Abstract In this paper we examine the use of perturbation data to infer the underlying mechanistic dynamic model. The approach uses an evolutionary strategy to evolve networks based on a fitness criterion that measures the difference between the experimentally determined set of perturbation data and proposed mechanistic models. At present we only deal with reaction networks that use mass-action kinetics employing uni-uni, bi-uni, uni-bi and bi-bi reactions. The key to our approach is to split the algorithm into two phases. The first phase focuses on evolving network topologies that are consistent with the perturbation data followed by a second phase that evolves the parameter values. This results in almost an exact match between the evolved network and the original network from which the perturbation data was generated from. We test the approach on four models that include linear chain, feed-forward loop, cyclic pathway and a branched pathway. Currently the algorithm is implemented using Python and libRoadRunner but could at a later date be rewritten in a compiled language to improve performance. Future studies will focus on the impact of noise in the perturbation data on convergence and variability in the evolved parameter values and topologies. In addition we will investigate the effect of nonlinear rate laws on generating unique solutions.

Living systems continually respond to signals from the surrounding environment. Survival requires that their responses adapt quickly and robustly to the changes in the environment. One particularly challenging example is olfactory navigation in turbulent plumes, where animals experience highly intermittent odor signals while odor concentration varies over many length- and timescales. Here, we show theoretically that

Abstract Recognizing that diverse morphologies of neurons are reminiscent of structures of branched polymers, we put forward a principled and systematic way of classifying neurons that employs the ideas of polymer physics. In particular, we use 3D coordinates of individual neurons, which are accessible in recent neuron reconstruction datasets from electron microscope images. We numerically calculate the form factor, F ( q ), a Fourier transform of the distance distribution of particles comprising an object of interest, which is routinely measured in scattering experiments to quantitatively characterize the structure of materials. For a polymer-like object consisting of n monomers spanning over a length scale of r, F ( q ) scales with the wavenumber q (= 2 π/r ) as F ( q ) ∼ q −𝒟 at an intermediate range of q , where 𝒟 is the fractal dimension or the inverse scaling exponent (𝒟 = ν −1 ) characterizing the geometrical feature ( r ∼ n ν ) of the object. F ( q ) can be used to describe a neuron morphology in terms of its size ( R n ) and the extent of branching quantified by 𝒟. By defining the distance between F ( q )s as a measure of similarity between two neuronal morphologies, we tackle the neuron classification problem. In comparison with other existing classification methods for neuronal morphologies, our F ( q )-based classification rests solely on 3D coordinates of neurons with no prior knowledge of morphological features. When applied to publicly available neuron datasets from three different organisms, our method not only complements other methods but also offers a physical picture of how the dendritic and axonal branches of an individual neuron fill the space of dense neural networks inside the brain.

Intracellular protein copy numbers show significant cell-to-cell variability within an isogenic population due to the random nature of biological reactions. Here we show how the variability in copy number can be controlled by perturbing gene expression. Depending on the genetic network and host, different perturbations can be applied to control variability. To understand more fully how noise propagates and behaves in biochemical networks we developed stochastic control analysis (SCA) which is a sensitivity-based analysis framework for the study of noise control. Here we apply SCA to synthetic gene expression systems encoded on plasmids that are transformed into Escherichia coli. We show that (1) dual control of transcription and translation efficiencies provides the most efficient way of noise-vs.-mean control. (2) The expressed proteins follow the gamma distribution function as found in chromosomal proteins. (3) One of the major sources of noise, leading to the cell-to-cell variability in protein copy numbers, is related to bursty translation. (4) By taking into account stochastic fluctuations in autofluorescence, the correct scaling relationship between the noise and mean levels of the protein copy numbers was recovered for the case of weak fluorescence signals.

The putative dimension of a space spanned by chemical stimuli is deemed enormous; however, when odorant molecules are bound to a finite number of receptor types and their information is transmitted and projected to a perceptual odor space in the brain, a substantial reduction in dimensionality is made. Compressed sensing (CS) is an algorithm that enables recovery of high-dimensional signals from the data compressed in a lower dimension when the representation of such signals is sufficiently sparse. By analyzing the recent Drosophila connectomics data, we find that the Drosophila olfactory system effectively meets the prerequisites for CS to work. The neural activity profile of projection neurons (PNs) can be faithfully recovered from a low-dimensional response profile of mushroom body output neurons (MBONs) which can be reconstructed using the electro-physiological recordings to a wide range of odorants. By leveraging the residuals calculated between the measured and the predicted MBON responses, we visualize the perceptual odor space by means of residual spectrum and discuss the differentiability of an odor from others. Our study highlights the sparse coding of odor to the receptor space as an essential component for odor identifiability, clarifying the concentration-dependent odor percept. Further, a simultaneous exposure of the olfactory system to many different odorants saturates the neural activity profile of PNs, significantly degrading the capacity of signal recovery, resulting in a perceptual state analogous to “olfactory white.” Our study applying the CS to the connectomics data provides novel and quantitative insights into the odor representation in the inner brain of Drosophila .

The topology of a reaction network can have a significant influence on the network's dynamical properties. Such influences can include constraints on network flows and concentration changes or more insidiously result in the emergence of feedback loops. These effects are due entirely to mass constraints imposed by the network configuration and are important considerations before any dynamical analysis is made. Most established simulation software tools usually carry out some kind of structural analysis of a network before any attempt is made at dynamic simulation. In this paper we describe a portable software library, libStructural, that can carry out a variety of popular structural analyses that includes conservation analysis, flux dependency analysis and enumerating elementary modes. The library employs robust algorithms that allow it to be used on large networks with more than a two thousand nodes. The library accepts either a raw or fully labeled stoichiometry matrix or models written in SBML format. The software is written in standard C/C++ and comes with documentation and a test suite. The software is available for Windows, Mac OS X, and can be compiled easily on any Linux operating system. A language binding for Python is also available through the pip package manager making it trivial to install on any standard Python distribution. As a second example, we also create a new libStructural plugin for PathwayDesigner that allows solutions to be viewed graphically. The source code is licensed under the open source BSD license and is available on GitHub (https://github.com/sys-bio/Libstructural).

The SBML layout extension enables SBML models to encode layout information which describes the graphical depiction of model elements. In this application note, we describe libSBNW, a portable library that supports the SBML layout extension and can automatically generate layout for SBML models. The library can be used to automatically generate layout information for SBML models lacking it, or to edit coordinate information already encoded in a model. We provide C and Python APIs to allow other applications to host the library or to use it directly from the Python console. We show that the library is sufficient for creating a graphical application for displaying and editing layout information. The library is open-source and licensed under the BSD 3-clause license. Project source code, downloads, documentation and binaries for Windows and Mac OS X are available at \href{https://github.com/sys-bio/sbnw}{https://github.com/sys-bio/sbnw}. The library is also included in Tellurium, available at http://tellurium.analogmachine.org/. Video tutorials are available at http://0u812.github.io/sbnw/tutorials/.

Abstract The projection neurons (PNs), reconstructed from electron microscope (EM) images of the Drosophila olfactory system, offer a detailed view of neuronal anatomy, providing glimpses into information flow in the brain. About 150 uPNs constituting 58 glomeruli in the antennal lobe (AL) are bundled together in the axonal extension, routing the olfactory signal received at AL to mushroom body (MB) calyx and lateral horn (LH). Here we quantify the neuronal organization by inter-PN distances and examine its relationship with the odor types sensed by Drosophila . The homotypic uPNs that constitute glomeruli are tightly bundled and stereotyped in position throughout the neuropils, even though the glomerular PN organization in AL is no longer sustained in the higher brain center. Instead, odor-type dependent clusters consisting of multiple homotypes innervate the MB calyx and LH. Pheromone-encoding and hygro/thermo-sensing homotypes are spatially segregated in MB calyx, whereas two distinct clusters of food-related homotypes are found in LH in addition to the segregation of pheromone-encoding and hygro/thermo-sensing homotypes. We find that there are statistically significant associations between the spatial organization among a group of homotypic uPNs and certain stereotyped olfactory responses. Additionally, the signals from some of the tightly bundled homotypes converge to a specific group of lateral horn neurons (LHNs), which indicates that homotype (or odor type) specific integration of signals occurs at the synaptic interface between PNs and LHNs. Our findings suggest that before neural computation in the inner brain, some of the olfactory information are already encoded in the spatial organization of uPNs, illuminating that a certain degree of labeled-line strategy is at work in the Drosophila olfactory system.

Cells process extra-cellular signals with multiple layers of complex biological networks. Due to the stochastic nature of the networks, the signals become significantly noisy within the cells and in addition, due to the nonlinear nature of the networks, the signals become distorted, shifted, and (de-)amplified. Such nonlinear signal processing can lead to non-trivial cellular phenotypes such as cell cycles, differentiation, cell-to-cell communication, and homeostasis. These nonlinear phenotypes, when observed at the cell population levels, can be quite different from the single-cell level observation. As one of the underlying mechanisms behind this difference, we report the interplay between nonlinearity and stochasticity in genetic regulation. Here we show that nonlinear genetic regulation, characterized at the cellular population level, can be affected by cell-to-cell variability in the regulatory factor concentrations. The observed genetic regulation at the cell population is shown to be significantly dependent on the upstream DNA sequences of the regulator, in particular, 5′ untranslated region. This indicates that genetic regulation observed at the cell population level can be significantly dependent on its genetic context, and that its characterization needs a careful attention on noise propagation.

In this article, we present Tellurium, a powerful Python-based integrated environment designed for model building, analysis, simulation and reproducibility in systems and synthetic biology. Tellurium is a modular, cross-platform, and open-source integrated development environment (IDE) composed of multiple libraries, plugins, and specialized modules and methods. Tellurium ensures exchangeability and reproducibility of computational models by supporting SBML (Systems Biology Markup Language), SED-ML (Simulation Experiment Description Markup Language), the COMBINE archive, and SBOL (Synthetic Biology Open Language). Tellurium is a self-contained modeling platform which comes with a fully configured Python distribution independent of other local Python installations on the target machine. The main interface is based on the Spyder IDE which has a highly accessible user interface akin to MATLAB (https://www.mathworks.com/). Tellurium uses libRoadRunner as the default SBML simulation engine due to its superior performance, scalability and ease of integration. libRoadRunner supports deterministic simulations, stochastic simulations and steady state analyses. Tellurium also includes Antimony, a human-readable model definition language which can be converted to and from SBML. Other standard Python scientific libraries such as NumPy, SciPy, and matplotlib are included by default. Additionally, we include several user-friendly plugins and advanced modules for a wide-variety of applications, ranging from visualization tools to complex algorithms for bifurcation analysis and multi-dimensional parameter scanning. By combining multiple libraries, plugins, and modules into a single package, Tellurium provides a unified but extensible solution for biological modeling and simulation.