BioComp "Coded Life" to propozycja języka domenowo-specyficznego (DSL) do edukacji i wdrażania biocomputingu obejmuje elementy języka opisu eksperymentów, symulacji, designu i utrzymania systemów biokomputerowych. Motto "Coded Life" Łączy w sobie koncepcję kodowania (nawiązując do aspektu programistycznego) z życiem (odnosząc się do biologicznej strony projektu).
BioComp jest zaimplementowany jako skrypt jezyka python z klasami dla modelu i funkcjami przetwarzania pliku YAML, generowania symulacji i grafu.
Plik biocomp.py modelu jest konwertowany do obiektow klas potrzebnyh do uruchamienia symulacji.
Plik YAML zawiera potrzebne informacje do wykonania symulacji:
- Definicje Molekularne
- Tworzenie Biologicznych Układów Logicznych
- Symulacje Eksperymentów
- Drukowanie i Inżynieria BioSystemów
- Monitorowanie i Utrzymanie Systemów
pyparsing: Biblioteka do parsowania, potrzebna do przetwarzania DSL.matplotlib: Biblioteka do tworzenia wizualizacji, użyta do generowania wykresów wyników symulacji.numpy: Biblioteka do operacji na tablicach wielowymiarowych, używana do generowania danych do symulacji.graphviz: The addition of thegraphvizmodule is necessary for graph visualization.
Aby zainstalować te wymagania w swoim środowisku Python, wykonaj następujące kroki:
python -m venv env
source env/bin/activate # Na Windows użyj: env\Scripts\activatelub If the user has Miniconda or Anaconda, I will provide instructions to create a new environment and install Graphviz within that environment:
conda create -n biokomputer python=3.12 graphviz
conda activate biokomputer
python main.pypip install -r requirements.txt
pip install --upgrade pipAby uruchomić tę konfigurację, wykonaj następujące kroki:
- Zapisz kod Python w pliku o nazwie
biocomp.py. - Zapisz zawartość pliku YAML w pliku o nazwie
biocomp.yaml. - Uruchom skrypt Python z pliku
biocomp.py, podając plik YAML jako argument:
python biocomp.py biocomp.yamlWzór Przetwarzania Danych Wejściowych:
\[ \text{output\_level} = \frac{\sin(t)}{2} + 0.5 \]def run_simulation(simulation):
time = np.linspace(0, float(simulation.conditions["time"]), 100) # Generowanie 100 punktów czasowych
output_levels = np.sin(time) / 2 + 0.5 # Przykładowa funkcja poziomu wyjściowego molecules:
- type: Protein
name: Input1Prot
- type: Protein
name: Input2Prot
- type: Protein
name: OutputProt
logic_gates:
- gate_type: AND
input1: Input1Prot
input2: Input2Prot
output: OutputProt
biological_system:
name: BioCompSystem1
simulation:
conditions:
time: 100
temperature: 37
outputs:
- Protein OutputProtWykresy generowane z symulacji opartej na pliku DSL pokazują dynamiczne zmiany w warunkach eksperymentalnych w funkcji czasu.
-
Oś X (czas): Przedstawia czas trwania symulacji w minutach. Parametr
simulation.conditions['time']ustala zakres czasowy symulacji. Cały przedział czasowy jest podzielony na 100 równych odstępów, dzięki czemu otrzymujemy szczegółowy wykres zmienności w czasie. -
Oś Y (poziom wyjściowy): Przedstawia poziom wyjściowy białka lub innej zmiennej wyjściowej, określonej przez
simulation.outputs. Funkcjanp.sin(time) / 2 + 0.5daje synusoidalne zmiany poziomu wyjściowego o amplitudzie 0.5 i przesunięciu pionowym o 0.5, co oznacza, że wartości zmieniają się w zakresie od 0 do 1. -
Linia wykresu: Jest to krzywa pokazująca zmiany poziomu wyjściowego w czasie. Nazwa białka lub zmiennej jest wyświetlana jako etykieta wykresu na podstawie zawartości
simulation.outputs[0].
W przypadku symulacji opartej na przykładzie z wcześniejszym pliku 1/biocomp.yaml, uzyskany wykres może wyglądać tak:
- Symulacja: BioCompSystem1: Tytuł wykresu wskazuje, że symulacja jest wykonywana na systemie
BioCompSystem1. - Etykieta: Protein OutputProt: Etykieta na wykresie odnosi się do nazwy wyjściowego białka zdefiniowanego w symulacji.
Poniżej znajduje się przybliżona wizualizacja:
| ________
| / \
| / \________ x100 minutes
|_______/ \_______
0.0 100.0
Przykładowy Wykres ze Wskazaniem
- Wartości na osi Y zmieniają się synusoidalnie od poziomu 0 do 1.
- Wartości czasowe na osi X biegną od 0 do 100 minut.
W praktycznych zastosowaniach, dane wejściowe będą bardziej złożone i precyzyjne, bazujące na faktycznych pomiarach lub modelach biomolekularnych. Symulacje mogą prezentować poziomy ekspresji genów, aktywności enzymatycznej, stężeń cząsteczek sygnałowych i innych ważnych parametrów biologicznych w zależności od warunków eksperymentalnych.
Przykładowa sinusoidalna funkcja pokazuje podstawowe podejście do wizualizacji tych danych, ale rzeczywiste dane mogą być o wiele bardziej skomplikowane, zależnie od specyfiki symulacji i modelu biokomputerowego.
Te przykłady obejmują różne konfiguracje dla różnych typów biologicznych układów logicznych. Przykłady obejmują różne typy bramek logicznych, takie jak "AND", "OR" i "NOT". Jeśli w twojej klasie LogicGate zostały zaimplementowane poprawne działanie dla tych bramek, to te przykłady powinny dawać odpowiednie wyniki na podstawie ustawionych warunków w plikach YAML.
Jeśli nie zaimplementowano jeszcze działania dla tych bramek w klasie LogicGate, to należy to zrobić.
Aby przetestować twoją aplikację z tą funkcjonalnością, należy zapisać każdy plik YAML jako osobny plik.
digraph {
Input1Prot [label="Input1Prot (Protein)"]
Input2Prot [label="Input2Prot (Protein)"]
OutputProt [label="OutputProt (Protein)"]
"AND Gate"
Input1Prot -> "AND Gate"
Input2Prot -> "AND Gate"
"AND Gate" -> OutputProt
}python biocomp.py 1/biocomp.yaml
Running simulation for BioCompSystem1
Conditions: {'time': 100, 'temperature': 37}
Expected Outputs: ['Protein OutputProt']
digraph {
Input1Prot [label="Input1Prot (Protein)"]
Input2Prot [label="Input2Prot (Protein)"]
OutputProt [label="OutputProt (Protein)"]
"OR Gate"
Input1Prot -> "OR Gate"
Input2Prot -> "OR Gate"
"OR Gate" -> OutputProt
}python biocomp.py 2/biocomp.yamlRunning simulation for BioCompSystem2
Conditions: {'time': 150, 'temperature': 25}
Expected Outputs: ['Protein OutputProt']
digraph {
Input1Prot [label="Input1Prot (Protein)"]
Input2Prot [label="Input2Prot (Protein)"]
Input3Prot [label="Input3Prot (Protein)"]
OutputProt1 [label="OutputProt1 (Protein)"]
OutputProt2 [label="OutputProt2 (Protein)"]
"AND Gate"
Input1Prot -> "AND Gate"
Input2Prot -> "AND Gate"
"AND Gate" -> OutputProt1
"OR Gate"
OutputProt1 -> "OR Gate"
Input3Prot -> "OR Gate"
"OR Gate" -> OutputProt2
}python biocomp.py 3/biocomp.yamlRunning simulation for BioCompSystem3
Conditions: {'time': 200, 'temperature': 30}
Expected Outputs: ['Protein OutputProt1', 'Protein OutputProt2']
digraph {
Input1Prot [label="Input1Prot (Protein)"]
OutputProt [label="OutputProt (Protein)"]
"NOT Gate"
Input1Prot -> "NOT Gate"
"NOT Gate" -> OutputProt
}python biocomp.py 4/biocomp.yamlRunning simulation for BioCompSystem4
Conditions: {'time': 120, 'temperature': 37}
Expected Outputs: ['Protein OutputProt']
Aby przeprowadzić symulację, np. wzrostu grzybów, warto uwzględnić czynniki takie jak dostępność substancji odżywczych, temperatura, wilgotność i czas. Wzrost grzybów można modelować za pomocą różniczkowych równań wzrostu biologicznego, takich jak równanie Verhulsta (logistyczne równanie różniczkowe) lub modele podobne.
Równanie logistyczne może być używane do modelowania wzrostu populacji organizmu, w tym grzybów:
\[ \frac{dN}{dt} = rN \left(1 - \frac{N}{K}\right) \]Gdzie:
- ( N ) jest liczbą organizmów (np. masa biomasy grzybów),
- ( r ) jest wskaźnikiem wzrostu,
- ( K ) jest nośnością środowiska.
Skrypt Pythona, który przetwarza dane wejściowe z plików YAML i wykonuje symulację wzrostu grzybów. Wzór logistyczny użyty w skrypcie pozwala modelować realistyczny wzrost populacji grzybów i może być dostosowany dzięki zmianie parametrów w plikach YAML. Skrypt wspiera przetwarzanie wielu plików YAML oraz opcjonalnie przetwarzanie wszystkich plików YAML w podanym folderze. Zawiera funkcje do generowania wykresów, tekstowych definicji grafów oraz graficznych reprezentacji grafów.
- Obsługa wielu plików YAML: Pobieranie wielu plików jako argumentów lub obsługa folderu zawierającego pliki YAML.
- Parsowanie: danych i tworzenie strukturę symulacji**,
- Symulacja: wzrostu grzybów za pomocą równania logistycznego,
- Wizualizacja wyników: Generowanie wykresów wzrostu biomasy.
- Generowanie tekstowej definicji grafu: Zapisywanie parametrów symulacji i wyników do pliku tekstowego.
- Graficzna reprezentacja grafu: Tworzenie grafów za pomocą Graphviz.
Aby zapewnić pełną funkcjonalność, należy zainstalować następujące biblioteki:
yamlmatplotlibgraphviz
Można je zainstalować za pomocą pip:
pip install pyyaml matplotlib graphvizpython fungi.py --folder ./11digraph G {
node [shape=record];
"Simulation" [label="{Name: FungiExperiment1|Initial Population: 10|Growth Rate: 0.2|Carrying Capacity: 1000|Conditions: time=30, temperature=25, humidity=80|Outputs: Biomass}"];
}
python fungi.py --folder ./11digraph G {
node [shape=record];
"Simulation" [label="{Name: FungiExperiment2|Initial Population: 5|Growth Rate: 0.1|Carrying Capacity: 500|Conditions: time=45, temperature=20, humidity=90|Outputs: Biomass}"];
}
Aby zrealizować bardziej złożoną symulację wzrostu Physarum polycephalum (slime mold) jako hierarchicznej struktury komórkowej w kontekście modeli reakcyjno-dyfuzyjnych, należy przeanalizować kilka kluczowych procesów. Model reakcyjno-dyfuzyjny umożliwia symulację jak substancje (np. chemotaksyny) dyfundują oraz jak komórki reagują na te substancje, co prowadzi do wzrostu i formowania wzorca strukturalnego.
To jest dość zaawansowane zadanie, które można osiągnąć przy użyciu bibliotek takich jak NumPy do obliczeń oraz Matplotlib do wizualizacji. Do generowania grafów hierarchicznych użyjemy Graphviz.
Założenia:
- Hierarchiczna struktura: Model Physarum jako siatki komórkowej.
- Model reakcyjno-dyfuzyjny: Użyjemy prostego równania reakcyjno-dyfuzyjnego do modelowania rozprzestrzeniania się i reakcji chemotaksyn.
\[ \frac{\partial u}{\partial t} = D \nabla^2 u + f(u, v) \]
\[ \frac{\partial v}{\partial t} = D \nabla^2 v + g(u, v) \]gdzie:
- ( u ) i ( v ) są koncentracją substancji chemicznych,
- ( D ) jest współczynnikiem dyfuzji,
- ( f(u, v) ) oraz ( g(u, v) ) są funkcjami reakcji.
Skrypt tworzy hierarchiczną strukturę Physarum jako maszynę reakcyjno-dyfuzyjną, przetwarza wiele plików YAML, a także generuje wizualizacje, tekstową definicję grafu i jego graficzną reprezentację. Wszystkie wygenerowane pliki są nazwane zgodnie z nazwami plików YAML, ale bez rozszerzenia .yaml.
Najpierw zainstaluj wymagane biblioteki:
pip install numpy matplotlib graphvizpython physarum.py --folder ./21digraph G {
node [shape=record];
"Simulation" [label="{
Name: PhysarumSimulation2 |
Grid Size: 101 |
Steps: 200 |
Diffusion Coefficient: 0.2 |
Reaction Rate: 0.02 |
k: 0.07 |
Initial U Value: 0.2 |
Initial V Value: 0.25 |
Initial Radius: 1 |
Conditions: time=2, temperature=2, humidity=50 |
Outputs: u, v
}"];
}
python physarum.py --folder ./22digraph G {
node [shape=record];
"Simulation" [label="{
Name: PhysarumSimulation2 |
Grid Size: 101 |
Steps: 200 |
Diffusion Coefficient: 0.2 |
Reaction Rate: 0.02 |
k: 0.07 |
Initial U Value: 0.2 |
Initial V Value: 0.25 |
Initial Radius: 1 |
Conditions: time=2, temperature=3, humidity=50 |
Outputs: u, v
}"];
}
python physarum.py --folder ./23digraph G {
node [shape=record];
"Simulation" [label="{
Name: PhysarumSimulation2 |
Grid Size: 101 |
Steps: 200 |
Diffusion Coefficient: 0.2 |
Reaction Rate: 0.02 |
k: 0.07 |
Initial U Value: 0.2 |
Initial V Value: 0.25 |
Initial Radius: 1 |
Conditions: time=3, temperature=3, humidity=50 |
Outputs: u, v
}"];
}
CONTRIBUTION are always welcome:
- did you found an Issue or Mistake?
- do you want to improve the article?
- are you interested do join another git projects?
- have something to contribute or discuss? Open a pull request or create an issue.
Na co dzień DevOps, ewangelista hipermodularyzacji, ostatnio entuzjasta biocomputing. Łączy doświadczenie w programowaniu i research-u poprzez wdrażanie nowatorskich rozwiązań. Szerokie spektrum zainteresowań, umiejętności analityczne i doświadczenie w branży owocują eksperymentalnymi projektami opensource.
<script type="module"> import mermaid from 'https://cdn.jsdelivr.net/npm/mermaid@10/dist/mermaid.esm.min.mjs'; //import mermaid from 'https://cdn.jsdelivr.net/npm/[email protected]/dist/mermaid.min.js'; mermaid.initialize({ startOnReady:true, theme: 'forest', flowchart:{ useMaxWidth:false, htmlLabels:true } }); mermaid.init(undefined, '.language-mermaid'); </script>