Physical models of living systems

Khám phá mô hình vật lý của hệ thống sống: ứng dụng, lợi ích và cách chúng giúp ta hiểu sâu hơn về sinh học và y học. Tìm hiểu ngay!

• Tác giả: Philip Nelson
• Trường học: University of Pennsylvania
• Chuyên ngành: Vật lý sinh học
• Đề tài: Mô hình vật lý hệ thống sống: Nghiên cứu & Ứng dụng
• Loại tài liệu: Sách giáo trình
• Năm xuất bản: 2015
• Địa điểm: New York

Mục lục chi tiết

• Prolog: A breakthrough on HIV
• 1. PART I First Steps
• 1.1. Chapter 1 Virus Dynamics
• 1.1.1. Modeling the Course of HIV Infection
• 1.1.2. An appropriate graphical representation can bring out key features of data
• 1.1.3. Physical modeling begins by identifying the key actors and their main interactions
• 1.1.4. Mathematical analysis yields a family of predicted behaviors
• 1.1.5. Most models must be fitted to data
• 1.1.6. Overconstraint versus overfitting
• 1.1.7. Just a Few Words About Modeling
• 1.2. Chapter 2 Physics and Biology
• 1.2.1. Dimensional Analysis
• 2. PART II Randomness in Biology
• 2.1. Chapter 3 Discrete Randomness
• 2.1.1. Avatars of Randomness
• 2.1.2. Probability Distribution of a Discrete Random System
• 2.1.3. Expectations and Moments
• 2.2. Chapter 4 Some Useful Discrete Distributions
• 2.2.1. Drawing a sample from solution can be modeled in terms of Bernoulli trials
• 2.2.2. The sum of several Bernoulli trials follows a Binomial distribution
• 2.2.3. The Binomial distribution becomes simpler in the limit of sampling from an infinite reservoir
• 2.2.4. The sum of many Bernoulli trials, each with low probability, follows a Poisson distribution
• 2.2.5. The Jackpot Distribution and Bacterial Genetics
• 2.3. Chapter 5 Continuous Distributions
• 2.3.1. Probability Density Function
• 2.3.2. More About the Gaussian Distribution
• 2.3.3. More on Long-tail Distributions
• 2.4. Chapter 6 Model Selection and Parameter Estimation
• 2.4.1. How good is your model?
• 2.4.2. The Bayes formula gives a consistent approach to updating our degree of belief in the light of new data
• 2.4.3. An Extension of Maximum Likelihood Lets Us Infer Functional Relationships from Data
• 2.5. Chapter 7 Poisson Processes
• 2.5.1. The Kinetics of a Single-Molecule Machine
• 2.5.2. Convolution and Multistage Processes
• 3. PART III Control in Cells
• 3.1. Chapter 8 Randomness in Cellular Processes
• 3.1.1. Random Walks and Beyond
• 3.1.2. Molecular Population Dynamics as a Markov Process
• 3.1.3. Vista: Randomness in protein production
• 3.2. Chapter 9 Negative Feedback Control
• 3.2.1. Mechanical Feedback and Phase Portraits
• 3.2.2. Wetware Available in Cells
• 3.2.3. Dynamics of Molecular Inventories
• 3.2.4. A Natural Example: The trp Operon
• 3.2.5. Some Systems Overshoot on Their Way to Their Stable Fixed Point
• 3.2.6. Perspective
• 3.3. Chapter 10 Genetic Switches in Cells
• 3.3.1. Bacteria Have Behavior
• 3.3.2. Positive Feedback Can Lead to Bistability
• 3.3.3. Natural Examples of Switches
• 3.4. Chapter 11 Cellular Oscillators
• 3.4.1. Some Single Cells Have Diurnal or Mitotic Clocks
• 3.4.2. Synthetic Oscillators in Cells
• 3.4.3. Mechanical Clocks and Related Devices Can also be Represented by their Phase Portraits
• Epilog
• Appendix A Global List of Symbols
• Appendix B Units and Dimensional Analysis
• Appendix C Numerical Values
• Acknowledgments
• Credits
• Bibliography
• Index

Tóm tắt

I. Mô Hình Vật Lý Hệ Thống Sống Tổng Quan Ý Nghĩa 55

Bài viết này đi sâu vào mô hình vật lý hệ thống sống, một lĩnh vực nghiên cứu liên ngành đầy hứa hẹn. Chúng ta sẽ khám phá cách tiếp cận này giúp giải mã những bí ẩn của sinh học, từ cấp độ phân tử đến toàn bộ cơ thể. Mô hình vật lý không chỉ là công cụ mô phỏng; nó còn là phương tiện để dự đoán và kiểm soát các quá trình sinh học phức tạp. Mục tiêu chính là làm sáng tỏ cách các nguyên tắc vật lý chi phối sự sống, từ đó mở ra những ứng dụng tiềm năng trong y học, công nghệ sinh học và nhiều lĩnh vực khác. Phương pháp mô hình hóa sinh học giúp đơn giản hóa hệ thống, loại bỏ yếu tố ít quan trọng tập trung vào điểm mấu chốt. Theo Philip Nelson, 'Để nghiên cứu bất kỳ hệ thống phức tạp nào, trước tiên chúng ta phải làm cho nó dễ quản lý bằng cách áp dụng một mô hình vật lý, một tập hợp các lý tưởng hóa tập trung sự chú ý của chúng ta vào các tính năng quan trọng nhất.' Do đó, các thí nghiệm thiết kế để thu thập dữ liệu định lượng, sau đó sử dụng dữ liệu này để hỗ trợ hoặc bác bỏ giả thuyết. Việc tích hợp dữ liệu thử nghiệm và các mô hình tính toán cho phép đánh giá và dự đoán các hệ thống phức tạp.

1.1. Giới thiệu chung về vật lý sinh học và ứng dụng

Vật lý sinh học áp dụng các nguyên tắc và phương pháp của vật lý để nghiên cứu các hệ thống sinh học. Nó bao gồm nhiều lĩnh vực, từ cấu trúc và động lực học của phân tử sinh học đến hành vi tập thể của tế bào và sinh vật. Các ứng dụng trải rộng trên nhiều lĩnh vực như phát triển thuốc, chẩn đoán bệnh và kỹ thuật sinh học. Việc mô hình hóa sinh hóa giúp chúng ta đạt được mục tiêu một cách hiệu quả.

1.2. Vai trò của mô hình hóa trong nghiên cứu hệ thống sống

Mô hình hóa đóng vai trò then chốt trong việc hiểu và dự đoán hành vi của hệ thống sống. Bằng cách đơn giản hóa các hệ thống phức tạp, mô hình giúp chúng ta tập trung vào các yếu tố thiết yếu và xác định các cơ chế cơ bản. Có nhiều loại mô hình khác nhau, bao gồm mô hình toán học, mô hình máy tính và mô hình vật lý.

II. Thách Thức Giới Hạn Khi Mô Hình Hóa Hệ Thống Sống 60

Mặc dù mô hình vật lý hệ thống sống mang lại nhiều lợi ích, nhưng cũng có những thách thức đáng kể. Sự phức tạp nội tại của hệ thống sinh học, với vô số tương tác và quy trình điều chỉnh, gây khó khăn cho việc xây dựng mô hình chính xác và toàn diện. Hơn nữa, các mô hình thường dựa vào các giả định đơn giản hóa, có thể ảnh hưởng đến độ tin cậy của kết quả. Việc thu thập dữ liệu thực nghiệm chất lượng cao để xác thực mô hình cũng là một thách thức lớn. Do đó, chúng ta cần một phương pháp số trong sinh học phù hợp để khắc phục những khó khăn.

2.1. Sự phức tạp và tính đa dạng của hệ thống sinh học

Hệ thống sinh học có tính phức tạp cao, với nhiều yếu tố tương tác với nhau theo những cách phức tạp. Điều này gây khó khăn cho việc xây dựng các mô hình có thể nắm bắt đầy đủ sự phức tạp này. Bên cạnh đó, sự đa dạng của hệ thống sinh học, từ cấp độ gen đến cấp độ loài, đòi hỏi các mô hình phải có khả năng thích ứng và linh hoạt.

2.2. Vấn đề về độ chính xác và đơn giản hóa mô hình

Để đơn giản hóa, các mô hình thường bỏ qua một số chi tiết hoặc tương tác, từ đó có thể ảnh hưởng đến độ chính xác của kết quả. Việc cân bằng giữa độ chính xác và khả năng tính toán là một thách thức quan trọng trong mô hình hóa. Chúng ta cần một phần mềm mô phỏng hệ thống sinh học có thể giúp đơn giản hóa quá trình này.

2.3. Thu thập và xác thực dữ liệu thực nghiệm

Việc xác thực mô hình đòi hỏi dữ liệu thực nghiệm chính xác và đáng tin cậy. Tuy nhiên, việc thu thập dữ liệu này có thể tốn kém và mất thời gian. Đồng thời, việc đảm bảo chất lượng và tính nhất quán của dữ liệu cũng là một thách thức đáng kể. Nghiên cứu cần được thực hiện một cách chính xác bằng các công cụ chính xác, chẳng hạn như phương pháp mô phỏng Monte Carlo trong sinh học.

III. Phương Pháp Mô Hình Hóa Vật Lý Hệ Thống Sống Hiệu Quả 58

Có nhiều phương pháp khác nhau để xây dựng mô hình vật lý hệ thống sống, tùy thuộc vào mục tiêu nghiên cứu và tính chất của hệ thống. Một số phương pháp phổ biến bao gồm mô hình cơ học, mô hình nhiệt động lực học, mô hình điện và mô hình thống kê. Mỗi phương pháp có những ưu điểm và hạn chế riêng, và việc lựa chọn phương pháp phù hợp là rất quan trọng. Cơ học sinh học cung cấp một cái nhìn chi tiết về mô hình này.

3.1. Mô hình cơ học ứng dụng trong cơ học tế bào

Mô hình cơ học tập trung vào các lực và chuyển động trong hệ thống sinh học. Nó được sử dụng rộng rãi trong nghiên cứu cơ học tế bào, cơ học mô và cơ học sinh học. Mô hình cơ học có thể giúp chúng ta hiểu cách tế bào và mô phản ứng với các lực bên ngoài, cũng như cách các lực này ảnh hưởng đến chức năng của chúng.

3.2. Mô hình nhiệt động lực học và động học hệ thống sống

Mô hình nhiệt động lực học và động học tập trung vào dòng năng lượng và vật chất trong hệ thống sinh học. Nó được sử dụng để nghiên cứu quá trình trao đổi chất, quá trình vận chuyển và quá trình điều hòa. Nhiệt động lực học hệ thống sống giúp chúng ta hiểu cách hệ thống sinh học duy trì sự ổn định và trật tự trong môi trường luôn biến động. Động học hệ thống sống cung cấp cái nhìn về tốc độ các phản ứng.

3.3. Vật lý thống kê hệ thống sống và mô hình hóa phân tử

Mô hình thống kê sử dụng các phương pháp thống kê để mô tả hành vi của hệ thống sinh học. Nó đặc biệt hữu ích trong việc nghiên cứu các hệ thống phức tạp với nhiều thành phần tương tác. Vật lý thống kê hệ thống sống giúp chúng ta hiểu cách các tương tác vi mô dẫn đến các hành vi vĩ mô. Mô hình hóa phân tử sinh học là một ví dụ điển hình.

IV. Ứng Dụng Mô Hình Vật Lý Trong Y Sinh Top Nghiên Cứu 56

Mô hình vật lý hệ thống sống có rất nhiều ứng dụng trong y sinh, từ phát triển thuốc đến chẩn đoán bệnh và điều trị bệnh. Mô hình hóa giúp chúng ta hiểu rõ hơn về cơ chế bệnh sinh, dự đoán hiệu quả điều trị và thiết kế các liệu pháp mới. Cụ thể, việc dự đoán bằng mô hình vật lý sinh học đang trở nên ngày càng quan trọng.

4.1. Ứng dụng trong thiết kế thuốc và dược động học

Mô hình hóa giúp chúng ta dự đoán cách thuốc tương tác với cơ thể, từ đó tối ưu hóa thiết kế thuốc và cải thiện hiệu quả điều trị. Mô hình hóa dược động học giúp chúng ta hiểu cách thuốc được hấp thụ, phân phối, chuyển hóa và thải trừ khỏi cơ thể.

4.2. Chẩn đoán bệnh và theo dõi quá trình điều trị

Mô hình hóa có thể được sử dụng để phân tích dữ liệu hình ảnh y tế, từ đó giúp phát hiện bệnh sớm và theo dõi quá trình điều trị. Phân tích hệ thống sinh học thông qua mô hình hóa giúp chúng ta hiểu rõ hơn về các dấu hiệu sinh học của bệnh.

4.3. Kỹ thuật mô và ứng dụng trong phục hồi chức năng

Mô hình hóa giúp chúng ta thiết kế các vật liệu và cấu trúc mô phù hợp để kỹ thuật mô và phục hồi chức năng. Mô hình hóa cũng có thể được sử dụng để dự đoán cách mô nhân tạo sẽ tương tác với cơ thể.

V. Nghiên Cứu Mới Tương Lai Của Mô Hình Vật Lý Hệ Thống 57

Lĩnh vực mô hình vật lý hệ thống sống đang phát triển nhanh chóng, với nhiều nghiên cứu mới và tiềm năng ứng dụng rộng lớn. Các nhà nghiên cứu đang nỗ lực phát triển các mô hình phức tạp hơn, chính xác hơn và có khả năng tích hợp nhiều loại dữ liệu khác nhau. Việc thiết kế hệ thống sinh học dựa trên mô hình hóa cũng đang thu hút sự quan tâm lớn. Một trong số đó là Kỹ thuật mô phỏng sinh học

5.1. Tích hợp trí tuệ nhân tạo và học máy vào mô hình

Trí tuệ nhân tạo và học máy đang được tích hợp vào mô hình hóa để cải thiện khả năng dự đoán và phân tích dữ liệu. Các thuật toán học máy có thể được sử dụng để xây dựng mô hình từ dữ liệu thực nghiệm, cũng như để tối ưu hóa các tham số mô hình.

5.2. Ứng dụng trong y học cá nhân hóa

Mô hình hóa có thể được sử dụng để tạo ra các liệu pháp điều trị phù hợp với từng cá nhân, dựa trên đặc điểm di truyền và sinh lý của họ. Y học cá nhân hóa hứa hẹn mang lại hiệu quả điều trị cao hơn và giảm thiểu tác dụng phụ.

5.3. Phát triển các phương pháp mô phỏng mới

Các nhà nghiên cứu đang phát triển các phương pháp mô phỏng mới để giải quyết các bài toán phức tạp trong hệ thống sinh học. Các phương pháp này bao gồm mô phỏng đa quy mô, mô phỏng dựa trên tác nhân và mô phỏng thời gian thực.

VI. Kiểm Soát Làm Chủ Mô Hình Vật Lý Hệ Thống Sống 58

Trong kỷ nguyên khoa học liên ngành và dựa trên dữ liệu ngày nay, việc hiểu và làm chủ mô hình vật lý hệ thống sống là điều tối quan trọng đối với các nhà khoa học, kỹ sư và bác sĩ. Mô hình vật lý cung cấp một khuôn khổ mạnh mẽ để phân tích, dự đoán và kiểm soát hệ thống sinh học. Khi chúng ta tiếp tục khám phá những bí ẩn của sự sống, các mô hình này sẽ ngày càng trở nên quan trọng trong việc thúc đẩy khám phá khoa học và cải thiện sức khỏe con người.

6.1. Tầm quan trọng của việc làm chủ kiến thức vật lý sinh học

Khả năng hiểu và áp dụng các nguyên tắc vật lý vào hệ thống sinh học giúp chúng ta giải quyết các vấn đề phức tạp và đưa ra các quyết định sáng suốt. Nó cũng giúp chúng ta đánh giá các tuyên bố khoa học và thống kê một cách khách quan.

6.2. Vai trò của mô hình hóa trong kiểm soát hệ thống sinh học

Mô hình hóa cung cấp một công cụ mạnh mẽ để kiểm soát và điều khiển hệ thống sinh học. Bằng cách hiểu cách các yếu tố khác nhau tương tác với nhau, chúng ta có thể thiết kế các biện pháp can thiệp để đạt được các kết quả mong muốn. Từ đó, Kiểm soát hệ thống sinh học được thực hiện dễ dàng.

6.3. Kết luận và lời khuyên cho các nhà nghiên cứu tương lai

Lĩnh vực mô hình vật lý hệ thống sống đầy tiềm năng và hứa hẹn mang lại những khám phá đột phá trong tương lai. Các nhà nghiên cứu trẻ nên tiếp tục học hỏi, sáng tạo và hợp tác để khai phá những tiềm năng này. Việc không ngừng trau dồi kiến thức và kỹ năng sẽ giúp chúng ta làm chủ và ứng dụng vật lý trong y sinh một cách hiệu quả.

Nội dung chính

PHÂN TÍCH HỌC THUẬT VÀ TỔNG QUAN GIÁO TRÌNH: PHYSICAL MODELS OF LIVING SYSTEMS (PHILIP NELSON)

Tổng quan về giáo trình

Physical Models of Living Systems là giáo trình đại học do Giáo sư Philip Nelson (Đại học Pennsylvania) biên soạn, với sự hỗ trợ của Sarina Bromberg, Ann Hermundstad và Jason Prentice, được xuất bản bởi W. H. Freeman and Company (New York, 2015; ISBN-13: 978-1-4641-4029-7). Giáo trình được thiết kế cho các học phần Vật lý Sinh học (Biological Physics), Sinh học Định lượng (Quantitative Biology) và Mô hình hóa Hệ thống Sống tại bậc đại học và sau đại học.

+-------------------------------------------------------------------------+
|                CẤU TRÚC TỔNG THỂ GIÁO TRÌNH (11 CHƯƠNG)                 |
+------------------------------------+------------------------------------+
| Part I: First Steps                | Part II: Randomness in Biology     |
| - Chương 1: Virus Dynamics         | - Chương 3: Discrete Randomness    |
| - Chương 2: Physics and Biology    | - Chương 4: Useful Discrete Distr. |
|                                    | - Chương 5: Continuous Distr.      |
|                                    | - Chương 6: Model Selection & Est. |
|                                    | - Chương 7: Poisson Processes      |
+------------------------------------+------------------------------------+
| Part III: Control in Cells         | Phụ lục & Tài nguyên               |
| - Chương 8: Randomness in Cells    | - Appendix A: Global Symbols       |
| - Chương 9: Negative Feedback      | - Appendix B: Dimensional Analysis |
| - Chương 10: Genetic Switches      | - Appendix C: Numerical Constants  |
| - Chương 11: Cellular Oscillators  | - Web Datasets, Media & Guides     |
+------------------------------------+------------------------------------+

Mục tiêu đào tạo và chuẩn đầu ra (Learning Outcomes)

• Xây dựng kỹ năng mô hình hóa vật lý (Model Construction): Thiết lập mức độ mô tả phù hợp cho các hệ thống phức tạp, từ đại phân tử đơn lẻ đến tế bào và sinh vật hoàn chỉnh; chuyển đổi các giả thuyết sinh học thành hệ phương trình toán học tường minh.
• Phân tích và ước lượng tham số định lượng: Áp dụng suy luận xác suất, định lý Bayes, hàm hợp lý cực đại (maximum likelihood) và khoảng tin cậy (credible intervals) để khớp mô hình với dữ liệu thực nghiệm thực tế.
• Năng lực tính toán khoa học: Tự viết mã nguồn mô phỏng ngẫu nhiên (thuật toán Gillespie, bước ngẫu nhiên Brownian) và trực quan hóa dữ liệu thực nghiệm thay vì chỉ sử dụng công cụ phân tích giải tích truyền thống.
• Đánh giá phản biện khoa học: Nhận diện ranh giới giữa khớp dữ liệu có ràng buộc thực nghiệm (overconstraint) và hiện tượng quá khớp (overfitting); kiểm định các tiêu chí phản nghiệm (falsifiable predictions).

Cấu trúc và phương pháp tiếp cận

Nội dung giáo trình được tổ chức thành 3 phần chính gồm 11 chương, mở đầu bằng bài học thực nghiệm về động học virus HIV (Prolog) và kết thúc bằng mô hình đồng hồ phân bào (Chương 11). Phương pháp tiếp cận cốt lõi của tác giả là tiếp cận quy giản có chọn lọc (reductionist modeling) và khai thác các phép tương tự vật lý (physical metaphors)—chẳng hạn như việc liên hệ giữa động học tải lượng virus trong cơ thể với hệ bình chứa rò rỉ chất lỏng (leaky container). Giáo trình triển khai hệ thống phân tầng "Track 1" (kiến thức trọng tâm bậc đại học) và "Track 2" (nội dung mở rộng chuyên sâu cho bậc cao học và định hướng nghiên cứu).

---

Nội dung kiến thức cốt lõi

+--------------------------------------------------------------------------+
|                 LỘ TRÌNH PHÁT TRIỂN KIẾN THỨC CỐT LÕI                    |
|                                                                          |
|  [Động học xác định]   --->   [Xác suất & Ước lượng]   ---> [Mạng điều hòa]   |
|  (Hệ PT vi phân, HIV)         (Bayes, Poisson, FIONA)       (Homeostasis, Bistability)|
+--------------------------------------------------------------------------+

Các chương và chủ đề chính

Chương 1: Virus Dynamics

Chương này nghiên cứu động lực học quần thể virus HIV và tế bào T hỗ trợ ($CD4^+$ helper T cells). Tác giả thiết lập hệ phương trình vi phân mô tả tốc độ biến thiên số lượng tế bào T nhiễm bệnh ($N_I$) và số lượng hạt virus tự do ($N_V$):

$$\frac{dN_I}{dt} = -k_I N_I \quad (t \ge 0)$$

$$\frac{dN_V}{dt} = -k_V N_V + \gamma N_I$$

Nghiệm của hệ phương trình cho hàm tải lượng virus quan sát được $N_V(t) = X e^{-k_I t} + (N_{V0} - X) e^{-k_V t}$ (với $X = \frac{\beta}{k_V - k_I}$ và $\beta = \gamma N_{I0}$). Phân tích này giải thích hiện tượng sụt giảm tải lượng virus trên biểu đồ bán logarit (semilog plot) sau khi sử dụng thuốc ức chế protease (ritonavir) hoặc ức chế enzyme phiên mã ngược (zidovudine/AZT), đồng thời chứng minh tốc độ sinh sản và đột biến cao của virus trong giai đoạn nhiễm trùng tiềm tàng.

Chương 2: Physics and Biology

Tập trung vào cơ sở phương pháp luận vật lý, quy tắc thứ nguyên (Dimensional Analysis) và vai trò của các hằng số vật lý tự nhiên trong các quá trình sinh học, đặt nền tảng cho việc kiểm tra tính nhất quán của các phương trình mô hình.

Chương 3 - 5: Xác suất và các phân phối ngẫu nhiên trong sinh học

• Chương 3 (Discrete Randomness): Khảo sát tính ngẫu nhiên rời rạc, quy tắc cộng, quy tắc nhân xác suất độc lập, ngụy biện công tố viên (prosecutor's fallacy), phân phối Hình học (Geometric distribution) cho thời gian chờ và công thức Bayes trong đánh giá xét nghiệm y tế.
• Chương 4 (Some Useful Discrete Distributions): Xây dựng phân phối Nhị thức (Binomial) và phân phối Poisson từ phép thử Bernoulli. Ứng dụng xác định độ dẫn của kênh ion đơn (single ion-channel conductance) và đếm phân tử huỳnh quang. Phân tích thực nghiệm Luria-Delbrück về phân phối tích lũy giải thưởng (jackpot distribution) để kiểm chứng đột biến kháng thuốc tự phát ở vi khuẩn.
• Chương 5 (Continuous Distributions): Khảo sát hàm mật độ xác suất liên tục (Uniform, Gaussian, Cauchy), định lý giới hạn trung tâm (Central Limit Theorem) và các phân phối đuôi dài (long-tail distributions).

Chương 6: Model Selection and Parameter Estimation

Nghiên cứu nguyên lý ước lượng hợp lý cực đại (maximum likelihood) và suy luận Bayes để cập nhật độ tin cậy của tham số mô hình dựa trên tập dữ liệu hữu hạn. Khảo sát ứng dụng thực tế trong hiển vi quang học siêu phân giải (superresolution optical microscopy) như PALM/FPALM, STORM và kỹ thuật định vị huỳnh quang độ chính xác nanomet FIONA (Fluorescence Imaging with One-Nanometer Accuracy).

Chương 7: Poisson Processes

Phân tích động học của các cỗ máy đơn phân tử (single-molecule machines). Khảo sát bước dịch chuyển của phân tử vận chuyển Myosin-V, phân phối thời gian chờ hàm mũ (Exponential distribution) và việc sử dụng tham số ngẫu nhiên để xác định các bước trung gian (substeps) trong chu trình động học enzyme.

Chương 8: Randomness in Cellular Processes

Mô tả chuyển động Brownian kết hợp bước nhảy ngẫu nhiên về hướng và thời gian. Mô hình hóa động lực học phân tử trong tế bào bằng quá trình Markov sinh-tử (birth-death process). Giới thiệu thuật toán mô phỏng ngẫu nhiên Gillespie và phương trình Master (Master Equation) để định lượng các đợt bùng phát phiên mã (transcriptional bursting) trong quá trình tạo mRNA và protein.

Chương 9 - 11: Mạng điều hòa và động học phi tuyến trong tế bào

• Chương 9 (Negative Feedback Control): Nghiên cứu cơ chế cân bằng nội môi (homeostasis), điều hòa dị lập thể (allosteric modulation), đường cong liên kết yếu tố phiên mã với DNA, mô hình toán operon tryptophan (trp operon) và phân tích không gian pha 2 chiều (2D phase portraits).
• Chương 10 (Genetic Switches in Cells): Phân tích tính ổn định hai trạng thái (bistability) do phản hồi dương tạo ra. Khảo sát thí nghiệm Novick-Weiner về tính chất "tất cả hoặc không" (all-or-none), mô hình công tắc đảo di truyền tổng hợp (synthetic toggle switch) ở vi khuẩn Escherichia coli, operon lac và công tắc thực khuẩn thể lambda ($\lambda$ switch).
• Chương 11 (Cellular Oscillators): Phân tích cơ chế dao động sinh học từ vòng phản hồi âm có trễ thời gian, mạng dao động Repressilator gồm 3 gen ức chế dạng vòng, dao động tích thoát (relaxation oscillator) và đồng hồ phân bào ở Xenopus laevis.

+--------------------------------------------------------------------------+
|                  MA TRẬN CÁC PHÂN PHỐI VÀ ỨNG DỤNG SINH HỌC             |
+----------------------+--------------------+------------------------------+
| Phân phối / Quá trình | Cơ sở toán học     | Hiện tượng sinh học thực tế   |
+----------------------+--------------------+------------------------------+
| Binomial / Poisson   | Chuỗi thử Bernoulli| Đếm phân tử huỳnh quang,      |
|                      | giới hạn mẫu lớn   | đóng mở kênh ion đơn lẻ      |
+----------------------+--------------------+------------------------------+
| Luria-Delbrück       | Quá trình phân nhánh| Đột biến kháng kháng sinh     |
| (Jackpot)            | đột biến vô hướng  | tự phát ở vi khuẩn           |
+----------------------+--------------------+------------------------------+
| Poisson Process      | Thời gian chờ liên | Bước vận chuyển cơ học của   |
| & Exponential        | tục không nhớ      | động cơ phân tử Myosin-V     |
+----------------------+--------------------+------------------------------+
| Birth-Death Markov   | Thuật toán         | Dao động số lượng phân tử     |
| Process              | Gillespie          | mRNA / đợt bùng phát phiên mã|
+----------------------+--------------------+------------------------------+

Kiến thức nền tảng và khung lý thuyết

1. Khung lý thuyết động thái học phi tuyến và hệ động lực (Nonlinear Dynamics): Sử dụng chân dung pha (phase portraits), phân tích độ ổn định tuyến tính (linear stability analysis), điểm cố định (fixed points) và phân nhánh (bifurcation).
2. Lý thuyết xác suất và quá trình ngẫu nhiên: Xây dựng nền tảng từ biến ngẫu nhiên rời rạc, liên tục đến các quá trình ngẫu nhiên phi tiền định (stochastic processes).
3. Cơ học thống kê và hóa sinh định lượng: Cân bằng liên kết phân tử, phương trình tốc độ phản ứng, tính hợp tác (cooperativity) và điều hòa biểu hiện gen.

Kỹ năng học thuật phát triển

• Kỹ năng phân tích: Phân tách hệ thống sinh học phức tạp thành các tương tác cơ bản; nhận biết điểm mù giữa mô hình từ ngữ (word models) và mô hình toán học khả kiểm.
• Kỹ năng lập trình và tính toán: Tự viết thuật toán xử lý dữ liệu thực nghiệm, tính xấp xỉ đạo hàm, giải phương trình vi phân và mô phỏng Monte Carlo.
• Kỹ năng trình bày khoa học: Thiết kế đồ thị đúng chuẩn trực quan hóa (trục logarit, biểu diễn sai số, ghi chú tham số), lập luận khoa học theo hình thức báo cáo phản biện đồng cấp.

---

Phương pháp giảng dạy và học tập

+--------------------------------------------------------------------------+
|                   CẤU TRÚC SƯ PHẠM DUAL-TRACK VÀ THỰC HÀNH               |
|                                                                          |
|  [Track 1: Đại học cốt lõi]  <--->  [Track 2: Cao học / Chuyên sâu]     |
|          |                                      |                        |
|          v                                      v                        |
|   "Your Turn" inline              Phân tích toán học nâng cao            |
|   Bài tập khớp dữ liệu (Web)      Tham khảo tài liệu nghiên cứu gốc      |
+--------------------------------------------------------------------------+

Phương pháp tiếp cận sư phạm (Pedagogical Approach)

Giáo trình kết hợp giữa lý thuyết mô hình và dữ liệu thực nghiệm kiểm chứng. Mỗi chương mở đầu bằng một câu hỏi sinh học thực tế (Focus Biological Question) đi kèm một ý tưởng vật lý tương ứng (Physical Idea). Cấu trúc "Dual-track" phân lập rõ ràng:

• Track 1: Dành cho người học nắm vững các khái niệm nền tảng và phương pháp mô hình hóa đại học mà không bị quá tải bởi các chi tiết toán học phức tạp.
• Track 2: Cung cấp các chứng minh giải tích chuyên sâu, các bài toán mở rộng (ví dụ: mô hình động học virus chi tiết có tính đến tế bào chưa nhiễm $N_U$ và virus bất hoạt $N_X$ theo Perelson 2002, mô hình dao động Xenopus).

Bài tập, dữ liệu thực nghiệm và đồ họa phân tử

• Hệ thống câu hỏi "Your Turn": Lồng ghép trực tiếp trong nội dung bài đọc nhằm kích hoạt tư duy chủ động, yêu cầu người học tự dẫn xuất công thức trung gian trước khi tiếp tục bài học.
• Bộ dữ liệu thực tế (Web Datasets): Giáo trình đi kèm hệ thống dữ liệu thực nghiệm đăng tải trên website chuyên dụng (ví dụ: Dataset 1 về sự suy giảm nồng độ RNA virus HIV theo thời gian), yêu cầu sinh viên nhập dữ liệu và khớp hàm số thay vì sử dụng số liệu giả định.
• Khai thác Ngân hàng Dữ liệu Protein (Protein Data Bank - PDB): Sinh viên trực tiếp tra cứu và kết xuất đồ họa cấu trúc phân tử không gian 3 chiều thông qua các mã định danh chuẩn được chỉ định trong bài tập:
  • 1jlb: Cấu trúc enzyme phiên mã ngược HIV-1 liên kết với nevirapine.
  • 1hsg: Enzyme protease HIV-2 phức hợp với chất ức chế.
  • 1rl8: Chủng đột biến kháng thuốc của HIV-1 protease với ritonavir.
  • 1lbh: Protein ức chế Lac bound với chất cảm ứng IPTG.
  • 3cro: Yếu tố phiên mã Cro liên kết với chuỗi DNA.
  • 1pv7: Protein vận chuyển lactose permease liên kết với TDG.
  • 1mme: Hammerhead ribozyme; 2f8s: Phân tử RNA can thiệp nhỏ (siRNA).

+--------------------------------------------------------------------------+
|                  MÃ CẤU TRÚC PROTEIN DATA BANK TRONG BÀI TẬP             |
+----------+---------------------------------------------------------------+
| Mã PDB   | Cấu trúc đại phân tử và phức chất                             |
+----------+---------------------------------------------------------------+
| 1jlb     | HIV-1 reverse transcriptase + Nevirapine                      |
| 1hsg     | HIV-2 protease + Protease inhibitor                           |
| 1rl8     | Chủng kháng thuốc HIV-1 protease (Val82Ala) + Ritonavir       |
| 1lbh     | Lac repressor protein + IPTG inducer                          |
| 3cro     | Yếu tố phiên mã Cro + Đoạn xoắn kép DNA                       |
| 1pv7     | Protein vận chuyển màng Lactose permease + Phân tử TDG        |
| 1mme     | Cấu trúc Hammerhead ribozyme                                  |
| 2f8s     | Phân tử siRNA (Small interfering RNA)                         |
+----------+---------------------------------------------------------------+

Phương pháp đánh giá và tự học

• Đánh giá năng lực giải quyết vấn đề mở: Nhiều bài tập kết thúc chương yêu cầu người học phân tích nhận định định tính (dạng câu hỏi "Comment on..."), đòi hỏi tự thiết lập câu hỏi nghiên cứu và phát hiện đặc tính then chốt của dữ liệu.
• Hướng dẫn tính toán: Tài liệu phụ trợ Student's Guide cung cấp hướng dẫn làm quen với các môi trường phần mềm tính toán khoa học phổ biến (Python, MATLAB, Mathematica, Octave, R, Sage) để giải bài tập phòng thí nghiệm máy tính (computer laboratory exercises).

---

Điểm nổi bật và cập nhật học thuật

Tính liên ngành và hướng tiếp cận phi truyền thống

Khác với giáo trình Biological Physics (Nelson, 2014) vốn tập trung chủ yếu vào cơ học chất lưu, entropy, lực nhiệt động, điện sinh học và dẫn truyền xung thần kinh, Physical Models of Living Systems tập trung hoàn toàn vào ba trụ cột hiện đại: Động học hệ thống (Dynamics), Hiện tượng ngẫu nhiên & Suy luận thống kê (Stochasticity & Inference), và Mạng điều khiển sinh học (Cellular Control Networks).

+--------------------------------------------------------------------------+
|                 SO SÁNH HAI GIÁO TRÌNH CỦA TÁC GIẢ PHILIP NELSON          |
+----------------------------+---------------------------------------------+
| Biological Physics (2014)  | Physical Models of Living Systems (2015)    |
+----------------------------+---------------------------------------------+
| - Cơ học và cơ học chất lưu| - Động học hệ vi sinh & tải lượng virus     |
| - Nhiệt động lực học & thế | - Quá trình ngẫu nhiên, suy luận Bayes,     |
|   hóa học, lực Entropic    |   ước lượng hợp lý cực đại (Likelihood)      |
| - Điện sinh học & điện thế | - Hiển vi quang học siêu phân giải          |
|   hoạt động tế bào thần kinh| - Sinh học tổng hợp, công tắc gen, dao động|
+----------------------------+---------------------------------------------+

Tích hợp các thành tựu khoa học và công nghệ mới

1. Sinh học tổng hợp (Synthetic Biology): Phân tích chi tiết thiết kế các mạch gen nhân tạo như công tắc đảo (toggle switch theo Gardner et al.) và bộ dao động Repressilator (Elowitz & Leibler).
2. Quang học siêu phân giải (Superresolution Optical Microscopy): Đưa các kỹ thuật tiên tiến được trao giải Nobel vào bài tập định lượng (Chương 6), giải thích cách thức suy luận thống kê vượt qua giới hạn nhiễu xạ quang học của Abbe.
3. Phân tích đơn phân tử (Single-Molecule Biophysics): Nghiên cứu động học cơ học của động cơ phân tử Myosin-V và kỹ thuật theo dõi phân tử đơn lẻ FIONA.
4. Động học tế bào đơn (Single-Cell Kinetics): Sử dụng dữ liệu thực nghiệm về nồng độ phân tử mRNA đo trực tiếp trong tế bào sống để chứng minh tính ngẫu nhiên của các đợt bùng phát biểu hiện gen.

---

Đối tượng sử dụng giáo trình

+-------------------------------------------------------------------------+
|                        ĐỐI TƯỢNG VÀ ĐIỀU KIỆN TIÊN QUYẾT                |
+-------------------------------+-----------------------------------------+
| Đối tượng người học           | Yêu cầu tiên quyết                      |
+-------------------------------+-----------------------------------------+
| Sinh viên ĐH năm 2, 3         | - 1 năm Vật lý đại cương (Cơ - Nhiệt)   |
| (Vật lý, Sinh học định lượng, | - 1 năm Giải tích (Phương trình vi phân)|
| Kỹ thuật Y sinh, Toán ứng dụng)| - Khái niệm cơ bản về sinh học phân tử |
+-------------------------------+-----------------------------------------+
| Học viên Cao học              | - Bổ sung toàn bộ phần Track 2          |
| (Lý sinh, Sinh học hệ thống)  | - Đọc tài liệu nghiên cứu gốc (Guide)   |
+-------------------------------+-----------------------------------------+
| Sinh viên định hướng Y khoa   | - Đáp ứng khung năng lực MCAT 2015      |
| (Pre-medical students)        |   (Lập luận định lượng & hệ thống sống) |
+-------------------------------+-----------------------------------------+

• Sinh viên đại học năm 2 và năm 3: Chuyên ngành Vật lý, Sinh học định lượng, Kỹ thuật y sinh (Bioengineering), Khoa học máy tính và Toán ứng dụng có định hướng nghiên cứu hệ thống sinh học.
• Yêu cầu kiến thức tiên quyết (Prerequisites):
  • Hoàn thành tối thiểu một năm Vật lý đại cương (Introductory Physics).
  • Nền tảng Giải tích đại cương bao gồm phương trình vi phân cơ bản và giải tích hàm nhiều biến.
  • Kiến thức sinh học tế bào và hóa sinh ở mức độ cơ bản (cấu trúc DNA, RNA, protein, enzyme).
• Sinh viên định hướng Y khoa (Pre-medical Students): Giáo trình đáp ứng đầy đủ các tiêu chuẩn đổi mới của kỳ thi MCAT theo khung hướng dẫn của Hiệp hội các Trường Y khoa Hoa Kỳ (AAMC) và Viện Y khoa Howard Hughes (HHMI), đặc biệt ở năng lực suy luận định lượng, xử lý biến thiên ngẫu nhiên và hiểu biết về công nghệ chẩn đoán/hình ảnh y sinh.
• Giảng viên và nhà nghiên cứu: Dùng làm khung giáo trình giảng dạy chính khóa hoặc tài liệu tham khảo cho các môn học chuyên đề Sinh học hệ thống, Lý sinh phân tử. Sách cung cấp kèm Instructor's Guide chứa toàn bộ lời giải chi tiết, gợi ý thiết kế thí nghiệm minh họa trực quan trên lớp (classroom demonstrations) và danh mục tài liệu nghiên cứu mở rộng.

---

Câu hỏi thường gặp (FAQ)

1. Giáo trình này thuộc chuyên ngành nào và phù hợp với học phần nào?

Giáo trình thuộc lĩnh vực Vật lý Sinh học (Biological Physics / Biophysics) và Sinh học Định lượng. Sách phù hợp cho các học phần giảng dạy mô hình hóa hệ thống sống, sinh học hệ thống, lý sinh phân tử và quá trình ngẫu nhiên ứng dụng trong khoa học sự sống.

2. Người học chưa có kỹ năng lập trình có thể tiếp cận giáo trình không?

Có thể. Tác giả không yêu cầu ngôn ngữ lập trình cụ thể mà hướng dẫn phát triển tư duy thuật toán từ mức độ cơ bản. Sinh viên có thể sử dụng Student's Guide kèm theo để thực hiện các bài thực hành tính toán bằng Python, MATLAB, Mathematica, Octave hoặc R.

3. Giáo trình này khác biệt như thế nào so với các sách Sinh học Toán học (Mathematical Biology) truyền thống?

Các sách Sinh học Toán học truyền thống thường tập trung thuần túy vào giải tích và nghiệm của phương trình vi phân. Ngược lại, giáo trình của Philip Nelson tập trung vào mô hình hóa vật lý—xuất phát từ các phép tương tự vật lý, gắn liền các tham số với cơ chế phân tử cụ thể, và bắt buộc kiểm chứng mô hình thông qua việc khớp các bộ dữ liệu thực nghiệm thực tế và suy luận Bayes.

4. Phần "Track 2" trong mỗi chương có bắt buộc đối với toàn bộ người học không?

Không. "Track 2" là phần nội dung tùy chọn được thiết kế cho sinh viên trình độ nâng cao hoặc học viên cao học. Nội dung chính (Track 1) được xây dựng hoàn toàn độc lập, đảm bảo tính liên tục của kiến thức cốt lõi mà không bắt buộc phải hoàn thành Track 2.

5. Những nguồn tài nguyên bổ trợ nào được cung cấp kèm theo giáo trình?

Website chính thức của giáo trình cung cấp các đường dẫn tài nguyên bao gồm:

• Student's Guide: Hướng dẫn môi trường toán học máy tính và các bài tập thực hành máy tính.
• Datasets: Các tệp dữ liệu thực nghiệm thực tế phục vụ cho bài tập khớp hàm ở mỗi chương.
• Media Links: Hình ảnh phân tử 3D, tệp âm thanh và video cấu trúc đại phân tử.
• Instructor's Guide: Hướng dẫn bài giảng, lời giải toàn bộ bài tập và đề xuất thí nghiệm trình diễn trên giảng đường.

---

Kết luận

Physical Models of Living Systems của Philip Nelson cung cấp một khung phương pháp luận định lượng chặt chẽ để mô hình hóa và phân tích các hệ thống sinh học phức tạp. Bằng cách kết nối các quy luật vật lý, công cụ giải tích, suy luận thống kê xác suất và mô phỏng tính toán, giáo trình hình thành năng lực đánh giá khoa học dựa trên bằng chứng định lượng thay vì trực giác định tính.

+--------------------------------------------------------------------------+
|                       LỘ TRÌNH TỰ HỌC VÀ THỰC HÀNH                       |
|                                                                          |
|  [Đọc lý thuyết Track 1]  --->  [Giải câu hỏi "Your Turn"]               |
|            |                                   |                         |
|            v                                   v                         |
|  [Tải Web Datasets]       --->  [Lập trình mô phỏng / Khớp mô hình]      |
|            |                                   |                         |
|            v                                   v                         |
|  [Tra cứu Protein Data Bank] -> [Mở rộng Track 2 & Tài liệu gốc]         |
+--------------------------------------------------------------------------+

Lộ trình học tập đề xuất: Bắt đầu từ việc nắm vững nguyên lý động thái học xác định ở Part I $\rightarrow$ mở rộng sang các công cụ xác suất, phân phối ngẫu nhiên và suy luận tham số ở Part II $\rightarrow$ ứng dụng phân tích các mạng điều khiển sinh học và hệ dao động phức tạp ở Part III. Quá trình này được hỗ trợ bởi hệ thống bài tập thực hành mã nguồn mở, cơ sở dữ liệu phân tử thực tế (PDB) và ngân hàng dữ liệu số học sinh học (bionumbers.hms.harvard.edu).

Trích đoạn nội dung tài liệu

“main” page i Physical Models of Living Systems Philip Nelson University of Pennsylvania with the assistance of Sarina Bromberg, Ann Hermundstad, and Jason Prentice W. Freeman and Company New York “main” page ii Publisher: Kate Parker Acquisitions Editor: Alicia Brady Senior Development Editor: Blythe Robbins Assistant Editor: Courtney Lyons Editorial Assistant: Nandini Ahuja Marketing Manager: Taryn Burns Senior Media and Supplements Editor: Amy Thorne Director of Editing, Design, and Media Production: Tracey Kuehn Managing Editor: Lisa Kinne Project Editor: Kerry O’Shaughnessy Production Manager: Susan Wein Design Manager and Cover Designer: Vicki Tomaselli Illustration Coordinator: Matt McAdams Photo Editors: Christine Buese, Richard Fox Composition: codeMantra Printing and Binding: RR Donnelley Cover: [Two-color, superresolution optical micrograph.] Two specific structures in a mammalian cell have been tagged with fluorescent molecules via immunostaining: microtubules (false-colored green) and clathrin-coated pits, cellular structures used for receptor-mediated endocytosis (false-colored red). See also Figure 6. The magnification is such that the height of the letter “o” in the title corresponds to about 1.

[Image courtesy Mark Bates, Dept. of NanoBiophotonics, Max Planck Institute for Biophysical Chemistry, published in Bates et al. Reprinted with permission from AAAS.] Inset: The equation known today as the “Bayes formula” first appeared in recognizable form around 1812, in the work of Pierre Simon de Laplace. In our notation, the formula appears as Equation 3.

P (The letter “S” in Laplace’s original formulation is an obsolete notation for sum, now written as .) This formula forms the basis of statistical inference, including that used in superresolution microscopy. Title page: Illustration from James Watt’s patent application. The green box encloses a centrifugal governor. [From A treatise on the steam engine: Historical, practical, and descriptive (1827) by John Farey.] Library of Congress Preassigned Control Number: 2014949574 ISBN-13: 978-1-4641-4029-7 ISBN-10: 1-4641-4029-4 ©2015 by Philip C.

Nelson All rights reserved Printed in the United States of America First printing W. Freeman and Company, 41 Madison Avenue, New York, NY 10010 Houndmills, Basingstoke RG21 6XS, England www.com “main” page iii For my classmates Janice Enagonio, Feng Shechao, and Andrew Lange. “main” page iv Whose dwelling is the light of setting suns, And the round ocean and the living air, And the blue sky, and in the mind of man: A motion and a spirit, that impels All thinking things, all objects of all thought, And rolls through all things. – William Wordsworth “main” page v Brief Contents Prolog: A breakthrough on HIV 1 PART I First Steps Chapter 1 Virus Dynamics 9 Chapter 2 Physics and Biology 27 PART II Randomness in Biology Chapter 3 Discrete Randomness 35 Chapter 4 Some Useful Discrete Distributions 69 Chapter 5 Continuous Distributions 97 Chapter 6 Model Selection and Parameter Estimation 123 Chapter 7 Poisson Processes 153 Jump to Contents Jump to Index v “main” page vi vi Brief Contents PART III Control in Cells Chapter 8 Randomness in Cellular Processes 179 Chapter 9 Negative Feedback Control 203 Chapter 10 Genetic Switches in Cells 241 Chapter 11 Cellular Oscillators 277 Epilog 299 Appendix A Global List of Symbols 303 Appendix B Units and Dimensional Analysis 309 Appendix C Numerical Values 315 Acknowledgments 317 Credits 321 Bibliography 323 Index 333 Jump to Contents Jump to Index “main” page vii Detailed Contents Web Resources xvii To the Student xix To the Instructor xxiii Prolog: A breakthrough on HIV 1 PART I First Steps Chapter 1 Virus Dynamics 9 1.2 Modeling the Course of HIV Infection 10 1.2 An appropriate graphical representation can bring out key features of data 12 1.3 Physical modeling begins by identifying the key actors and their main interactions 12 1.4 Mathematical analysis yields a family of predicted behaviors 14 1.5 Most models must be fitted to data 15 1.6 Overconstraint versus overfitting 17 1.3 Just a Few Words About Modeling 17 Key Formulas 19 Track 2 21 1.4′ Exit from the latency period 21 1.6′ a Informal criterion for a falsifiable prediction 21 Jump to Contents Jump to Index vii “main” page viii viii Detailed Contents 1.6′ b More realistic viral dynamics models 21 1.6′ c Eradication of HIV 22 Problems 23 Chapter 2 Physics and Biology 27 2.3 Dimensional Analysis 29 Key Formulas 30 Problems 31 PART II Randomness in Biology Chapter 3 Discrete Randomness 35 3.2 Avatars of Randomness 36 3.1 Five iconic examples illustrate the concept of randomness 36 3.2 Computer simulation of a random system 40 3.3 Biological and biochemical examples 40 3.4 False patterns: Clusters in epidemiology 41 3.3 Probability Distribution of a Discrete Random System 41 3.1 A probability distribution describes to what extent a random system is, and is not, predictable 41 3.2 A random variable has a sample space with numerical meaning 43 3.3 The addition rule 44 3.4 The negation rule 44 3.1 Independent events and the product rule 45 3.1 Crib death and the prosecutor’s fallacy 47 3.2 The Geometric distribution describes the waiting times for success in a series of independent trials 47 3.3 The proper interpretation of medical tests requires an understanding of conditional probability 50 3.4 The Bayes formula streamlines calculations involving conditional probability 52 3.5 Expectations and Moments 53 3.1 The expectation expresses the average of a random variable over many trials 53 3.2 The variance of a random variable is one measure of its fluctuation 54 3.3 The standard error of the mean improves with increasing sample size 57 Key Formulas 58 Track 2 60 Jump to Contents Jump to Index ‘‘main’’ page ix Detailed Contents ix 3.1′ a Extended negation rule 60 3.1′ b Extended product rule 60 3.1′ c Extended independence property 60 3.4′ Generalized Bayes formula 60 3.2′ a Skewness and kurtosis 60 3.2′ b Correlation and covariance 61 3.2′ c Limitations of the correlation coefficient 62 Problems 63 Chapter 4 Some Useful Discrete Distributions 69 4.1 Drawing a sample from solution can be modeled in terms of Bernoulli trials 70 4.2 The sum of several Bernoulli trials follows a Binomial distribution 71 4.3 Expectation and variance 72 4.4 How to count the number of fluorescent molecules in a cell 72 4.1 The Binomial distribution becomes simpler in the limit of sampling from an infinite reservoir 74 4.2 The sum of many Bernoulli trials, each with low probability, follows a Poisson distribution 75 4.4 Determination of single ion-channel conductance 78 4.5 The Poisson distribution behaves simply under convolution 79 4.4 The Jackpot Distribution and Bacterial Genetics 81 4.2 Unreproducible experimental data may nevertheless contain an important message 81 4.3 Two models for the emergence of resistance 83 4.4 The Luria-Delbrück hypothesis makes testable predictions for the distribution of survivor counts 84 4.5 Perspective 86 Key Formulas 87 Track 2 89 4.3 More about the Luria-Delbrück experiment 89 4.5′ a Analytical approaches to the Luria-Delbrück calculation 89 ′ 4.5 b Other genetic mechanisms 89 4.5′ c Non-genetic mechanisms 90 4.5′ d Direct confirmation of the Luria-Delbrück hypothesis 90 Problems 91 Jump to Contents Jump to Index “main” page x x Detailed Contents Chapter 5 Continuous Distributions 97 5.2 Probability Density Function 98 5.1 The definition of a probability distribution must be modified for the case of a continuous random variable 98 5.2 Three key examples: Uniform, Gaussian, and Cauchy distributions 99 5.3 Joint distributions of continuous random variables 101 5.4 Expectation and variance of the example distributions 102 5.5 Transformation of a probability density function 104 5.3 More About the Gaussian Distribution 106 5.1 The Gaussian distribution arises as a limit of Binomial 106 5.2 The central limit theorem explains the ubiquity of Gaussian distributions 108 5.3 When to use/not use a Gaussian 109 5.4 More on Long-tail Distributions 110 Key Formulas 112 Track 2 114 5.1′ Notation used in mathematical literature 114 5.4′ b The movements of stock prices 115 Problems 118 Chapter 6 Model Selection and Parameter Estimation 123 6.1 How good is your model? 124 6.2 Decisions in an uncertain world 125 6.3 The Bayes formula gives a consistent approach to updating our degree of belief in the light of new data 126 6.4 A pragmatic approach to likelihood 127 6.2 The maximally likely value for a model parameter can be computed on the basis of a finite dataset 129 6.3 The credible interval expresses a range of parameter values consistent with the available data 130 6.1 Likelihood analysis of the Luria-Delbrück experiment 133 6.2 Fluorescence imaging at one nanometer accuracy 133 Jump to Contents Jump to Index “main” page xi Detailed Contents xi 6.3 Localization microscopy: PALM/FPALM/STORM 136 6.5 An Extension of Maximum Likelihood Lets Us Infer Functional Relationships from Data 137 Key Formulas 141 Track 2 142 6.4′ a Binning data reduces its information content 142 6.2′ a The role of idealized distribution functions 143 6.3′ a Credible interval for the expectation of Gaussian-distributed data 144 6.3′ b Confidence intervals in classical statistics 145 6.3′ c Asymmetric and multivariate credible intervals 146 6.2′ More about FIONA 146 ′ 6.3 More about superresolution 147 6.5′ What to do when data points are correlated 147 Problems 149 Chapter 7 Poisson Processes 153 7.2 The Kinetics of a Single-Molecule Machine 153 7.1 Geometric distribution revisited 156 7.2 A Poisson process can be defined as a continuous-time limit of repeated Bernoulli trials 157 7.1 Continuous waiting times are Exponentially distributed 158 7.2 Distribution of counts 160 7.3 Useful Properties of Poisson processes 161 7.3 Significance of thinning and merging properties 163 7.1 Enzyme turnover at low concentration 164 7.5 Convolution and Multistage Processes 165 7.1 Myosin-V is a processive molecular motor whose stepping times display a dual character 165 7.2 The randomness parameter can be used to reveal substeps in a kinetic scheme 168 7.1 Simple Poisson process 168 7.2 Poisson processes with multiple event types 168 Jump to Contents Jump to Index “main” page xii xii Detailed Contents Key Formulas 169 Track 2 171 7.2′ More about motor stepping 171 7.1′ a More detailed models of enzyme turnovers 171 7.1′ b More detailed models of photon arrivals 171 Problems 172 PART III Control in Cells Chapter 8 Randomness in Cellular Processes 179 8.2 Random Walks and Beyond 180 8.1 Situations studied so far 180 8.1 Periodic stepping in random directions 180 8.2 Irregularly timed, unidirectional steps 180 8.2 A more realistic model of Brownian motion includes both random step times and random step directions 180 8.3 Molecular Population Dynamics as a Markov Process 181 8.1 The birth-death process describes population fluctuations of a chemical species in a cell 182 8.2 In the continuous, deterministic approximation, a birth-death process approaches a steady population level 184 8.3 The Gillespie algorithm 185 8.4 The birth-death process undergoes fluctuations in its steady state 186 8.1 Exact mRNA populations can be monitored in living cells 187 8.2 mRNA is produced in bursts of transcription 189 8.4 Vista: Randomness in protein production 193 Key Formulas 194 Track 2 195 8.4′ The master equation 195 ′ 8.4 More about gene expression 197 8.2′ a The role of cell division 197 8.2′ b Stochastic simulation of a transcriptional bursting experiment 198 8.2′ c Analytical results on the bursting process 199 Problems 200 Chapter 9 Negative Feedback Control 203 9.2 Mechanical Feedback and Phase Portraits 204 9.1 The problem of cellular homeostasis 204 Jump to Contents Jump to Index “main” page xiii Detailed Contents xiii 9.2 Negative feedback can bring a system to a stable setpoint and hold it there 204 9.3 Wetware Available in Cells 206 9.1 Many cellular state variables can be regarded as inventories 206 9.2 The birth-death process includes a simple form of feedback 207 9.3 Cells can control enzyme activities via allosteric modulation 207 9.4 Transcription factors can control a gene’s activity 208 9.5 Artificial control modules can be installed in more complex organisms 211 9.4 Dynamics of Molecular Inventories 212 9.1 Transcription factors stick to DNA by the collective effect of many weak interactions 212 9.2 The probability of binding is controlled by two rate constants 213 9.3 The repressor binding curve can be summarized by its equilibrium constant and cooperativity parameter 214 9.