ABSTRACT The Data and Resource Center (DRC) of the NIH-funded SPARC program is developing databases, connectivity maps and simulation tools for the mammalian autonomic nervous system. The experimental data and mathematical models supplied to the DRC by the SPARC consortium are curated, annotated and semantically linked via a single knowledgebase. A data portal has been developed that allows discovery of data and models both via semantic search and via an interface that includes Google Map-like 2D flatmaps for displaying connectivity, and 3D anatomical organ scaffolds that provide a common coordinate framework for cross-species comparisons. We discuss examples that illustrate the data pipeline, which includes data upload, curation, segmentation (for image data), registration against the flatmaps and scaffolds, and finally display via the web portal, including the link to freely available online computational facilities that will enable neuromodulation hypotheses to be investigated by the autonomic neuroscience community and device manufacturers.

Abstract Simulating complex biological and physiological systems and predicting their behaviours under different conditions remains challenging. Breaking systems into smaller and more manageable modules can address this challenge, assisting both model development and simulation. Nevertheless, existing computational models in biology and physiology are often not modular and therefore difficult to assemble into larger models. Even when this is possible, the resulting model may not be useful due to inconsistencies either with the laws of physics or the physiological behaviour of the system. Here, we propose a general methodology for composing models, combining the energy-based bond graph approach with semantics-based annotations. This approach improves model composition and ensures that a composite model is physically plausible. As an example, we demonstrate this approach to automated model composition using a model of human arterial circulation. The major benefit is that modellers can spend more time on understanding the behaviour of complex biological and physiological systems and less time wrangling with model composition. Author summary Biological and physiological systems usually involve multiple underlying processes, mechanisms, structures, and phenomena, referred to here as sub-systems. Modelling the whole system every time from scratch requires a huge amount of effort. An alternative is to model each sub-system in a modular fashion, i.e ., containing meaningful interfaces for connecting to other modules. Such modules are readily combined to produce a whole-system model. For the combined model to be consistent, modules must be described using the same modelling scheme. One way to achieve this is to use energy-based models that are consistent with the conservation laws of physics. Here, we present an approach that achieves this using bond graphs, which allows modules to be combined faster and more efficiently. First, physically plausible modules are generated using a small number of template modules. Then a meaningful interface is added to each module to automate connection. This approach is illustrated by applying this method to an existing model of the circulatory system and verifying the results against the reference model.

Abstract The interests in repurposing and reusing systems biology models have been growing in recent years. Semantic annotations play an important role for this, as they provide crucial information on the meanings and functions of models. However, there are a limited number of tools that evaluate the existence or quality of such annotations. In this paper, we introduce SBMate, a python package that would serve as a framework for evaluating the quality of annotations in systems biology models. Three default metrics are provided: coverage, consistency, and specificity. Coverage checks whether annotations exist in a model. Consistency tests if the annotations are appropriate for the given model element. Finally, specificity represents how detailed the annotations are. We analyzed 1,000 curated models from the BioModels repository using the three metrics and discussed the results. Additional metrics can be easily added to extend the current version of SBMate.

Abstract Hierarchical modelling is essential to achieving complex, large-scale models. However, not all modelling schemes support hierarchical composition, and correctly mapping points of connection between models requires comprehensive knowledge of each model’s components and assumptions. To address these challenges in integrating biosimulation models, we propose an approach to automatically and confidently compose biosimulation models. The approach uses bond graphs to combine aspects of physical and thermodynamics-based modelling with biological semantics. We improved on existing approaches by using semantic annotations to automate the recognition of common components. The approach is illustrated by coupling a model of the Ras-MAPK cascade to a model of the upstream activation of EGFR. Through this methodology, we aim to assist researchers and modellers in readily having access to more comprehensive biological systems models. Author summary Detailed, multi-scale computational models bridging from biomolecular processes to entire organs and bodies have the potential to revolutionise medicine by enabling personalised treatments. One of the key challenges to achieving these models is connecting together the vast number of isolated biosimulation models into a coherent whole. Using recent advances in both modelling techniques and biological standards in the scientific community, we developed an approach to integrate and compose models in a physics-based environment. This provides significant advantages, including the automation of model composition and post-model-composition adjustments. We anticipate that our approach will enable the faster development of realistic and accurate models to understand complex biological systems.

Motivation: Mathematics and physics based computational models have the potential to help interpret and encapsulate biological phenomena in a computable and reproducible form. Similarly, comprehensive descriptions of such models encoded in computable form help to ensure that such models are accessible, discoverable, and reusable. To this end, researchers have developed tools and standards to encode mathematical models of biological systems enabling reproducibility and reuse; tools and guidelines to facilitate semantic description of mathematical models; and repositories in which to archive, share, and discover models. Biologists and clinicians can leverage these resources to investigate specific questions and hypotheses. Results: We have comprehensively annotated a cohort of models with biological semantics. These annotated models are freely available in the Physiome Model Repository (PMR). To demonstrate the benefits of this approach, we have developed a web-based tool which enables users to discover models relevant to their work, with a particular focus on epithelial transport. In helping a user to discover relevant models this tool will provide users with suggestions for similar or alternative models they may wish to explore or utilize in their model based on the models they would like to use. The semantic annotation and the web tool we have developed is a new contribution enabling scientists to discover relevant models in the PMR as candidates for reuse in their own scientific endeavours. We believe that this approach demonstrates how semantic web technologies and methodologies can contribute to biomedical and clinical research. Availability and implementation: https://github.com/dewancse/model-discovery-tool

Motivation: Semantic annotation is a crucial step to assure reusability and reproducibility of biosimulation models in biology and physiology. For this purpose, the COmputational Modeling in BIology NEtwork (COMBINE) community recommend the use of the Resource Description Framework (RDF). The RDF implementation provides the flexibility of model entity searching (e.g. flux of sodium across apical plasma membrane) by utilising SPARQL. However, the rigidity and complexity of SPARQL syntax and the nature of semantic annotation which is not merely as a simple triple yet forming a tree-like structure may cause a difficulty. Therefore, the availability of an interface to convert a natural language query to SPARQL is beneficial. Results: We propose NLIMED, a natural language query to SPARQL interface to retrieve model entities from biosimulation models. Our interface can be applied to various repositories utilising RDF such as the PMR and Biomodels. We evaluate our interface by collecting RDF in the biosimulation models coded using CellML in PMR. First, we extract RDF as a tree structure and then store each subtree of a model entity as a modified triple of a model entity name, path, and class ontology into the RDF Graph Index. We also extract class ontology's textual metadata from the BioPortal and CellML and manage it in the Text Feature Index. With the Text Feature Index, we annotate phrases resulted by the NLQ Parser (Stanford parser or NLTK parser) into class ontologies. Finally, the detected class ontologies then are composed as SPARQL by incorporating the RDF Graph Index. Our annotator performance is far more powerful compared to the available service provided by BioPortal with F-measure of 0.756 and our SPARQL composer can find all possible SPARQL in the collection based on the annotation results. Currently, we already implement our interface in Epithelial Modelling Platform tool. Availability: https://github.com/napakalas/NLIMED

Abstract We review a collection of published renal epithelial transport models, from which we build a consistent and reusable mathematical model able to reproduce many observations and predictions from the literature. The flexible modular model we present here can be adapted to specific configurations of epithelial transport, and in this work we focus on transport in the proximal convoluted tubule of the renal nephron. Our mathematical model of the epithelial proximal convoluted tubule describes the cellular and subcellular mechanisms of the transporters, intracellular buffering, solute fluxes, and other processes. We provide free and open access to the Python implementation to ensure our multiscale proximal tubule model is accessible; enabling the reader to explore the model through setting their own simulations, reproducibility tests, and sensitivity analyses.

The SLC (solute carrier) superfamily mediates the passive transport of small molecules across apical and basolateral cell membranes in nearly all tissues. In this paper we employ bond graph approaches to develop models of SLC transporters that conserve mass, charge and energy, respectively, and which can be parameterised for a specific cell and tissue type for which the experimental kinetic data is available. We show how analytic expressions that preserve thermodynamic consistency can be derived for a representative four- or six-state model, given reasonable assumptions associated with steady-state flux conditions. We present details on fitting parameters for SLC2A2 (a GLUT transporter) and SLC5A1 (an SGLT transporter) to experimental data and show how well the steady-state flux expressions match the full kinetic analysis. Since the bond graph approach will not be familiar to many readers, we provide a detailed description of the approach and illustrate its application to a number of familiar biophysical processes.

Life science researchers use computational models to articulate and test hypotheses about the behavior of biological systems. Semantic annotation is a critical component for enhancing the interoperability and reusability of such models as well as for the integration of the data needed for model parameterization and validation. Encoded as machine-readable links to knowledge resource terms, semantic annotations describe the computational or biological meaning of what models and data represent. These annotations help researchers find and repurpose models, accelerate model composition, and enable knowledge integration across model repositories and experimental data stores. However, realizing the potential benefits of semantic annotation requires the development of model annotation standards that adhere to a community-based annotation protocol. Without such standards, tool developers must account for a variety of annotation formats and approaches, a situation that can become prohibitively cumbersome and which can defeat the purpose of linking model elements to controlled knowledge resource terms. Currently, no consensus protocol for semantic annotation exists among the larger biological modeling community. Here, we report on the landscape of current semantic annotation practices among the COmputational Modeling in BIology NEtwork (COMBINE) community and provide a set of recommendations for building a consensus approach to semantic annotation.

Abstract The Systems Biology Markup Language (SBML) is a popular software-independent XML-based format for describing models of biological phenomena. The BioModels Database is the largest online repository of SBML models. Several tools and platforms are available to support the reuse and composition of SBML models. However, these tools do not explicitly assess whether models are physically plausibile or thermodynamically consistent. This often leads to ill-posed models that are physically impossible, impeding the development of realistic complex models in biology. Here, we present a framework that can automatically convert SBML models into bond graphs, which imposes energy conservation laws on these models. The new bond graph models are easily mergeable, resulting in physically plausible coupled models. We illustrate this by automatically converting and coupling a model of pyruvate distribution to a model of the pentose phosphate pathway. Graphical Abstract Highlights A framework to convert suitable SBML models of biochemical networks into bond graphs is developed. The framework is applied here to two interconnecting models of metabolism pathways. We automatically integrate the generated bond graph modules. We qualitatively illustrate the functionality of the composed model.