aliz

ació

n en

Bio

logí

a de

Sis

tem

as.

Crea

ción

y c

onso

lidac

ión

de g

rupo

s de

exc

elen

cia.

Form

ació

n de

gru

pos

de in

vest

igac

ión

mul

tidis

cipl

inar

es.

Fina

ncia

ción

de

proy

ecto

s m

ultid

isci

plin

ares

.Fi

nanc

iaci

ón d

e pr

oyec

tos

mix

tos

OPI

S-em

pres

a.

Cort

o pl

azo

(5 a

ños)

:•

Iden

tific

ació

n y

valid

ació

n de

dia

nas

tera

péut

icas

.•

Prod

ucci

ón d

ebi

oene

rgía

.•

Inge

nier

ía m

etab

ólic

apa

ra p

rodu

ctos

ypr

oces

os in

dust

ria n

oal

imen

taria

.

Med

io p

lazo

(10

años

):•

Iden

tific

ació

n y

valid

ació

n de

dia

nas

tera

péut

icas

.•

Sele

cció

n y

optim

izac

ión

de c

ompu

esto

s de

inte

rés

farm

acol

ógic

o.•

Reco

noci

mie

nto

de e

fect

os s

ecun

dario

s de

fárm

acos

.•

Iden

tific

ació

n de

mar

cado

res

mol

ecul

ares

-mon

itoriz

ació

n de

laef

icac

ia d

e nu

evas

mol

écul

as.

• M

edio

am

bien

te.

• Pr

oduc

ción

de

bioe

nerg

ía.

• In

geni

ería

met

aból

ica

para

pro

duct

os y

pro

ceso

s in

dust

ria n

oal

imen

taria

.

Larg

o pl

azo

(15

años

):•

Med

icin

a pe

rson

aliz

ada.

• Co

nstr

ucci

ón d

em

odel

os p

redi

ctiv

os q

uere

pres

ente

n la

res

pues

tain

mun

e en

hum

anos

.•

Indu

stria

alim

enta

ria.

• Pi

enso

s an

imal

es.

Cort

o pl

azo

(5 a

ños)

Med

io p

lazo

(10

años

):•

Iden

tific

ació

n y

valid

ació

n de

dia

nas

tera

péut

icas

.•

Sele

cció

n y

optim

izac

ión

de c

ompu

esto

s de

inte

rés

farm

acol

ógic

o.•

Iden

tific

ació

n de

mar

cado

res

mol

ecul

ares

-mon

itoriz

ació

n de

laef

icac

ia d

e nu

evas

mol

écul

as.

Larg

o pl

azo

(15

años

):•

Med

icin

a pe

rson

aliz

ada.

• Re

cono

cim

ient

o de

efec

tos

secu

ndar

ios

defá

rmac

os.

Técn

icas

dis

po

nib

les

po

rel g

rup

o d

e in

vest

igaci

ón

Áre

as

de i

nte

rés

Ap

lica

cio

nes

futu

ras

Técn

icas

exp

erim

enta

les:

An

ális

is d

e la

exp

resi

ón g

énic

a: M

icro

arra

ys d

e AD

N.An

ális

is d

e in

tera

ccio

nes

prot

eína

-pro

teín

a:Es

pect

rom

etría

de

mas

as;

Prot

eóm

ica

cuan

titat

iva.

Anál

isis

de

la lo

caliz

ació

n su

bcel

ular

pro

teic

a: M

arca

jem

edia

nte

gene

s tr

azad

ores

o a

ntic

uerp

os;

Cito

met

ríade

fluj

o.Té

cnic

as c

ompu

taci

onal

es:

• Si

mul

acio

nes.

• M

odel

os m

atem

átic

os.

• D

ata-

min

ing.

Inge

nier

ía m

etab

ólic

a:•

Prod

ucci

ón d

em

etab

olito

s.•

Prod

ucci

ón d

epr

oteí

nas

reco

mbi

nant

es.

Los

proy

ecto

s de

inve

stig

ació

n en

cur

sova

n en

cam

inad

os a

des

arro

llar

eim

plem

enta

r es

trat

egia

s de

inge

nier

íam

etab

ólic

a pa

ra e

l dis

eño

de s

iste

mas

mic

robi

anos

, par

ticul

arm

ente

leva

dura

s,op

timiz

ados

par

a la

pro

ducc

ión

deco

mpl

ejos

pro

teic

os.

Técn

icas

dis

po

nib

les

po

r el

gru

po

de i

nvest

igaci

ón

Áre

as

de in

teré

sA

plica

cio

nes

futu

ras

Técn

icas

esp

erim

enta

les:

Anál

isis

de

la s

ecue

ncia

gen

étic

a:M

icro

arra

ys d

e CG

H.

Anál

isis

de

la e

xpre

sión

gén

ica:

Mic

roar

rays

de

ADN

.An

ális

is d

e in

tera

ccio

nes

prot

eína

-pr

oteí

na:

Espe

ctro

met

ría d

e m

asas

;Pr

oteó

mic

a cu

antit

ativ

a.Té

cnic

as c

ompu

taci

onal

es:

Dat

a m

inin

g; M

odel

os m

atem

átic

os;

Bioi

nfor

mát

ica.

Biom

edic

ina:

Id

entif

icac

ión

de m

arca

dore

sm

olec

ular

es-m

onito

rizac

ión

de la

efic

acia

de

nuev

as m

oléc

ulas

.Id

entif

icac

ión

y va

lidac

ión

dedi

anas

ter

apéu

ticas

.Ex

plor

ació

n de

rede

s bi

omol

ecul

ares

gene

rada

s a

part

ir de

dat

osge

nóm

icos

y pr

oteó

mico

s, p

ara

iden

tifica

ción

y ca

ract

eriza

ción

dem

odul

os fu

ncio

nale

s.Tr

atam

ient

o de

la in

form

ació

n-m

iner

ía d

e da

tos/

text

os.

Her

ram

ient

as B

ioin

form

átic

as y

ade

sarr

olla

das

útile

s pa

ra in

vest

igad

ores

en

biol

ogía

mol

ecul

ar e

n el

áre

a de

red

es d

ein

tera

ccio

nes

de p

rote

ínas

y d

e ex

pres

ión

geno

mic

a:-

APID

= h

ttp:

//bi

oinf

ow.d

ep.u

sal.e

s/ap

id/

- AP

ID2N

ET =

a p

lugi

n to

Cyt

osca

pe fo

r PP

Ine

twor

k -

Prob

eExp

lorr

er =

http

://b

ioin

fow

.dep

.usa

l.es/

prob

eexp

lore

r

119


Pro

yect

os

en

Bio

log

ía d

e S

iste

mas

Áre

as

de in

teré

sTécn

icas

dis

po

nib

les

po

r el

gru

po

de i

nvest

igaci

ón

Pers

pect

ivas

de l

as

ap

lica

cio

nes

de B

iolo

gía

de S

iste

mas

Pri

nci

pale

s R

eto

s y n

ece

sid

ad

es

de l

a B

iolo

gía

de S

iste

mas

• D

efin

ició

n de

sta

ndar

es X

ML

para

rep

rese

ntac

ión

de n

etw

orks

que

incl

uyan

la v

aria

ble

tiem

po.

• N

etw

orks

tra

nscr

ipci

onal

es e

n pr

ocar

iota

s. B

ases

de

dato

s y

herr

amie

ntas

de

anál

isis

de

regi

ones

ext

ragé

nica

s.D

etec

ción

de

patr

ones

rep

etiti

vos,

bús

qued

a de

siti

os d

e un

ión

para

reg

ulad

ores

, an

ális

is d

e pa

lindr

omía

en

DN

A.•

Anál

isis

de

dato

s de

arr

ays.

INB

- D

esar

rollo

de

plat

afor

ma

tecn

ológ

ica

para

la in

tero

pera

bilid

ad d

e se

rvic

ios

web

en

Bioi

nfor

mát

ica,

con

stru

cció

nde

pro

toco

los

de a

nális

is,

y tr

ansf

eren

cia

de c

onoc

imie

nto

en p

roye

ctos

de

genó

mic

a a

gran

esc

ala.

Cort

o pl

azo

(5 a

ños)

Med

io p

lazo

(10

años

)La

rgo

plaz

o(1

5 añ

os):

• Id

entif

icac

ión

y va

lidac

ión

dedi

anas

ter

apéu

ticas

.•

Med

icin

a pe

rson

aliz

ada.

• Id

entif

icac

ión

de m

arca

dore

sm

olec

ular

es-m

onito

rizac

ión

de la

efic

acia

de

nuev

as m

oléc

ulas

.•

Cons

truc

ción

de

mod

elos

pred

ictiv

os q

ue r

epre

sent

en la

resp

uest

a in

mun

e en

hum

anos

.

Cort

o pl

azo

(5 a

ños)

:•

Sele

cció

n y

optim

izac

ión

deco

mpu

esto

s de

inte

rés

farm

acol

ógic

o.•

Indu

stria

alim

enta

ria.

• Pi

enso

s an

imal

es.

• M

edio

am

bien

te.

• Pr

oduc

ción

de

bioe

nerg

ía.

Med

io p

lazo

(10

años

):•

Iden

tific

ació

n y

valid

ació

n de

dia

nas

tera

péut

icas

.•

Med

icin

a pe

rson

aliz

ada.

• Se

lecc

ión

y op

timiz

ació

n de

com

pues

tos

de in

teré

sfa

rmac

ológ

ico.

• Re

cono

cim

ient

o de

efe

ctos

sec

unda

rios

de fá

rmac

os.

• Id

entif

icac

ión

de m

arca

dore

s m

olec

ular

es-

mon

itoriz

ació

n de

la e

ficac

ia d

e nu

evas

mol

écul

as.

• Co

nstr

ucci

ón d

e m

odel

os p

redi

ctiv

os q

uere

pres

ente

n la

res

pues

ta in

mun

e en

hum

anos

.•

Med

io a

mbi

ente

.•

Prod

ucci

ón d

e bi

oene

rgía

.

Larg

o pl

azo

(15

años

):•

Med

icin

ape

rson

aliz

ada.

• Id

entif

icac

ión

dem

arca

dore

sm

olec

ular

es-

mon

itoriz

ació

n de

laef

icac

ia d

e nu

evas

mol

écul

as.

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

21

No

mb

re d

e la in

stit

uci

ón

: Era

7 I

nfo

rmat

ion T

echnolo

gie

s, S

.L.

Invest

igad

or:

Dr. E

duar

do P

arej

a

Perf

il d

el

gru

po

de i

nvest

igaci

ón

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

22

No

mb

re d

e la in

stit

uci

ón

: CN

IO -

Unid

ad d

e Bio

info

rmát

ica

Invest

igad

or:

Dr. D

avid

G.

Pisa

no

Pers

onal

:•

4 D

octo

res.

• 1

Inge

nier

o.•

1Téc

nico

.

Form

ació

n:•

Inge

nier

ía.

• Bi

olog

ía.

• Q

uím

ica.

• In

form

átic

a.•

Med

icin

a.

Área

s de

exp

erie

ncia

:•

Anál

isis

de

inte

racc

ione

s AD

N-p

rote

ínas

.•

Anál

isis

de

la e

xpre

sión

gén

ica.

• An

ális

is d

e la

sec

uenc

ia g

enét

ica.

• D

ata-

min

ing.

• M

odel

os m

atem

átic

os.

• Bi

oinf

orm

átic

a.

Pers

onal

:•

1 D

octo

r.•

3 Té

cnic

os.

Form

ació

n:•

Biol

ogía

.•

Info

rmát

ica.

Área

s de

exp

erie

ncia

: •

Anál

isis

de

la e

xpre

sión

gén

ica.

• D

ata-

min

ing.

• Bi

oinf

orm

átic

a.

Biom

edic

ina:

• Id

entif

icac

ión

y va

lidac

ión

dedi

anas

ter

apéu

ticas

.•

Iden

tific

ació

n de

mar

cado

res

mol

ecul

ares

-mon

itoriz

ació

n de

la e

ficac

ia d

e nu

evas

mol

écul

as.

Trat

amie

nto

de la

info

rmac

ión-

min

ería

de

dato

s/te

xtos

.

Técn

icas

exp

erim

enta

les:

An

ális

is d

e la

sec

uenc

ia g

enét

ica;

Aná

lisis

de

la e

xpre

sión

gén

ica;

Aná

lisis

de

inte

racc

ione

s AD

N-p

rote

ínas

; An

ális

is d

e in

tera

ccio

nes

prot

eína

-pro

teín

a;An

ális

is d

e la

loca

lizac

ión

subc

elul

ar p

rote

ica.

Técn

icas

com

puta

cion

ales

:D

ata-

min

ing;

Mod

elos

mat

emát

icos

; Bi

oinf

orm

átic

a.

Áre

as

de i

nte

rés

Técn

icas

dis

po

nib

les

po

r el g

rup

o d

e in

vest

igaci

ón

Biom

edic

ina:

• Id

entif

icac

ión

y va

lidac

ión

dedi

anas

ter

apéu

ticas

.Tr

atam

ient

o de

la in

form

ació

n-m

iner

ía d

e da

tos/

text

os.

Técn

icas

exp

erim

enta

les:

•

Anál

isis

de

la e

xpre

sión

gén

ica:

mic

roar

rays

de

ADN

.

Técn

icas

com

puta

cion

ales

: •

Dat

a-m

inin

g.•

Bioi

nfor

mát

ica.

Des

arro

llo d

e na

nose

nsor

es y

dis

posi

tivos

mic

roflu

ídic

ospa

ra la

med

ida

sim

ultá

nea

de m

últip

les

pará

met

ros.

Des

arro

llo d

e di

spos

itivo

s qu

e pe

rmita

n re

aliz

ar m

edid

asde

pro

ceso

s bi

ológ

icos

a t

iem

po r

eal.

Form

ulac

ión

de m

odel

os m

atem

átic

os m

ás r

obus

tos.

Des

arro

llo d

e he

rram

ient

as d

e so

ftw

are

más

pot

ente

s.

Esta

ndar

izac

ión

de p

roce

dim

ient

os y

met

odol

ogía

s.Pr

ogra

mas

de

espe

cial

izac

ión

en B

iolo

gía

de S

iste

mas

.Fo

rmac

ión

de g

rupo

s de

inve

stig

ació

n m

ultid

isci

plin

ares

Fina

ncia

ción

de

proy

ecto

s m

ultid

isci

plin

ares

.Fi

nanc

iaci

ón d

e pr

oyec

tos

mix

tos

OPI

S-em

pres

a.

Des

arro

llo d

e di

spos

itivo

s qu

e pe

rmita

n re

aliz

ar m

edid

asde

pro

ceso

s bi

ológ

icos

a t

iem

po r

eal.

Des

arro

llo d

e he

rram

ient

as d

e so

ftw

are

más

pot

ente

s.Es

tand

ariz

ació

n de

pro

cedi

mie

ntos

y m

etod

olog

ías.

Crea

ción

de

rede

s y

cons

orci

os d

e co

labo

raci

ón.

Prog

ram

as d

e es

peci

aliz

ació

n en

Bio

logí

a de

Sis

tem

as.

Crea

ción

y c

onso

lidac

ión

de g

rupo

s de

exc

elen

cia.

Form

ació

n de

gru

pos

de in

vest

igac

ión

mul

tidis

cipl

inar

esFi

nanc

iaci

ón d

e pr

oyec

tos

mul

tidis

cipl

inar

es.

Fina

ncia

ción

de

proy

ecto

s m

ixto

s O

PIS-

empr

esa.

120


Pro

yect

os

en

Bio

log

ía d

e S

iste

mas

Pate

nte

sP

royect

os

en

Bio

log

ía d

e S

iste

mas

Coor

dina

dor

EC 2

004-

5035

68 C

OM

BIO

(St

rep)

.Co

ordi

nado

r EC

200

5-01

2948

NET

SEN

SOR

(Nes

t pr

ogra

mm

e).

Coor

dina

dor

EC 2

005-

5120

28 3

D-R

EPER

TOIR

E (L

arge

IP

proj

ect)

.EC

LSH

G-C

T-20

03-5

0552

0: T

owar

ds d

efin

ing

the

inte

ract

ion

prot

eom

e.

US20

0400

7658

3A1

Met

hod

for

iden

tific

atio

n of

bio

logi

cally

activ

e.US

2004

0076

999A

1 Co

mpu

ter

user

inte

rfac

e fa

cilit

atin

gac

quiri

ng a

nd a

naly

zing

of b

iolo

gica

l spe

cim

en t

raits

.US

2004

0076

318A

1 As

sayi

ng a

nd im

agin

g sy

stem

iden

tifyi

ng t

raits

of b

iolo

gica

l spe

cim

ens.

• “E

stab

leci

mie

nto

de b

ases

cie

ntífi

cas

para

el u

so d

e fib

ra d

ieté

tica

antio

xida

nte

y fr

acci

ones

pol

ifenó

licas

en

la p

reve

nció

n de

lcá

ncer

col

orec

tal”

(AG

L200

4-07

579-

C04-

03/A

LI).

• “A

plic

ació

n de

la b

iolo

gía

de s

iste

mas

al d

iseñ

o de

nue

vas

estr

ateg

ias

tera

péut

icas

bas

adas

en

com

batir

la a

dapt

ació

n m

etab

ólic

atu

mor

al”

(SAF

2005

-016

27/)

.•

“Gru

po d

e In

vest

igac

ión

cons

olid

ado

de la

Gen

eral

itat

de C

atal

unya

” (2

005S

GR0

0204

).•

“Int

egra

tive

geno

mic

s an

d ch

roni

c di

seas

e ph

enot

ypes

: m

odel

ling

and

sim

ulat

ion

tool

s fo

r clin

icia

ns”

(Bio

Brid

ge L

SHG

-CT-

2006

-037

939)

.•

Adm

isió

n en

la R

ed T

emát

ica

de I

nves

tigac

ión

Coop

erat

iva

de C

entr

os d

e Cá

ncer

(RT

ICCC

) (R

D06

/002

0/00

46).

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

23

No

mb

re d

e la in

stit

uci

ón

: Cen

tro d

e Reg

ula

ció G

enóm

ica.

Pro

gra

ma

de

Bio

logía

de

Sis

tem

as.

Gru

po d

e D

iseñ

o d

e Sis

tem

as B

ioló

gic

os

Invest

igad

or:

Dr. L

uis

Ser

rano

Perf

il d

el

gru

po

de i

nvest

igaci

ón

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

24

No

mb

re d

e la in

stit

uci

ón

: U

niv

ersi

dad

de

Bar

celo

na

Invest

igad

or:

Dra

. M

arta

Cas

cante

Pers

onal

:•

13 D

octo

res.

• 3

Beca

rios.

• 2

Técn

icos

.

Área

s de

exp

erie

ncia

:•

Circ

uito

s ge

nétic

os.

• Ev

oluc

ión

dirig

ida.

• An

ális

is d

e in

tera

ccio

nes

ADN

-pro

teín

as.

• An

ális

is d

e la

exp

resi

ón g

énic

a.

• An

ális

is d

e la

sec

uenc

ia g

enét

ica.

• An

ális

is d

e la

loca

lizac

ión

subc

elul

ar p

roté

ica.

• M

odel

os m

atem

átic

os.

• Si

mul

acio

nes.

• Bi

oinf

orm

átic

a.

Área

s de

exp

erie

ncia

: •

Anál

isis

de

la lo

caliz

ació

n su

bcel

ular

pro

teic

a.•

Bioi

nfor

mát

ica.

• M

etab

olóm

ica.

• An

ális

is d

e la

exp

resi

ón g

énic

a.

• M

odel

os m

atem

átic

os.

• Si

mul

acio

nes.

Form

ació

n:•

Biol

ogía

.•

Info

rmát

ica.

• Q

uím

ica.

• Fí

sica

.

Form

ació

n:•

Biol

ogía

.Pe

rson

al:

• 6

Doc

tore

s.•

8 Be

cario

s.

Pers

pect

ivas

de l

as

ap

lica

cio

nes

de B

iolo

gía

de S

iste

mas

Pri

nci

pale

s R

eto

s y n

ece

sid

ad

es

de l

a B

iolo

gía

de S

iste

mas

Form

ulac

ión

de m

odel

os m

atem

átic

os m

ás r

obus

tos.

Des

arro

llo d

e he

rram

ient

as d

e so

ftw

are

más

pot

ente

s.Es

tand

ariz

ació

n de

pro

cedi

mie

ntos

y m

etod

olog

ías.

Crea

ción

de

rede

s y

cons

orci

os d

e co

labo

raci

ón P

rogr

amas

de

esp

ecia

lizac

ión

en B

iolo

gía

de S

iste

mas

.Po

tenc

iaci

ón d

e la

met

abol

ómic

a.

Crea

ción

y c

onso

lidac

ión

de g

rupo

s de

exc

elen

cia.

Form

ació

n de

gru

pos

de in

vest

igac

ión

mul

tidis

cipl

inar

es.

Fina

ncia

ción

de

proy

ecto

s m

ultid

isci

plin

ares

.Fi

nanc

iaci

ón d

e pr

oyec

tos

mix

tos

OPI

S-em

pres

a.D

esar

rollo

de

herr

amie

ntas

de

soft

war

e y

hard

war

e ad

ecua

das

para

met

abol

ómic

a.

Des

arro

llo d

e na

nose

nsor

es y

dis

posi

tivos

mic

roflu

ídic

os p

ara

lam

edid

a si

mul

táne

a de

múl

tiple

s pa

rám

etro

s.D

esar

rollo

de

disp

ositi

vos

que

perm

itan

real

izar

med

idas

de

proc

esos

bio

lógi

cos

a tie

mpo

rea

l.Fo

rmul

ació

n de

mod

elos

mat

emát

icos

más

rob

usto

s.

Prog

ram

as d

e es

peci

aliz

ació

n en

Bio

logí

a de

Sis

tem

as.

Form

ació

n de

gru

pos

de in

vest

igac

ión

mul

tidis

cipl

inar

es.

Fina

ncia

ción

de

proy

ecto

s m

ultid

isci

plin

ares

.Fi

nanc

iaci

ón d

e pr

oyec

tos

mix

tos

OPI

S-em

pres

a.D

esar

rollo

de

herr

amie

ntas

de

soft

war

e m

ás p

oten

tes.

Esta

ndar

izac

ión

de p

roce

dim

ient

os y

met

odol

ogía

s.

Cort

o pl

azo

(5 a

ños)

:Id

entif

icac

ión

y va

lidac

ión

de d

iana

ste

rapé

utic

as.

Sele

cció

n y

optim

izac

ión

deco

mpu

esto

s de

inte

rés

farm

acol

ógic

o.In

dust

ria a

limen

taria

.Pi

enso

s an

imal

es.

Otr

os.

Med

io p

lazo

(10

años

):Id

entif

icac

ión

de m

arca

dore

sm

olec

ular

es -

mon

itoriz

ació

n de

laef

icac

ia d

e nu

evas

mol

écul

as.

Prod

ucci

ón d

e bi

oene

rgía

.

Larg

o pl

azo

(15

años

):M

edic

ina

pers

onal

izad

a.Re

cono

cim

ient

o de

efe

ctos

sec

unda

rios

defá

rmac

os.

Cons

truc

ción

de

mod

elos

pre

dict

ivos

que

repr

esen

ten

la r

espu

esta

inm

une

en h

uman

os.

Cort

o pl

azo

(5 a

ños)

:•

Sele

cció

n y

optim

izac

ión

de c

ompu

esto

s de

inte

rés

farm

acol

ógic

o.

Med

io p

lazo

(10

años

):•

Iden

tific

ació

n y

valid

ació

n de

dia

nas

tera

péut

icas

.•

Reco

noci

mie

nto

de e

fect

os s

ecun

dario

s de

fárm

acos

.•

Iden

tific

ació

n de

mar

cado

res

mol

ecul

ares

-mon

itoriz

ació

n de

laef

icac

ia d

e nu

evas

mol

écul

as.

• In

dust

ria a

limen

taria

.•

Pien

sos

anim

ales

.•

Med

io a

mbi

ente

.

Larg

o pl

azo

(15

años

)•

Med

icin

a pe

rson

aliz

ada.

• Co

nstr

ucci

ón d

em

odel

os p

redi

ctiv

os q

uere

pres

ente

n la

res

pues

tain

mun

e en

hum

anos

.•

Prod

ucci

ón d

ebi

oene

rgía

.

Áre

as

de in

teré

sA

plica

cio

nes

futu

ras

de s

u a

ctiv

idad

in

vest

igad

ora

Biom

edic

ina:

• Id

entif

icac

ión

y va

lidac

ión

dedi

anas

ter

apéu

ticas

.•

Sele

cció

n y

optim

izac

ión

deco

mpu

esto

s de

inte

rés

farm

acol

ógic

o.

Iden

tific

ació

n de

dia

nas

nove

dosa

s pa

ra n

uevo

s fá

rmac

os a

ntic

ance

rígen

os.

Des

arro

llo d

e nu

evas

apr

oxim

acio

nes

tera

péut

icas

par

a cá

ncer

y o

steo

poro

sis.

Dis

eño

raci

onal

de

enzi

mas

med

iant

e el

sof

twar

e Fo

ldX

para

su

uso

en T

erap

ia g

énic

a.Us

o de

M. P

neum

onia

eco

mo

posi

ble

ecto

r vi

vo p

ara

tera

pia.

Al m

icro

orga

nism

o se

le p

odría

nin

trod

ucir

gene

s de

inte

rés

o re

des

géni

cas

que

prod

uzca

n m

oléc

ulas

org

ánic

as d

e re

leva

ncia

méd

ica.

Áre

as

de i

nte

rés

Ap

lica

cio

nes

futu

ras

de s

uact

ivid

ad

in

vest

igad

ora

Pate

nte

s

Inge

nier

ía m

etab

ólic

a:Pr

oduc

ción

de

met

abol

itos.

Biom

edic

ina:

Iden

tific

ació

n y

valid

ació

n de

dia

nas

tera

péut

icas

.Se

lecc

ión

y op

timiz

ació

n de

com

pues

tos

dein

teré

s fa

rmac

ológ

ico;

Rec

onoc

imie

nto

deef

ecto

s se

cund

ario

s de

fárm

acos

; Id

entif

icac

ión

de m

arca

dore

s m

olec

ular

es-m

onito

rizac

ión

dela

efic

acia

de

nuev

as m

oléc

ulas

.Tr

atam

ient

o de

la in

form

ació

n-m

iner

ía d

eda

tos/

text

os.

• Te

rapi

a de

l cán

cer.

• Id

entif

icac

ión

de m

oléc

ulas

de

inte

rés

en la

s in

dust

rias

farm

acol

ógic

a,co

smét

ica

y de

alim

enta

ción

a p

artir

de p

rodu

ctos

nat

ural

es.

• An

ális

is d

el c

ontr

ol y

la r

egul

ació

n de

sist

emas

bio

quím

icos

con

fina

lidad

biom

édic

a o

biot

ecno

lógi

ca.

• M

etab

olóm

ica

y flu

xóm

ica.

• N

º so

licitu

d: 9

9019

58 “

Polif

enol

esde

uva

par

a pr

otec

ción

sol

ar.

Extr

acci

ón d

e la

frac

ción

polif

enól

ica

de r

esid

uo d

e pr

ensa

dode

uva

par

a la

obt

enci

ón d

e un

prep

arad

o de

apl

icac

ión

com

opr

otec

tor

de la

pie

l con

tra

las

radi

acio

nes

ultr

avio

leta

del

sol

”.•

Nº s

olici

tud:

200

1020

81“C

onju

gado

s de

flav

anol

es y

ciste

ína”

.

Técn

icas

dis

po

nib

les

po

r el

gru

po

de i

nvest

igaci

ón

Técn

icas

exp

erim

enta

les:

An

ális

is d

e la

sec

uenc

ia g

enét

ica:

sec

uenc

iaci

ón d

e AD

N, o

tros

; An

ális

is d

e la

exp

resi

óngé

nica

: m

icro

arra

ys d

e AD

N;

Anál

isis

de

inte

racc

ione

s AD

N-p

rote

ínas

: in

mun

opre

cipi

taci

ónde

pro

teín

as;

Anál

isis

de

inte

racc

ione

s pr

oteí

na-p

rote

ína:

Pur

ifica

ción

por

afin

idad

; An

ális

isde

la lo

caliz

ació

n su

bcel

ular

pro

teic

a: m

arca

je m

edia

nte

gene

s tr

azad

ores

o a

ntic

uerp

os.

Técn

icas

com

puta

cion

ales

: Si

mul

acio

nes;

Mod

elos

mat

emát

icos

; Bi

oinf

orm

átic

a.

Técn

icas

exp

erim

enta

les:

Anál

isis

de

la e

xpre

sión

gén

ica:

mic

roar

rays

de

ADN

; An

ális

is d

e in

tera

ccio

nes

prot

eína

-pro

teín

a: P

urifi

caci

ón p

or a

finid

ad;

Anál

isis

de la

loca

lizac

ión

subc

elul

ar p

rote

ica:

Cel

l sor

ting,

Mar

caje

med

iant

e ge

nes

traz

ador

es o

ant

icue

rpos

.Té

cnic

as c

ompu

taci

onal

es:

Mod

elos

mat

emát

icos

; Si

mul

acio

nes;

Bio

info

rmát

ica.

121


Pro

yect

os

en

Bio

log

ía d

e S

iste

mas

Pate

nte

sP

royect

os

en

Bio

log

ía d

e S

iste

mas

• A-

Cute

-Tox

: O

ptim

izat

ion

and

pre-

valid

atio

n of

an

in v

itro

test

str

ateg

yfo

r pr

edic

ting

acut

e hu

man

tox

icity

. In

tegr

ated

Pro

ject

. VI

Fra

me

Prog

ram

, Th

e Eu

rope

an C

omm

issi

on (

LSH

B-CT

-200

4-51

2051

).Pa

rtic

ipac

ión

com

o pa

rtne

r 9

y Lí

der

de la

Wor

kPac

kage

4 “

New

Cel

lSy

stem

s, N

ew E

ndpo

ints

”.•

Pred

icto

mic

s: S

hort

-ter

m in

vitr

o as

says

for

long

-ter

m t

oxic

ity.

Spec

ific

Targ

eted

Res

earc

h Pr

ojec

t. V

I Fr

ame

Prog

ram

, Th

e Eu

rope

an C

omm

issi

on(L

SHB-

CT-2

004-

5047

61).

Par

ticip

ació

n co

mo

subc

ontr

atad

o de

l Par

tner

1(C

oord

inad

or:

Prof

. Jo

sé V

icen

te C

aste

ll Ri

poll,

Uni

vers

idad

de

Vale

ncia

).•

Mej

ora

de la

pre

dicc

ión

tras

laci

onal

de

los

ensa

yos

de s

egur

idad

no

clín

ica

al H

ombr

e (P

roye

cto

Mel

ius)

. Co

nvoc

ator

ia C

ENIT

200

6, C

entr

opa

ra e

l Des

arro

llo T

ecno

lógi

co e

Ind

ustr

ial (

CDTI

). P

rogr

ama

Inge

nio

2000

. Pa

rtic

ipac

ión

com

o su

bcon

trat

ado

de la

em

pres

a N

euro

phar

ma.

Nue

vo p

éptid

o in

hibi

dor

del

inte

rcam

biad

or d

e N

a+/H

+ (

PIN

HE)

.In

vent

ores

: M

. To

rreb

lanc

a, J

.L.

Lequ

eric

a, J

.E.

O'C

onno

r, I.

Mes

segu

er,

M.C

. D

olz,

L.

Such

, M

.Sá

nche

z. N

úmer

o de

sol

icitu

d:P2

0020

1664

. Pa

ís y

fech

a de

prio

ridad

: Es

paña

, 16

-07-

2002

.En

tidad

es t

itula

res:

Uni

vers

idad

de

Alic

ante

, CS

IC,

Uni

vers

idad

de

Vale

ncia

.

• G

rid-a

ided

com

pute

r sy

stem

for

rapi

d an

ti-ca

ncer

dru

g de

sign

. Eu

rope

an C

omm

issi

on -

Res

earc

h D

irect

orat

e-G

enea

rl. 2

007-

2009

.•

Estr

ateg

ias

quim

ioge

nóm

icas

diri

gida

s a

enfe

rmed

ades

: do

lor

y ob

esid

ad.

Proy

ecto

CEN

IT.

Cent

ro p

ara

el D

esar

rollo

Tecn

ológ

ico

e In

dust

rial.

2006

-200

9.•

Des

arro

llo d

e nu

evas

met

odol

ogía

s ba

sada

s en

el c

onoc

imie

nto

para

el r

efin

amie

nto

de m

odel

os d

e pr

oteí

nas

dian

ay

su a

plic

ació

n al

dis

eño

dirig

ido

de c

ompu

esto

s. P

lan

Nac

iona

l de

I+D

+i.

Min

iste

rio d

e Ed

ucac

ión

y Ci

enci

a. 2

006-

2008

.•

Perf

ilado

farm

acol

ógic

o in

sili

co d

e m

oléc

ulas

par

a fa

mili

as d

e pr

oteí

nas

de e

spec

ial r

elev

anci

a pa

ra la

sal

udhu

man

a. I

nstit

uto

de S

alud

Car

los

III.

200

5-20

08.

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

25

No

mb

re d

e la in

stit

uci

ón

: In

stituto

Munic

ipal

de

Inve

stig

ació

n M

édic

a,la

bora

torio d

e Q

uim

iogen

óm

ica

Invest

igad

or:

Dr. J

ord

i M

estr

es

Perf

il d

el

gru

po

de i

nvest

igaci

ón

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

26

No

mb

re d

e l

a i

nst

itu

ció

n:

Univ

ersi

dad

de

Val

enci

a (U

VEG

) y

Cen

tro d

e In

vest

igac

ión

Prín

cipe

Felip

e (C

IPF)

Lab

ora

torio d

e Citóm

ica

(Unid

ad M

ixta

CIP

F-U

VEG

)In

vest

igad

or:

Dr. J

osé

Enrique

O'C

onnor

Bla

sco

Form

ació

n:•

Quí

mic

a.•

Biol

ogía

.•

Info

rmát

ica.

• M

edic

ina.

Área

s de

exp

erie

ncia

: •

Dat

a-m

inin

g.•

Bioi

nfor

mát

ica.

• Q

uim

ioge

nóm

ica.

Pers

onal

:•

3 D

octo

res.

• 3

Beca

rios.

• 1

Técn

ico.

• 1

FP I

I.

Área

s de

exp

erie

ncia

: •

Anál

isis

de

la lo

caliz

ació

n su

bcel

ular

prot

eica

.•

Citó

mic

a.

Form

ació

n:•

Biol

ogía

.•

Quí

mic

a.•

Farm

acia

.Pe

rson

al:

• 2

Doc

tore

s.•

6 Be

cario

s.

Pers

pect

ivas

de l

as

ap

lica

cio

nes

de B

iolo

gía

de S

iste

mas

Pri

nci

pale

s R

eto

s y n

ece

sid

ad

es

de l

a B

iolo

gía

de S

iste

mas

Cort

o pl

azo

(5 a

ños)

:•

Sele

cció

n y

optim

izac

ión

deco

mpu

esto

s de

inte

rés

farm

acol

ógic

o.•

Reco

noci

mie

nto

de e

fect

osse

cund

ario

s de

fárm

acos

.

Med

io p

lazo

(10

años

):•

Iden

tific

ació

n y

valid

ació

n de

dian

as t

erap

éutic

as.

Larg

o pl

azo

(15

años

):•

Med

icin

a pe

rson

aliz

ada.

• Id

entif

icac

ión

de m

arca

dore

sm

olec

ular

es-m

onito

rizac

ión

de la

efic

acia

de

nuev

as m

oléc

ulas

.

Cort

o pl

azo

(5 a

ños)

:•

Iden

tific

ació

n y

valid

ació

n de

dia

nas

tera

péut

icas

.•

Sele

cció

n y

optim

izac

ión

de c

ompu

esto

s de

inte

rés

farm

acol

ógic

o.•

Reco

noci

mie

nto

de e

fect

os s

ecun

dario

s de

fárm

acos

.•

Iden

tific

ació

n de

mar

cado

res

mol

ecul

ares

-m

onito

rizac

ión

de la

efic

acia

de

nuev

as m

oléc

ulas

.

Med

io p

lazo

(10

años

):•

Indu

stria

alim

enta

ria.

• Pi

enso

s an

imal

es.

• Pr

oduc

ción

de

bioe

nerg

ía.

Larg

o pl

azo

(15

años

):•

Med

icin

a pe

rson

aliz

ada.

• Co

nstr

ucci

ón d

e m

odel

ospr

edic

tivos

que

repr

esen

ten

la r

espu

esta

inm

une

en h

uman

os.

• M

edio

am

bien

te.

Técn

icas

dis

po

nib

les

po

r el

gru

po

de in

vest

igaci

ón

Áre

as

de i

nte

rés

Técn

icas

com

puta

cion

ales

:•

Dat

a-m

inin

g.•

Bioi

nfor

mát

ica.

• Q

uim

ioge

nóm

ica.

Biom

edic

ina:

• Se

lecc

ión

y op

timiz

ació

n de

com

pues

tos

de in

teré

s fa

rmac

ológ

ico.

• Re

cono

cim

ient

o de

efe

ctos

sec

unda

rios

de fá

rmac

os.

Trat

amie

nto

de la

info

rmac

ión-

min

ería

de

dato

s/te

xtos

Técn

icas

dis

po

nib

les

po

r el g

rup

od

e i

nvest

igaci

ón

Áre

as

de in

teré

sA

plica

cio

nes

futu

ras

Técn

icas

exp

erim

enta

les:

Anál

isis

de

la lo

caliz

ació

n su

bcel

ular

pro

teic

a:M

arca

je m

edia

nte

gene

s tr

azad

ores

oan

ticue

rpos

; An

ális

is m

ultip

aram

étric

o en

tiem

po r

eal p

or c

itom

etría

de

flujo

; An

ális

ism

ultip

lexa

do d

e m

oléc

ulas

libr

es p

orci

tom

etría

de

flujo

; An

ális

is d

e al

to c

onte

nido

(HCS

) po

r bi

oim

agen

; Ce

ll so

rtin

g.Té

cnic

as c

ompu

taci

onal

es:

Bioi

nfor

mát

ica.

Biom

edic

ina:

Iden

tific

ació

n y

valid

ació

n de

dian

as t

erap

éutic

as;

Reco

noci

mie

nto

de e

fect

osse

cund

ario

s de

fárm

acos

;Id

entif

icac

ión

de m

arca

dore

sm

olec

ular

es-m

onito

rizac

ión

dela

efic

acia

de

nuev

as m

oléc

ulas

.

Des

arro

llo d

e es

trat

egia

s de

ensa

yos

mul

tipar

amét

ricos

min

iatu

rizad

os b

asad

os e

ncé

lula

s pa

ra la

pre

dicc

ión

deef

ecto

s fa

rmac

ológ

icos

ytó

xico

s.

Des

arro

llo d

e he

rram

ient

as d

e so

ftw

are

más

pot

ente

s.Es

tand

ariz

ació

n de

pro

cedi

mie

ntos

y m

etod

olog

ías.

Crea

ción

de

rede

s y

cons

orci

os d

e co

labo

raci

ón.

Prog

ram

as d

e es

peci

aliz

ació

n en

Bio

logí

a de

Sis

tem

as.

Fina

ncia

ción

de

proy

ecto

s m

ixto

s O

PIS-

empr

esa.

Esta

ndar

izac

ión

de p

roce

dim

ient

os y

met

odol

ogía

s.Cr

eaci

ón y

con

solid

ació

n de

gru

pos

de e

xcel

enci

a.Fo

rmac

ión

de g

rupo

s de

inve

stig

ació

n m

ultid

isci

plin

ares

.Fi

nanc

iaci

ón d

e pr

oyec

tos

mul

tidis

cipl

inar

es.

122


Pro

yect

os

en

Bio

log

ía d

e S

iste

mas

Técn

icas

dis

po

nib

les

po

r el

gru

po

de i

nvest

igaci

ón

Áre

as

de in

teré

s

Pers

pect

ivas

de las

ap

lica

cio

nes

de B

iolo

gía

Sin

téti

ca

Pri

nci

pale

s R

eto

s d

e la B

iolo

gía

Sin

téti

ca

• Sy

stem

s an

alys

ys o

f pro

cess

-ind

uced

str

ess:

tow

ards

a q

uant

um in

crea

se in

per

form

ance

of p

seud

omon

as p

utid

a as

the

cell

fact

ory

of c

hoic

e fo

r w

hite

bio

tech

nolo

gy.

PSys

MoE

ntid

ad F

inan

ciad

ora:

Acc

ión

ERA-

NET

de

la U

E. E

ntid

ades

Part

icip

ante

s: C

onso

rcio

form

ado

por

18 c

entr

osD

urac

ión:

36

mes

es.

Com

ienz

o 1-

1-20

07In

vest

igad

or p

rinci

pal

(Coo

rdin

ador

): K

enne

th N

. Ti

mm

is y

Vito

r A.

P.

Mar

tin d

os S

anto

.•

Influ

enci

a de

l pai

saje

de

fitne

ss e

n la

evo

luci

ón y

sel

ecci

ón d

e si

stem

as a

utor

repl

icat

ivos

. En

tidad

fina

ncia

dora

:M

inis

terio

de

Educ

ació

n y

Cien

cia

(BFU

2006

-019

51/B

MC)

. En

tidad

es p

artic

ipan

tes:

UCM

, U

PV,

Gen

etrix

. D

urac

ión,

desd

e: 1

/12/

2006

has

ta:

30/1

1/20

09.

Inve

stig

ador

prin

cipa

l: F

eder

ico

Mor

án.

Núm

ero

de in

vest

igad

ores

part

icip

ante

s: 3

.

Des

arro

llo d

e di

spos

itivo

s qu

e pe

rmita

n re

aliz

ar m

edid

asde

pro

ceso

s bi

ológ

icos

a t

iem

po r

eal.

Form

ulac

ión

de m

odel

os m

atem

átic

os m

ás r

obus

tos.

Crea

ción

de

rede

s y

cons

orci

os d

e co

labo

raci

ón.

Prog

ram

as d

e es

peci

aliz

ació

n en

Bio

logí

a de

Sis

tem

as.

Fina

ncia

ción

de

proy

ecto

s m

ultid

isci

plin

ares

.

Técn

icas

com

puta

cion

ales

:•

Mod

elos

mat

emát

icos

.•

Sim

ulac

ione

s.

Inge

nier

ía M

etab

ólic

a:•

Prod

ucci

ón d

e m

etab

olito

s.•

Bior

rem

edia

ción

.Tr

atam

ient

o de

la in

form

ació

n-m

iner

ía d

e da

tos/

text

os.

Cort

o pl

azo

(5 a

ños)

Med

io p

lazo

(10

año

s):

• M

edio

Am

bien

teLa

rgo

plaz

o(1

5 añ

os)

GR

UP

O D

E I

NV

ES

TIG

AC

IÓN

27

No

mb

re d

e la in

stit

uci

ón

: U

niv

ersi

dad

Com

plu

tense

de

Mad

rid

Invest

igad

or:

Dr. F

eder

ico M

orá

n A

bad

Perf

il d

el g

rup

o d

e in

vest

igaci

ón

Pers

onal

:•

2 D

octo

res.

• 2

Beca

rios.

Form

ació

n:•

Biol

ogía

.•

Bioq

uím

ica.

Área

s de

exp

erie

ncia

: •

Mod

elos

mat

emát

icos

.•

Sim

ulac

ione

s.

123


• A Glossary for Systems Biology, Universidad deStuttgart (http://www.sysbio.de/projects/glossary/Glossary.shtml).

• Alliance for Cellular Signalling(http://www.signaling-gateway.org/).

• Aloy, P. & Russell, R. B. (2005). Structure-basedsystems biology: a zoom lens for the cell. FEBSLetters 579. 1854-1858.

• Banga, J. R. et al. (2003). Systems Biologygoes Europe: Omics United! New Scientists,07/02/2003.

• BIOPAX (http://www.biopax.org/index.html).

• Borodina, I. & Nielsen, J. (2005). Fromgenomes to in silico cells via metabolicnetworks. Current Opinion in Biotechnology 16,350-355.

• Brazma, A. et al. (2006). Standards for systemsbiology. Nat Rev Genet. Aug;7(8): 593-605.

• Bruce, B. & Zemmel, R. (2004). Prospects forproductivity. Nature Reviews - Drug Discovery, 3:451-456.

• Butcher, E. C. et al. (2004). Systems Biology indrug discovery. Nature Biotechnology, Vol. 8, Nº 10: 1253-1259.

• Cassman, M. et al. Assessment of InternationalResearch and Development in Systems Biology(www.wtec.org/sysbio).

• Cho, C. R. (2006). The application of systemsbiology to drug discovery. Current Opinion inChemical Biology, 10:294-302.

• Computational systems Biology (CSB)- Itsfuture in Europe. DG Research/F.4 FundamentalGenomics. 8 March 2004.

• Deckwer, W. D. Systems Biology Approaches tobioprocess Development. (2006) Eng. Life Sci.6, 455:469.

• Dhar, P. K. et al. (2004). Computational approachto systems biology: from fraction to integrationand beyond. IEE Transactions on nanobioscience.September, vol. 3, nº 3, 144-152.

• DOAJ, Directory of Open Access Journals(http://www.doaj.org).

• El Proyecto Fenoma Humano. N. FREIMER ANDC. SABATTI. Nature Genetics 34, 15; Mayo 2003

• Elia, A. E. et al. (2003). Proteomic screen findspSer/pThr-binding domain localizing Plk1 tomitotic substrates. Science 299, 1228-1231.

• Escuela Técnica Superior de IngenierosAgrónomos de Madrid/Fundación Española parael Desarrollo de la Nutrición Animal(http://www.etsia.upm.es/fedna/microingredientes/ltreonina.htm).

• European Patent Office Esp@cenet(http://es.espacenet.com/search97cgi/s97_cgi.exe?Action=FormGen&Template=es/ES/home.hts).

• EU Projects Workshop Report on Systems Biology.

• FDA, New Drug and Biological Drug Products;Evidence Needed to Demostrate Effectiveness ofNew Drugs When Human Efficacy Studies Are NotEthical or Feasible. Federal Register 31, May 2002.

• French, J. M. et al. (2003). Biodefense: ASystems Biology Approach to Drug Discoveryand Development. Regulatory Affairs Focus,Noviembre: 36-42.

• Gavin, A. C. et al. (2002). Functionalorganization of the yeast proteome bysystematic analysis of protein complexes.Nature. 415, 141-147. Ho, Y. et al. (2002)Systematic identification of protein complexes.

• Ge, H. et al. (2003). Integrating “omic”information: a bridge between genomics andsystems biology. TRENDS in Genetics, Vol.19No. 1: 551-560.

• Genomics: GTL Roadmap, August 2005.

• Grandes proyectos de I+D, Fundación GenomaEspaña (http://www.gen-es.org/01_INFO/01_info.cfm?pag=0400).

• Greenbaum, D. et al. (2001). Interrelatingdifferent types of genomic data, from proteometo secretome: Oming in on function. GenomeResearch, 11: 1463 -1468.

Referencias

http://www.sysbio.de/projects/glossary/Glossary.shtml

http://www.signaling-gateway.org/

http://www.biopax.org/index.html

http://www.doaj.org

http://www.etsia.upm.es/fedna/microingredientes/ltreonina.htm

http://es.espacenet.com/search97cgi/s97_cgi.exe?Action=FormGen&Template=es/ES/home.hts

www.wtec.org/sysbio

http://www.gen-es.org/01_INFO/01_info.cfm?pag=0400

• Guía de empresas en el sector BiotecnológicoEspañol. Genoma España, septiembre 2006.

• Highwire Press (http://highwire.stanford.edu).

• Hood, L. & Perlmutter, R. M. (2004). The impactof system approaches. Nature Biotechnology,vol. 22, (10): 1215-1217.

• Iañez, E. La era postgenómica: la próximarevolución de la biología. Disponible on-linehttp://www.ugr.es/~eianez/Biotecnologia/genoma-7.html.

• Ideker, T. et al. (2001). A new approach todecoding life. Annu. Rev. Genomics Hum. Genet,2: 343-72.

• Ingeniería metabólica, Instituto de Biotecnologíade la Universidad de Granada(http://www.ugr.es/~eianez/Biotecnologia/ingmetabol.htm)

• Instituto de Bioingeniería de la Universidad deAuckland (http://www.bioeng.auckland.ac.nz/home/home.php).

• Institute for Systems Biology(www.systemsbiology.org).

• Instituto Nacional de Bioinformática - Nodo deformación (http://www.inab.org/training/).

• Ito, T.; Chiba, T.; Ozawa, R.; Yoshida, M.;Hattori, M. and Sakaki, Y. (2001). A comprehensive two-hybrid analysis to explorethe yeast protein interactome. Proc. Natl. Acad.Sci. USA 98, 4569-4574.

• Janes, K. A. et al. (2003). A high-throughputquantitative multiplex kinase assay formonitoring information flow in signalingnetworks: application to sepsis-apoptosis. Mol.Cell. Proteomics 2, 463-473.

• Jensen, L. J. et al. (2006). Literature mining forthe biologist: from information retrieval tobiological discovery. Nature Reviews - Genetcis,Vol. 7: 119-129.

• Kitano, H. (2001). Foundations of SystemsBiology, chapter Systems Biology: TowardSystem-level Understanding of BiologicalSystems, pages 1-29. MIT Press, Cambridge/MA.

• Kyoto Encyclopedia of Genes and Genomes,KEGG (http://www.genome.ad.jp/keg).

• Li, S. et al. (2004). A map of the interactomenetwork of the metazoan C. elegans. Science303, 540-543.

• López, M. et al. (2005). Técnicas de genotipado ensalud humana. Informe de Vigilancia Tecnológica.Genoma España. Salud Humana. 2005.

• López, M.; Ruiz, G.; Mallorquín, P. y Vega, M.(2006). Informe de Vigilancia TecnológicaBiología Sintética. Genoma España.

• Lovely, D. R. (2003). Cleaning up with genomics:applying molecular biology to bioremediation.Nature Reviews Microbiology 1, 35-44.

• Mack, G. S. (2004). Can complexity becommercialized? Nature Biotechnology 22,1223-1229.

• McKenna, C. & Sudbeck, B. (2003). Assessingthe Impact of Predictive Biosimulation onPharma R&D. PAREXEL Pharmaceutical R&DSourcebook.

• Mesarovic’, M. D. (1968). Systems Theory andBiology-View of a Theoretician, in SystemTheory and Biology, ed. M. D. Mesarovic´, pp.59-87, Springer-Verlag.

• Microbiology 343 - Topics in MicrobialLaboratory Techniques. Systems Biology.Departments of Computing Science andBiological Sciences, University of Alberta(http://redpoll.pharmacy.ualberta.ca/343).

• Munich Systems Biology Forum, MSBF(http://www.msbf.mpg.de).

• Musante, C. J. et al. (2002). Small-and large-scale biosimulation applied to drug discoveryand development. Drug Discovery Today, Vol. 7,(20): 192-196.

• Nickerson, D. P. & Lloyd, C.M. Model Repository,CellML website. (http://www.cellml.org/examples/repository).

• Novel systems for visualizing biological data.Genetic engineering news. Vol 25, nº 18, oct. 15, 2005.

• PMC, PubMed Central(http://www.pubmedcentral.nih.gov).

• Pieper D. T. et al. (2004). Genomic andmechanistic insights into the biodegradation oforganic pollutants. Current Opinion inBiotechnology 15, 215-224.

124


_

http://highwire.stanford.edu

http://www.ugr.es/~eianez/Biotecnologia/genoma-7.html

http://www.ugr.es/~eianez/Biotecnologia/ingmetabol.htm

http://www.bioeng.auckland.ac.nz/home/home.php


http://www.inab.org/training/

http://redpoll.pharmacy.ualberta.ca/343

http://www.msbf.mpg.de

http://www.cellml.org/examples/repository

http://www.pubmedcentral.nih.gov

http://www.genome.ad.jp/

125


• Proyecto “Corynebacteria DNA microarrayanalysis of global regulatory networks inCorynebacterium glutamicum”(https://www.genetik.uni-bielefeld.de/GenoMik/cluster4.html).

• PubMed, U.S. National Library of Medicine(http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?DB=pubmed).

• Rain, J. C. et al. (2001). The protein-proteininteraction map of Helicobacter pylori. Nature409, 211-215. Giot, L. et al. (2003). A proteininteraction map of Drosophila melanogaster.Science 302, 1727-1736.

• Red española de Biología de Sistemas(http://www.sysbiol.net/index.cfm).

• Sang Yup Lee et al. (2005). Systemsbiotechnology for strain improvement. TRENDSin Biotechnology, 23 No.7 July 2005.

• Sevilla, A. et al. (2006). Dynamic model for theoptimization of l(-)-carnitine production byEscherichia coli. Understanding and ExploitingSystems Biology in Biomedicine andBioprocesses. Fundación CajaMurcia.

• Signal Transduction Knowledge Environment,STKE (http://stke.sciencemag.org).

• Stefan Hohmann, Jens Nielsen, Hiroaki Kitano.(2004) White Paper: Yeast Systems BiologyNetwork http://www.gmm.gu.se/globalysbn/WhitePaperYSB_may2004.pdf.

• SysMO (http://www.sysmo.net/).

• Systems Biology Markup Language, SBML(http://sbml.org/index.psp).

• Systems Biology, information, disease and drugdiscovery. (2004). Drug Discovery World Winter,vol. 5, 23-33.

• Systems Biology: Toward Systems-levelUnderstanding of Biological Systems.

• The Jena Centre for Bioinformatics, JCB(http://www.fli-leibniz.de/jcb).

• The RCSB Protein Data Bank, PDB(www.rcsb.org/pdb).

• Trigo, A. et al. (2006). The globalbiodegradation network: Who works here?Understanding and Exploiting Systems Biologyin Biomedicine and Bioprocesses. FundaciónCajaMurcia.

• Tyson, J. J.; Chen, K. and Novak, B. (2001).Network dynamics and cell physiology. Nat. Rev.Mol. Cell. Biol. 2, 908-916.

• Tyson, J. J.; Chen, K. C. and Novak, B. (2003).Sniffers, buzzers, toggles and blinkers:dynamics of regulatory and signalling pathwaysin the cell. Curr. Opin. Cell. Biol. 15, 221-231.

• Uetz, P. et al. (2000). A comprehensive analysisof protein- protein interactions inSaccharomyces cerevisiae. Nature 403, 623-627.

• Varabais, A. L. & Oltvai, Z. N. (2002). Life´scomplexity Pyramid. Science 298, 763-764.

• Wendisch, V. F. (2005). Towards improvingproduction of fine chemicals by systemsbiology: Amino acid production byCorynebacterium glutamicum. Chemistry todayFeb, 49-52.

https://www.genetik.uni-bielefeld.de/GenoMik/cluster4.html

http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?DB=pubmed


www.rcsb.org/pdb

http://www.sysbiol.net/index.cfm

http://stke.sciencemag.org

http://www.gmm.gu.se/globalysbn/WhitePaperYSB_may2004.pdf

http://www.sysmo.net/


126


Biochip: término empleado para referirse a losmicroarrays o micromatrices de materialbiológico.

Cell sorting: tecnología que permite laseparación de células en mezclas complejas. Lascélulas pueden separarse en base tamaño, forma,contenido de ADN o afinidad por ligandosfluorescentes.

Data mining o minería de datos: extracción deinformación que se haya en grandes bases dedatos, mediante el uso de algoritmos.

Disrupción genética: inactivación de un gen pormedio de técnicas de biología molecular ygenética. Los estudios de disrupción genéticaproporcionan gran cantidad de información sobrela función de uno o varios genes.

Estratificación de enfermedades: distribuciónde pacientes en grupos homogéneos en base aclasificaciones moleculares.

Ingeniería de sistemas: se trata de unametodología aplicada a la modelización desistemas biológicos complejos. Esta puederealizarse por medio de dos estrategias, ingenieríadirecta (bottom-up) o modelización a partir deinformación conocida de los componentes delsistema biológico, o ingeniería reversa (top-down), mediante la cual se deduce la estructura ycomponentes del sistema biológico en base a sucomportamiento.

Knockout ARNi: bloqueo in vivo de la expresiónde un determinado gen mediante el uso de ARNde interferencia.

Lenguaje de programación: conjunto deinstrucciones, órdenes, comandos y reglas quepermiten la creación de programas.

Microarrays de ADN: colección de moléculas deADN unidas a un sustrato sólido de tal forma queforman una matriz de secuencias en dosdimensiones.

Modelo: representación formal o abstracta queda lugar a una réplica del sistema real, construidoa partir de sus elementos básicos basándose enuna mezcla de asunciones y conocimientos

adquiridos con anterioridad. Un modelo puede serformal si emplea representaciones matemáticas, oconceptual si utiliza únicamente diagramas oconceptos. Los modelos pueden ser a su vezmecanísticos si se basan en relaciones causa-efecto, o fenomenológicos si consiste en unacombinación de fenómenos observados yconocimientos previos. También es frecuentedividir los modelos matemáticos endeterminísticos (respuestas son predecibles) oestocásticos (respuestas basadas endistribuciones de probabilidad), cuantitativos ocualitativos, y lineares o no lineares.

PCR: reacción en cadena de la polimerasa(Polimerase Chain Reaction). Técnica de ingenieríagenética mediante la cual se consigue amplificarexponencialmente una secuencia específica de ADN.

Proteína: polímero lineal constituido poraminoácidos, cuya estructura tridimensional escapaz de fijar específicamente ligandos ydesarrollar así sus funciones.

Red bayesiana: una Red Bayesiana consta dedos componentes. El primero de ellos, máscualitativo, está representado por un grafo acíclicodirigido donde los nodos (el conjunto finito) sonvariables aleatorias del problema, y los arcosindican relaciones entre variables. El segundo deellos, cuantitativo, se trata de un conjunto dedistribuciones de probabilidad condicionadas (unapor nodo) donde la distribución en cada nodo estácondicionada al posible valor de cada uno de lospadres. En definitiva, es un modelo probabilísticomultivariado que relaciona un conjunto devariables aleatorias mediante un grafo dirigido, elcual indica explícitamente influencia causal.

Redes: colección de rutas interconectadas entresí, con múltiples salidas y entradas.Tradicionalmente, el término ruta se empleabapara describir los procesos metabólicos, mientrasque las redes se referían a los procesos deseñalización y regulación génica. La topología delas redes refleja algunas de las propiedadesesenciales de los sistemas biológicos, y puedenser reprogramados en las células para querespondan a determinadas señales externas.

Robustez: propiedad de un sistema que indica laresistencia del mismo a errores internos yperturbaciones externas.

Glosario

127


Rutas de señalización: rutas bioquímicas que regulan el flujo de información intra eintercelular y que ejercen una función esencial en el destino de cada célula. Sedesconoce en gran medida la organización de lamayoría de las rutas de señalización, e incluso lasherramientas matemáticas más adecuadas parasu análisis.

Rutas metabólicas: serie de reaccionesbioquímicas en las cuales el producto de una delas reacciones sirve como sustrato de la siguientereacción. Estas rutas controlan la producción,transformación, y consumo de energía en lascélulas. Herramientas matemáticas como análisisde balance de flujo pueden ser utilizados paraanalizar y estimular la actividad de estas rutas.

Sistema biológico: un sistema es un conjuntode componentes que se organiza en subsistemasa distintos niveles, y que posee más atributos delos que posee la suma de sus componentes. Enlos sistemas biológicos, esta estructura jerárquicase observa en los diferentes niveles que vandesde moléculas a ecosistemas.

Sistema doble híbrido: test genético quepermite la detección in vivo de interaccionesespecíficas entre proteínas.

Splicing proteico: modificaciones post-traduccionales que sufren las proteínas queconsisten en la eliminación de parte de lasecuencia original de aminoácidos y el posteriorempalme de la misma.

Orense, 69, planta 2ª28020 MadridTeléfono: 91 449 12 50Fax: 91 571 54 89www.gen-es.org

UNIVERSIDAD AUTONOMADE MADRID

www.gen-es.org

biología de sistemas - icono.fecyt.es · de una nueva disciplina denominada biología de sistemas...

Documents