Pages:     | 1 ||


-- [ Страница 2 ] --

101. Lashin, S. A., Suslov, V. V, & Matushkin, Y. G. (2010). Comparative modeling of coevolution in communities of unicellular organisms: adaptability and biodiversity. Journal of Bioinformatics and Computational Biology, 8(3), 627–643 .


102. Laspidou, C. S., & Rittmann, B. E. (2004a). Evaluating trends in biofilm density using the UMCCA model. Water Research, 38(14-15), 3362–72 .


103. Laspidou, C. S., & Rittmann, B. E. (2004b). Modeling the development of biofilm density including active bacteria, inert biomass, and extracellular polymeric substances. Water Research, 38(14-15), 3349–61 .


104. Lencastre Fernandes, R., Nierychlo, M., Lundin, L., Pedersen, A. E., Puentes Tellez, P. E., Dutta, A., … Gernaey, K. V. (2011). Experimental methods and modeling techniques for description of cell population heterogeneity .

Biotechnology Advances, 29(6), 575–599 .


105. Lenski, R. E., & Levin, B. R. (1985). Constraints on the Coevolution of Bacteria and Virulent Phage: A Model, Some Experiments, and Predictions for Natural Communities. The American Naturalist, 125(4), 582–602 .

106. Leslie, P. H. (1945). On the use of matrices in certain population mathematics. Biometrika. http://doi.org/10.2307/2332297

107. Lidicker, W. Z. (1979). A Clarification of Interactions in Ecological Systems. BioScience, 29(8), 475–477. http://doi.org/10.2307/1307540

108. Lieberman, E., Hauert, C., & Nowak, M. A. (2005). Evolutionary dynamics on graphs, 433(JANUARY), 1–5. http://doi.org/10.1038/nature03211.1 .

109. Likhoshvai, V. A., & Ratushny, A. V. (2007). Generalized Hill function method for modeling molecular processes. Journal of Bioinformatics and Computational Biology, 05(02b), 521–531 .


110. Liu, C., Bridges, M. E., Kaundun, S. S., Glasgow, L., Owen, M. D. K., & Neve, P. (2017). A generalised individual-based algorithm for modelling the evolution of quantitative herbicide resistance in arable weed populations. Pest Management Science, 73(2), 462–474. http://doi.org/10.1002/ps.4317 Liu, W., Rder, H. L., Madsen, J. S., Bjarnsholt, T., Srensen, S. J., & 111 .

Burmlle, M. (2016). Interspecific Bacterial Interactions are Reflected in Multispecies Biofilm Spatial Organization. Frontiers in Microbiology, 7 .


112. Lopez Pascua, L., Hall, A. R., Best, A., Morgan, A. D., Boots, M., & Buckling, A. (2014). Higher resources decrease fluctuating selection during hostparasite coevolution. Ecology Letters, 17(11), 1380–1388 .


113. Macnab, R. M., & Koshland, D. E. (1972). The Gradient-Sensing Mechanism in Bacterial Chemotaxis. Proceedings of the National Academy of Sciences of the United States of America, 69(9), 2509–2512 .


114. Madigan, M. T., Martinko, J. M., Bender, K. S., Buckley, D. H., Stahl, D .

A., & Brock, T. (2014). Brock Biology of Microorganisms. Igarss 2014 (14th Editi). Pearson Education. http://doi.org/10.1007/s13398-014-0173-7.2

115. Mahadevan, R., & Henson, M. A. (2012). Genome-Based Modeling and Design of Metabolic Interactions in Microbial Communities. Computational and Structural Biotechnology Journal, 3(4), 1–7 .


116. Margulis, L. (1970). Origin of eukaryotic cells: evidence and research implications for a theory of the origin and evolution of microbial, plant, and animal cells on the Precambrian earth. New Haven: Yale University Press .

117. Maslov, S., Krishna, S., Pang, T. Y., & Sneppen, K. (2009). Toolbox model of evolution of prokaryotic metabolic networks and their regulation. Proceedings of the National Academy of Sciences of the United States of America, 106(24), 9743–9748. http://doi.org/10.1073/pnas.0903206106

118. McCutcheon, J. P., & Moran, N. A. (2011). Extreme genome reduction in symbiotic bacteria. Nature Reviews Microbiology, 10(1), 13–26 .


119. McGill, B. J., Enquist, B. J., Weiher, E., & Westoby, M. (2006). Rebuilding community ecology from functional traits. Trends in Ecology and Evolution, 21(4), 178–185. http://doi.org/10.1016/j.tree.2006.02.002 McInerney, J. O., McNally, A., & O’Connell, M. J. (2017). Why 120 .

prokaryotes have pangenomes. Nature Microbiology, 2(4), 17040 .


121. Meyen, S. V. (1987). Fundamentals of Paleobotany. New York: Chapman and Hall .

122. Micali, G., & Endres, R. G. (2016). Bacterial chemotaxis: Information processing, thermodynamics, and behavior. Current Opinion in Microbiology, 30, 8–15. http://doi.org/10.1016/j.mib.2015.12.001

123. Mira, A., Ochman, H., & Moran, N. A. (2001). Deletional bias and the evolution of bacterial genomes. Trends in Genetics. http://doi.org/10.1016/S0168Monod, J. (1950). La technique de culture continue. Theorie et applications .

Ann Inst. Pasteur, 79, 391–410 .

125. Moon, D. C., Moon, J., & Keagy, A. (2010). Direct and Indirect Effects .

Nat. Educ. Knowl. (Vol. 3). Retrieved from http://www.nature.com/scitable/knowledge/library/direct-and-indirect-interactionsMooshammer, M., Wanek, W., Hmmerle, I., Fuchslueger, L., Hofhansl, F., 126 .

Knoltsch, A., … Richter, A. (2014). Adjustment of microbial nitrogen use efficiency to carbon:nitrogen imbalances regulates soil nitrogen cycling. Nature Communications, 5, 3694. http://doi.org/10.1038/ncomms4694

127. Moran, N. A. (2002). Microbial Minimalism: Genome Reduction in Bacterial Pathogens. Cell, 108(5), 583–586. http://doi.org/10.1016/S0092Moran, P. A. P. (1958). Random processes in genetics. Mathematical Proceedings of the Cambridge Philosophical Society, 54(1), 60–71 .


129. Mulo, P., Sicora, C., & Aro, E. M. (2009). Cyanobacterial psbA gene family: Optimization of oxygenic photosynthesis. Cellular and Molecular Life Sciences. http://doi.org/10.1007/s00018-009-0103-6

130. Nakayama, K., Takashima, K., Ishihara, H., Shinomiya, T., Kageyama, M., Kanaya, S., … Hayashi, T. (2000). The R-type pyocin of Pseudomonas aeruginosa is related to P2 phage, and the F-type is related to lambda phage. Molecular Microbiology, 38(2), 213–231. http://doi.org/10.1046/j.1365-2958.2000.02135.x

131. Nelson, K. E., Clayton, R. A., Gill, S. R., Gwinn, M. L., Dodson, R. J., Haft, D. H., … Fraser, C. M. (1999). Evidence for lateral gene transfer between Archaea and Bacteria from genome sequence of Thermotoga maritima. Nature, 399(6734), 323–329. http://doi.org/10.1038/20601 Nesbo, C. L., L’Haridon, S., Stetter, K. O., & Doolittle, W. F. (2001) .

132 .

Phylogenetic analyses of two “archaeal” genes in thermotoga maritima reveal multiple transfers between archaea and bacteria. Molecular Biology and Evolution, 18(3), 362–375 .

133. Neumann, J. von. (1966). Theory of self-reproducing automata. University of Illinois press .

134. Nev, O. A., & van den Berg, H. A. (2017). Microbial metabolism and growth under conditions of starvation modelled as the sliding mode of a differential inclusion. Dynamical Systems, 9367(April), 1–20 .


135. Niehus, R., Mitri, S., Fletcher, A. G., & Foster, K. R. (2015). Migration and horizontal gene transfer divide microbial genomes into multiple niches. Nature Communications, 6, 8924. http://doi.org/10.1038/ncomms9924

136. Niu, B., Wang, H., Duan, Q., & Li, L. (2013). Biomimicry of quorum sensing using bacterial lifecycle model. BMC Bioinformatics, 14 Suppl 8(Suppl 8), S8. http://doi.org/10.1186/1471-2105-14-S8-S8 Novick, R. P., Christie, G. E., & Penads, J. R. (2010). The phage-related 137 .

chromosomal islands of Gram-positive bacteria. Nature Reviews. Microbiology, 8(8), 541–51. http://doi.org/10.1038/nrmicro2393 O’Donnell, A. G., Young, I. M., Rushton, S. P., Shirley, M. D., & Crawford, 138 .

J. W. (2007). Visualization, modelling and prediction in soil microbiology. Nature Reviews. Microbiology, 5(9), 689–99. http://doi.org/10.1038/nrmicro1714 Oberhardt, M. A., Palsson, B.., & Papin, J. A. (2009). Applications of 139 .

genome-scale metabolic reconstructions. Molecular Systems Biology, 5 .


140. Odum, E. P. (1983). Basic ecology. Saunders College Publishing .

Orth, J. D., Thiele, I., & Palsson, B.. (2010). What is flux balance 141 .

analysis? Nature Biotechnology, 28(3), 245–248. http://doi.org/10.1038/nbt.1614

142. Pak, K. R., & Bartha, R. (1998). Mercury methylation by interspecies hydrogen and acetate transfer between sulfidogens and methanogens. Applied and Environmental Microbiology, 64(6), 1987–1990 .

Pal, C., Macia, M. D., Oliver, A., Schachar, I., Buckling, A., Maci, M. D., 143 .

… Buckling, A. (2007). Coevolution with viruses drives the evolution of bacterial mutation rates. Nature, 450(7172), 1079–1081. http://doi.org/10.1038/nature06350

144. Pang, T. Y., & Maslov, S. (2011). A toolbox model of evolution of metabolic pathways on networks of arbitrary topology. PLoS Computational Biology, 7(5), e1001137. http://doi.org/10.1371/journal.pcbi.1001137

145. Paterson, S., Vogwill, T., Buckling, A., Benmayor, R., Spiers, A. J., Thomson, N. R., … Brockhurst, M. a. (2010). Antagonistic coevolution accelerates molecular evolution. Nature, 464(7286), 275–278 .


146. Paul, J. H. (2008). Prophages in marine bacteria: dangerous molecular time bombs or the key to survival in the seas? The ISME Journal, 2(6), 579–589 .


147. Pearson, K. (1901). On lines and planes of closest fit to systems of points in space. Philosophical Magazine, 2(11), 559–572 .


148. Pfeiffer, T., & Schuster, S. (2005). Game-theoretical approaches to studying the evolution of biochemical systems. Trends in Biochemical Sciences, 30(1), 20–

25. http://doi.org/10.1016/j.tibs.2004.11.006

149. Phalak, P., Chen, J., Carlson, R. P., & Henson, M. A. (2016). Metabolic modeling of a chronic wound biofilm consortium predicts spatial partitioning of bacterial species. BMC Systems Biology, 10(1), 90. http://doi.org/10.1186/s12918Picioreanu, C., Kreft, J., Van, M. C. M., & Loosdrecht, M. C. M. Van .

(2004). Particle-Based Multidimensional Multispecies Biofilm Model ParticleBased Multidimensional Multispecies Biofilm Model, 70(5) .


151. Polz, M. F., Alm, E. J., & Hanage, W. P. (2013). Horizontal gene transfer and the evolution of bacterial and archaeal population structure. Trends in Genetics, 29(3), 170–175. http://doi.org/10.1016/j.tig.2012.12.006

152. Poullain, V., Gandon, S., Brockhurst, M. A., Buckling, A., & Hochberg, M .

E. (2008). The evolution of specificity in evolving and coevolving antagonistic interactions between a bacteria and its phage. Evolution, 62(1), 1–11 .

http://doi.org/10.1111/j.1558-5646.2007.00260.x Price, N. D., Reed, J. L., & Palsson, B.. (2004). Genome-scale models of 153 .

microbial cells: evaluating the consequences of constraints. Nature Reviews Microbiology, 2(11), 886–897. http://doi.org/10.1038/nrmicro1023

154. Pride, D., Wassenaar, T., Ghose, C., & Blaser, M. (2006). Evidence of hostvirus co-evolution in tetranucleotide usage patterns of bacteriophages and eukaryotic viruses. BMC Genomics, 7(1), 8. http://doi.org/10.1186/1471-2164-7-8

155. Ptashne, M. (1986). A genetic switch: Gene control and phage. lambda .

Retrieved from http://www.osti.gov/scitech/biblio/5413898

156. Ramkrishna, D. (2000). Population Balances: Theory and Applications to Particulate Systems in Engineering. Chemical Engineering. Retrieved from http://books.google.com/books?id=Ep0N3osDPY4C&pgis=1

157. Ramkrishna, D., & Song, H.-S. (2012). Dynamic models of metabolism:

Review of the cybernetic approach. AIChE Journal, 58(4), 986–997 .


158. Reed, D. C., Algar, C. K., Huber, J. A., & Dick, G. J. (2014). Gene-centric approach to integrating environmental genomics and biogeochemical models .

Proceedings of the National Academy of Sciences of the United States of America, 111(5), 1879–84. http://doi.org/10.1073/pnas.1313713111 Refardt, D., Bergmiller, T., & Kmmerli, R. (2013). Altruism can evolve 159 .

when relatedness is low: evidence from bacteria committing suicide upon phage infection. Proceedings. Biological Sciences / The Royal Society, 280(1759), 20123035. http://doi.org/10.1098/rspb.2012.3035

160. Rodriguez-Brito, B., Li, L. L., Wegley, L., Furlan, M., Angly, F., Breitbart, M., … Rohwer, F. (2010). Viral and microbial community dynamics in four aquatic environments. Isme Journal, 4(6), 739–751 .

http://doi.org/10.1038/ismej.2010.1 Rodrguez-Martinez, J. M., Pascual, A., Rodriguez-Martinez, J. M., & 161 .

Pascual, A. (2006). Antimicrobial resistance in bacterial biofilms. Reviews in Medical Microbiology, 17(3), 65–75 .


162. Rubel, E. (1935). The Replaceability of Ecological Factors and the Law of the Minimum. Ecology, 16(3), 336. http://doi.org/10.2307/1930073

163. Rudge, T. J., Steiner, P. J., Phillips, A., & Haselo, J. (2012). Computational Modeling of Synthetic Microbial Bio fi lms .

164. Salli, K. M., & Ouwehand, A. C. (2015). The use of in vitro model systems to study dental biofilms associated with caries: a short review. Journal of Oral Microbiology, 7. http://doi.org/10.3402/jom.v7.26149

165. Salmond, G. P. C., & Fineran, P. C. (2015). A century of the phage: past, present and future. Nature Reviews. Microbiology, 13(12), 777–86 .


166. Sasaki, A. (2000). Host-parasite coevolution in a multilocus gene-for-gene system. Proceedings. Biological Sciences / The Royal Society, 267(1458), 2183–8 .


167. Sauer, U., Heinemann, M., & Zamboni, N. (2007). GENETICS: Getting Closer to the Whole Picture. Science, 316(5824), 550–551 .


168. Scanlan, P. D., Hall, A. R., Blackshields, G., Friman, V.-P., Davis, M. R., Goldberg, J. B., & Buckling, A. (2015). Coevolution with Bacteriophages Drives Genome-Wide Host Evolution and Constrains the Acquisition of AbioticBeneficial Mutations. Molecular Biology and Evolution, 32(6), 1425–1435 .


169. Scanlan, P. D., Hall, A. R., Burlinson, P., Preston, G., & Buckling, A .

(2013). No effect of host-parasite co-evolution on host range expansion. Journal of Evolutionary Biology, 26(1), 205–209. http://doi.org/10.1111/jeb.12021

170. Scheffer, M., Baveco, J. M., DeAngelis, D. L., Rose, K. A., & van Nes, E .

H. (1995). Super-individuals a simple solution for modelling large populations on an individual basis. Ecological Modelling, 80(2-3), 161–170 .


171. Scheibe, T. D., Mahadevan, R., Fang, Y., Garg, S., Long, P. E., & Lovley, D. R. (2009). Coupling a genome-scale metabolic model with a reactive transport model to describe in situ uranium bioremediation. Microbial Biotechnology, 2(2 SPEC. ISS.), 274–286. http://doi.org/10.1111/j.1751-7915.2009.00087.x

172. Schmidt, M., & Lipson, H. (2009). Distilling free-form natural laws from experimental data. Science (New York, N.Y.), 324(5923), 81–85 .


173. Schrag, S. J., & Mittler, J. E. (1996). Host-Parasite Coexistence: The Role of Spatial Refuges in Stabilizing Bacteria-Phage Interactions. The American Naturalist, 148(2), 348–377. http://doi.org/10.1086/285929

174. Schuster, S., Fell, D. A., & Dandekar, T. (2000). A general definition of metabolic pathways useful for systematic organization and analysis of complex metabolic networks. Nature Biotechnology, 18(3), 326–332 .


175. Schuster, S., Pfeiffer, T., Moldenhauer, F., Koch, I., & Dandekar, T. (2002) .

Exploring the pathway structure of metabolism: decomposition into subnetworks and application to Mycoplasma pneumoniae. Bioinformatics (Oxford, England) .


176. Segall, J. E., Block, S. M., & Berg, H. C. (1986). Temporal comparisons in bacterial chemotaxis. Proceedings of the National Academy of Sciences of the United States of America, 83(23), 8987–8991 .

http://doi.org/10.1073/pnas.83.23.8987 Segr, D., Vitkup, D., & Church, G. M. (2002). Analysis of optimality in 177 .

natural and perturbed metabolic networks. Proceedings of the National Academy of Sciences of the United States of America, 99(23), 15112–15117 .


178. Sharon, I., Tzahor, S., Williamson, S., Shmoish, M., Man-Aharonovich, D., Rusch, D. B., … Bj, O. (2007). Viral photosynthetic reaction center genes and transcripts in the marine environment. The ISME Journal, 1(6), 492–501 .


179. Shmulevich, I., Dougherty, E. R., Kim, S., & Zhang, W. (2002) .

Probabilistic Boolean Networks: a rule-based uncertainty model for gene regulatory networks. Bioinformatics, 18(2), 261–274 .


180. Shrout, J. D. (2015). A fantastic voyage for sliding bacteria. Trends in Microbiology, 23(5), 244–6. http://doi.org/10.1016/j.tim.2015.03.001

181. Shu, C. C., Chatterjee, A., Dunny, G., Hu, W. S., & Ramkrishna, D. (2011) .

Bistability versus bimodal distributions in gene regulatory processes from population balance. PLoS Computational Biology, 7(8) .


182. Song, H. S., & Ramkrishna, D. (2009). Reduction of a set of elementary modes using yield analysis. Biotechnology and Bioengineering, 102(2), 554–568 .


183. Song, H. S., & Ramkrishna, D. (2012). Prediction of dynamic behavior of mutant strains from limited wild-type data. Metabolic Engineering, 14(2), 69–80 .


184. Song, H.-S., Cannon, W., Beliaev, A., & Konopka, A. (2014). Mathematical Modeling of Microbial Community Dynamics: A Methodological Review .

Processes, 2(4), 711–752. http://doi.org/10.3390/pr2040711

185. Soucy, S. M., Huang, J., & Gogarten, J. P. (2015). Horizontal gene transfer:

building the web of life. Nature Reviews Genetics, 16(8), 472–482 .


186. Sourjik, V., & Berg, H. C. (2002). Receptor sensitivity in bacterial chemotaxis. Proceedings of the National Academy of Sciences of the United States of America, 99(1), 123–127. http://doi.org/10.1073/pnas.011589998

187. Stauffer, D., Kunwar, A., & Chowdhury, D. (2005). Evolutionary ecology in

silico: Evolving food webs, migrating population and speciation. Physica A:

Statistical Mechanics and Its Applications, 352(1), 202–215 .

http://doi.org/10.1016/j.physa.2004.12.036 Stein, R. R., Bucci, V., Toussaint, N. C., Buffie, C. G., Rtsch, G., Pamer, E .

188 .

G., … Xavier, J. B. (2013). Ecological Modeling from Time-Series Inference:

Insight into Dynamics and Stability of Intestinal Microbiota. PLoS Computational Biology, 9(12). http://doi.org/10.1371/journal.pcbi.1003388

189. Stolyar, S., Van Dien, S., Hillesland, K. L., Pinel, N., Lie, T. J., Leigh, J. A., & Stahl, D. A. (2007). Metabolic modeling of a mutualistic microbial community .

Molecular Systems Biology, 3, 92. http://doi.org/10.1038/msb4100131

190. Sullivan, M. B., Lindell, D., Lee, J. A., Thompson, L. R., Bielawski, J. P., & Chisholm, S. W. (2006). Prevalence and evolution of core photosystem II genes in marine cyanobacterial viruses and their hosts. PLoS Biology, 4(8), 1344–1357 .


191. Sundararaj, S., Guo, A., Habibi-Nazad, B., Rouani, M., Stothard, P., Ellison, M., & Wishhart, D. S. (2004). The CyberCell Database (CCDB): a comprehensive, self-updating, relational database to coordinate and facilitate in silico modeling of Escherichia coli. Nucleic Acids Research, 32(90001), D293–D295 .

http://doi.org/10.1093/nar/gkh108 Suttle, C. A. (2007). Marine viruses — major players in the global 192 .

ecosystem. Nature Reviews Microbiology, 5(10), 801–812 .

http://doi.org/10.1038/nrmicro1750 Taffs, R., Aston, J. E., Brileya, K., Jay, Z., Klatt, C. G., McGlynn, S., … 193 .

Carlson, R. P. (2009). In silico approaches to study mass and energy flows in microbial consortia: a syntrophic case study. BMC Systems Biology, 3, 114 .


194. Tang, Y., & Valocchi, A. J. (2013). An improved cellular automaton method to model multispecies biofilms. Water Research, 47(15), 5729–5742 .


195. Terzer, M., & Stelling, J. (2008). Large-scale computation of elementary flux modes with bit pattern trees. Bioinformatics, 24(19), 2229–2235 .


196. Terzer, M., & Stelling, J. (2010). Parallel extreme ray and pathway computation. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) (Vol. 6068 LNCS, pp. 300–309). http://doi.org/10.1007/978-3-642-14403-5_32

197. Tindall, M. J., Maini, P. K., Porter, S. L., Armitage, J. P., Maini, P. K., Gaglia, G., & Armitage, J. P. (2008). Overview of mathematical approaches used to model bacterial chemotaxis I: The single cell. Bulletin of Mathematical Biology .


198. Tomita, M. (2001). Whole-cell simulation: a grand challenge of the 21st century. Trends in Biotechnology, 19(6), 205–210. http://doi.org/10.1016/S0167Tomita, M., Hashimoto, K., Takahashi, K., Shimizu, T., Matsuzaki, Y., Miyoshi, F., … Hutchison, C. (1999). E-CELL: software environment for wholecell simulation. Bioinformatics, 15(1), 72–84 .


200. Trinh, C. T., Wlaschin, A., & Srienc, F. (2009). Elementary mode analysis:

A useful metabolic pathway analysis tool for characterizing cellular metabolism .

Applied Microbiology and Biotechnology. http://doi.org/10.1007/s00253-008Turing, A. M. (1952). The chemical theory of morphogenesis. Phil. Trans .

Roy. Soc., 13, 1 .

202. Urbanczik, R., & Wagner, C. (2005). An improved algorithm for stoichiometric network analysis: theory and applications. Bioinformatics, 21, 1203–1210. http://doi.org/10.1093/bioinformatics/bti127

203. Visick, K. L., Foster, J., Doino, J., McFall-Ngai, M., & Ruby, E. G. (2000) .

Vibrio fischeri lux genes play an important role in colonization and development of the host light organ. Journal of Bacteriology, 182(16), 4578–4586 .


204. Wadhams, G. H., & Armitage, J. P. (2004). Making Sense of it All: Bacterial Chemotaxis. Nature Reviews. Molecular Cell Biology, 5(December), 1024–1037 .


205. Waldor, M., & Mekalanos, J. (1996). Lysogenic conversion by a filamentous phage encoding cholera toxin. Science, 272(5270), 1910–1914 .


206. Wanner, O., & Morgenroth, E. (2004). Biofilm modeling with AQUASIM .

Water Science and Technology: A Journal of the International Association on Water Pollution Research, 49(11-12), 137–44. Retrieved from http://www.ncbi.nlm.nih.gov/pubmed/15303734 Waters, C. M., & Bassler, B. L. (2005). Quorum Sensing: Communication 207 .

in Bacteria. Annual Reviews in Cell Development Biology, 21(1), 319–346 .


208. Weitz, J. S., Hartman, H., & Levin, S. A. (2005). Coevolutionary arms races between bacteria and bacteriophage. Proceedings of the National Academy of Sciences of the United States of America, 102(27), 9535–40 .


209. Westra, E. R., Swarts, D. C., Staals, R. H. J., Jore, M. M., Brouns, S. J. J., & van der Oost, J. (2012). The CRISPRs, they are a-changin’: how prokaryotes generate adaptive immunity. Annual Review of Genetics, 46, 311–339 .


210. Whitton, B. a. (2012). Ecology of cyanobacteria II: Their diversity in space and time. Ecology of Cyanobacteria II: Their Diversity in Space and Time (Vol .

9789400738). http://doi.org/10.1007/978-94-007-3855-3

211. Wimpenny, J., Manz, W., & Szewzyk, U. (2000). Heterogeneity in biofilms .

FEMS Microbiology Reviews. http://doi.org/10.1016/S0168-6445(00)00052-8

212. Wimpenny, J. W. T., & Colasanti, R. (1997). A unifying hypothesis for the structure of microbial biofilms based on cellular automaton models. FEMS Microbiology Ecology. http://doi.org/10.1016/S0168-6496(96)00078-5

213. Wintermute, E. H., & Silver, P. A. (2010). Emergent cooperation in microbial metabolism. Molecular Systems Biology, 6, 407 .


214. Wolfe, B. E., & Dutton, R. J. (2015). Review Fermented Foods as Experimentally Tractable Microbial Ecosystems. Cell, 161(1), 49–55 .


215. Wooley, J. C., Godzik, A., & Friedberg, I. (2010). A primer on metagenomics. PLoS Computational Biology .


216. Woolhouse, M. E. J., Webster, J. P., Domingo, E., Charlesworth, B., & Levin, B. R. (2002). Biological and biomedical implications of the co-evolution of pathogens and their hosts. Nature Genetics, 32(december), 569–577 .


217. Young, J. D., Henne, K. L., Morgan, J. A., Konopka, A. E., & Ramkrishna, D. (2008). Integrating cybernetic modeling with pathway analysis provides a dynamic, systems-level description of metabolic control. Biotechnology and Bioengineering, 100(3), 542–559. http://doi.org/10.1002/bit.21780 Zhang, W., Li, F., & Nie, L. (2010). Integrating multiple “omics” analysis 218 .

for microbial biology: Application and methodologies. Microbiology .


219. Zomorrodi, A. R., Islam, M. M., & Maranas, C. D. (2014). D-OptCom:

Dynamic Multi-level and Multi-objective Metabolic Modeling of Microbial Communities. ACS Synthetic Biology, 3(4), 247–257 .


220. Zomorrodi, A. R., & Maranas, C. D. (2012). OptCom: A multi-level optimization framework for the metabolic modeling and analysis of microbial communities. PLoS Computational Biology, 8(2) .

http://doi.org/10.1371/journal.pcbi.1002363 Брянская, А. В., Орлеанский, В. К., & Дагурова, О. П. (2008) .

221 .



Микробиология, 77(4), 1–7 .

Ванаг, В. К. (1999). Исследование пространственно распределенных 222 .

динамических систем методами вероятностного клеточного автомата. Успехи Физических Наук, 69(5), 481–505 .

Гимельфарб, А. А., Гинзбург, Л. Р., Полуэктов, Р. А., Пых, Ю. А., & 223 .

Ратнер, В. А. (1974). Динамическая теория биологических популяций. Наука .

Жерихин, В.. (1978). Развитие и смена меловых и кайнозойских 224 .

фаунистических комплексов (трахейные и хелицеровые). Труды Палеонтологического Института Академии Наук СССР, 165, 1–198 .

Заварзин, Г. А. (2004). Лекции по природоведческой микробиологии .

225 .

Москва: Наука .

Заварзин, Г. А. (2006). Составляет ли эволюция смысл биологии?

226 .

Вестник РАН, 76(6), 522–533 .

Заварзин, Г. А. (2009). Противоречивость осознания природы 227 .

естествоиспытателем. Философия Науки И Техники, 14(1), 25–42 .

Заварзин, Г. А., & Колотилова, Н. Н. (2001). Введение в 228 .

природоведческую микробиологию. Москва: Книжный дом “Университет.” Колмакова, О. В. (2013). Современные методы определения 229 .

видоспецифичных биогеохимических функций бактериопланктона, 1(2013 6), 73–95 .

Лашин, С. А., Колчанов, Н. А., & Матушкин, Ю. Г. (2008) .

230 .

Эволюционный конструктор: методика и комплекс программ для моделирования эволюции трофически связанных популяций одноклеточных гаплоидных организмов. Вычислительные Технологии, 13(6), 91–101 .

Лашин, С. А., Матушкин, Ю. Г., Суслов, В. В., & Колчанов, Н. А .

231 .

(2011). Эволюционные тренды в системах “прокариотическое сообщество” и “прокариотическое сообщество – фаг.” Генетика, 47(12), 1676–1685 .

Левченко, В. Ф., & Старобогатов, Я. И. (1990). Сукцессионные 232 .

изменения и эволюция экосистем (некоторые вопросы эволюционной экологии). Журн. Общ. Биол., 51(5), 619–631 .

Лихошвай, В. А., Хлебодарова, Т. М., Ратушный, А. В., Лашин, С. А., 233 .

Турнаев, И. И., Подколодная, О. А., … Колчанов, Н. А. (2010) .

Компьютерный генетический конструктор: математическое моделирование генетических и метаболических подсистем E.Coli. In В. В. Власов, А. Г .

Дегерменджи, Н. А. Колчанов, В. Н. Пармон, & Е. А. Репин (Eds.), Роль микроорганизмов в функционировании живых систем: фундаментальные проблемы и биоинженерные приложения (pp. 376–391).


Издательство СО РАН .

Логофет, Д. О., & Белова, И. Н. (2007). Неотрицательные матрицы как 234 .

инструмент моделирования динамики популяций: классические модели и современные обобщения. Фундаментальнаяи Прикладнаяматематика, 13(4), 145–164 .

Матушкин, Ю. Г., Родин, С. Н., & Ратнер, В. А. (1986). О возможности 235 .

коэволюции в проточной системе вирулентный фаг-бактерия. Журнал Общей Биологии, XLVII(1), 64–71 .

Миркин, Б., & Наумова, Л. (2017). Основы общей экологии. Litres .

236 .

Нетрусов, А. И., & Котова, И. Б. (2007). Микробиология. Москва:

237 .

Академия .

Поплавская, Г. И. (1924). Опыт фитосоциологического анализа 238 .

растительности целинной заповедной степи Аскания-Нова. Журн. Русск .

Бот. О-Ва, 9, 125–146 .

Раменский, Л. Г. (1935). О принципиальных установках, основных 239 .

понятиях и терминах производственной типологии земель, геоботаники и экологии. Сов. Ботаника, 4, 25–32 .

Ризниченко, Г. Ю. (2003). Математические модели в биофизике и 240 .

экологии. Москва-Ижевск: Институт компьютерных исследований .

Ризниченко, Г. Ю., & Рубин, А. Б. (1993). Математические модели 241 .

биологических продукционных процессов: Учебное пособие. Москва:

Издательство МГУ .

Родин, С. Н., & Ратнер, В. А. (1982). Теоретический анализ коэволюции 242 .

белков в системе фаг-бактерия. Детерминированная модель отдельного этапа микроэволюции. Журнал Общей Биологии, XLIII(2), 175–184 .

Сукачев, В. Н. (1928). Растительные сообщества (4th ed.). Ленинград:

243 .

“Книга” Ленинград-Москва .

Чернавский, Д. С., & Иерусалимский, Н. Д. (1965). К вопросу об 244 .

определяющем звене в системе ферментативных реакций. Изв. АН СССР, Сер. Биол., 5, 665–672 .

Приложение 1. Модификации языка описания моделей Описание синтаксиса языка описания моделей «ГЭК 2.0» (версия для равномерно перемешанных сред) можно найти в работе (S. A. Lashin & Matushkin, 2011). Для описания пространственно-распределённых сообществ потребовалось внести некоторые изменения в синтаксис этого языка. В этом подразделе описаны синтаксические конструкции, описывающие неоднородное пространственное распределение, размерность, факторы перераспределения и другие команды .

Размерность среды задаётся следующим образом:

dimension = {[{0 | 1 | 2 | 3}D:] {длина| длина x глубина | длина х глубина x высота}} Например, dimension = 200x300x400 или dimension = 2D: 300x400, или dimension = 1D: 300 .

Также изменились параметры субстратов: если раньше начальные концентрации задавались как substrates_ss = c1, c2,...

(где c1 и c2 – концентрации специфических субстратов S1 и S2 соответственно), то теперь можно конкретизировать субстрат отдельным блоком подобно тому, как это делается с популяцией:


{N|S}sub=номер_субстрата [sub_name = имя_субстрата] {distribution={homogeneous|градиент}|пользовательское_распредел ение} [concentration=концентрация] [inflow_ns=концентрация_в_протоке] end {N|S}sub(номер_субстрата).. .


–  –  –

distribution = grad:(a, b, c) concentration = c_base Т.е. концентрация субстрата в ячейке (i, j, k) = c_base * (1 + a*i + b*j + c*k). В одномерном и двумерном случаях лишние орты и коэффициенты при них не учитываются .

Примеры пользовательских распределений:

–  –  –

SUB_NAME = Oxygen distribution(*, *, *) = 1e-5 distribution(1, 1, 1) = 1e-4 distribution(1, 1, 2) = 1e-3 distribution(1, 3, 3) = 2e-3

–  –  –

Здесь «звёздочка» означает, что по некоторой координате (допустим по координате высоты) все ячейки попадают под данное правило распределения .

Запись distribution(*, *, *) = 1e-5 означает, что во всех ячейках системы будет установлена концентрация 1e-5 M для субстрата из текущего блока. В случае конфликтов правил распределения силу имеет последнее из перечисленных, поэтому вначале стоит перечислять наиболее общие правила, а затем – специализированные, которые будут интерпретированы как исключения .

У популяций также появился параметр distribution, с тем же смыслом, что и у субстратов. При этом параметр популяции в случае SIZE пользовательского распределения имеет смысл «фоновой» численности (т.е .

численности данной популяции в ячейках, о которых специально не написано в директивах distribution). В случае распределения по линейному градиенту параметр SIZE имеет то же значение, что и c_base для субстратов .

Проток описывается при помощи вектора коэффициентов интенсивности протока соответствующей размерности:

–  –  –

Во всех инструкциях, изменяющих геном клеток популяции (мутация, потеря генов и горизонтальный перенос), добавился атрибут, указывающий ячейку, в которой происходит данное событие. Например, hgt = cell:(координата_по_длине(i), координата_по_глубине(j), координата_по_высоте(k)); команда hgt из «ГЭК 2.0»


hgt = location:(1,1,1); acceptor:1; donor:6; gene_type:s; sub_num:6; p_size:1e+6;

Есть возможность изменять направление и интенсивность протока в ходе расчёта модели.

Для этого используется следующая команда:

set_flow = {x | (x, y) | (x, y, z)} Пример: set_flow = (-0.01, 0.0) Также можно задать циклическую (периодическую) подачу какого-либо субстрата:

sub_cycle = location:(координата_по_длине(i), координата_по_глубине(j), координата_по_высоте(k));

тип_субстрата:номер_субстрата; concentration:концентрация;

duration: длительность_подачи_субстрата;

period:количество_итераций_между_подачами тип_субстрата ::= {N | S} Итерация, перед которой выполнилась инструкция sub_cycle, считается для неё стартовой, и субстрат начинает циклировать прямо с неё. При этом если инструкция sub_cycle была вызвана до начала расчёта, то стартовой итерацией для неё считается первая итерация (startIter=1) .

Важно отметить, что отрезок duration не входит в длительность period. Period

– это количество итераций между подачами подкормки, т.е. «голодный»

период .

Пример: SUB_CYCLE = location:(1,2,2); S:1; concentration: 1e-3; duration: 200;

period: 5600 Расширены на пространственно-распределённый случай команды, задающие и отменяющие буферизованные субстраты (т.е.

субстраты, чья концентрация остаётся на каждой итерации константной в соответствующей ячейке системы):

BUFFER_ON = location:(координата_по_длине(i), координата_по_глубине(j), координата_по_высоте(k)); команда BUFFER_ON из «ГЭК 2.0»

BUFFER_OFF = location:(координата_по_длине(i), координата_по_глубине(j), координата_по_высоте(k)); команда BUFFER_OFF из «ГЭК 2.0»


BUFFER_ON=location:(1,5,5);N:1:1e-1 BUFFER_OFF=location:(1,5,5);N:1:1e-1

Есть возможность задать 1D «волну» субстрата:

SUB_WAVE = start_location:(координата_по_длине(i));

тип_субстрата:номер_субстрата; concentration:концентрация;

duration: длительность_нахождения_гребня_волны_на_одном_месте;

type: тип_волны тип_субстрата ::= {N | S} тип_волны ::= { reflected | periodic} reflected – это значит, что волна, дойдя до границы системы, пойдёт в обратную сторону;

periodic – это значит, что волна, дойдя до границы системы, снова начнётся со start_location;


SUB_WAVE = start_location:(1); N:1; concentration: 1e-3; duration: 5; type:

reflected Доля мигрантов в популяции задаётся с помощью общепопуляционного параметра motility. Пример: MOTILITY=0.1

Как популяционные параметры задаются также и гены хемотаксиса:

GENE_CH=1 – ген миграционной ригидности GENE_CH=2 – ген стоимости миграции Приложение 2. Сценарии обработки, анализа и визуализации результатов вычислительных экспериментов Использованные в работе сценарии обработки, анализа и визуализации результатов вычислительных экспериментов представлены в Таблице П2.1 .

Таблица П2.1. Сценарии обработки, анализа и визуализации результатов вычислительных экспериментов .

–  –  –

серии стохастических вычислительных экспериментов .

Приложение 3. Классификация существующих программных средств моделирования микробных сообществ .

Таблица П3.1. Сравнение индивидуально-ориентированных программных средств для моделирования бактериальных сообществ в пространственно-распределённой среде .

–  –  –

Приложение 4. Биологически обоснованные диапазоны параметров моделей Параметры моделей ГЭК, касающиеся размеров клетки и необходимых для размножения клеток количеств субстратов, а также другие факторы были оценены на основе данных по E. coli (штамм K12, MG1655) из базы данных «The CyberCell Database» (CCDB) (Sundararaj et al., 2004) .

Таблица П4.1. Биологически обоснованные диапазоны параметров моделей (по (S. A. Lashin & Matushkin, 2011)) .

–  –  –

Pages:     | 1 ||

Похожие работы:

«УДК 621.311.22.003.13 СИСТЕМНАЯ ОЦЕНКА ЭФФЕКТИВНОСТИ ЭКОЛОГО-ЭНЕРГОСБЕРЕГАЮЩИХ ТЕХНОЛОГИЙ СЖИГАНИЯ УГЛЕЙ НА СОВРЕМЕННЫХ ТЭС Дубровский В.А.1), Зубова М.В.1), Потылицын М.Ю. 1), Чернецкая Н.С. 1) 1) Сибирский федеральный университет, г. Красноярск, Россия Энергетическая стратегия России до...»

«УДК 615.074, 615.072 РАЗРАБОТКА МЕТОДИКИ СТАНДАРТИЗАЦИИ ТРАВЫ РЕПЕШКА ОБЫКНОВЕННОГО AGRIMONIA EUPATORIA ПО ФЛАВОНОИДАМ Ж.С. Лесовая Надземная часть репешка обыкновенного используется в народной медицине при лечении многих заболеваний, в...»

«Самарская Лука. 2008. – Т. 17, № 3(25). – С. 650-000. © 2008 А.Н. Дзюбан, Л.А. Выхристюк, Е.П. Романова НИНА НИКОЛАЕВНА ГУСЕВА (1913-1995) Dzuban A.N., Vychristuk L.A., Romanova E.P. Nina Nikolaevna Guseva (1913-1995) Нина Николаевна Гусева – одна из самых первых сотрудн...»

«Пояснительная записка Рабочая программа по технологии для 7 а класса составлена с учетом стандартов основного общего образования по технологии, на основе примерной программы основного общего образования по направлению...»

«MIRRA PROPHYLACTIC Профилактическая линия ИНФОРМАЦИОННЫЙ ЛИСТОК Серия БАД МИРРА-СЕЛЕН Биологически активная добавка к пище БИОКОМПЛЕКС СЕЛЕНА С МАСЛОМ АМАРАНТА Одним из наиболее важных для человека микроэлементов является селен, открытый в начале ХIХ в. и получивший свое название от греч. Selene (Лун...»

«АНАЛИЗ спортивно-оздоровительной работы за 2016 – 2017 учебный год Цель методической работы: Развитие личности школьников в процессе овладения ими теоретическими знаниями, формирование у учащихся устойчивых мотивов и потребностей в бережном отношении к своему здоровью, целостном развитии физических и психических ка...»


«Государственное бюджетное дошкольное образовательное учреждение детский сад № 4 комбинированного вида Пушкинского района Санкт-Петербурга Сценарий экологического досуга на тему: "Весна пришла природа ожила" по произведению К.И. Чуковского "Путаница" подготовительно...»

2019 www.mash.dobrota.biz - «Бесплатная электронная библиотека - онлайн публикации»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.