11.1 ಜೀವಶಾಸ್ತ್ರದಲ್ಲಿ ಪ್ರೋಗ್ರಾಮಿಂಗ್

ಕೈಯಾರೆ ಲೆಕ್ಕಾಚಾರ ಮಾಡುವ ಯುಗದಿಂದ, ನಾವು ಪ್ರಸ್ತುತ ದೊಡ್ಡ ಪ್ರಮಾಣದ (ಅಂದರೆ, ಹೈ-ಥ್ರೂಪುಟ್) ಡೇಟಾ ಉತ್ಪಾದನೆ, ಸ್ವಯಂಚಾಲಿತ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಮುನ್ಸೂಚನೆಯ ಹಂತದಲ್ಲಿದ್ದೇವೆ. ತಾಂತ್ರಿಕ ಪ್ರಗತಿಯು ದಶಕಗಳ ಹಿಂದೆ ಭಾವಿಸಲಾಗದಷ್ಟು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಉತ್ಪಾದಿಸಲು ಮತ್ತು ಹೆಚ್ಚು ಕಠಿಣ ಪ್ರಶ್ನೆಗಳನ್ನು ನಿಭಾಯಿಸಲು ವರದಾನವಾಗಿದೆ. ಆದರೆ, ಬೃಹತ್ ಡೇಟಾದ ಆಗಮನವು ಡೇಟಾದ ಸಂಗ್ರಹಣೆ, ದೃಶ್ಯೀಕರಣ, ವರ್ಗಾವಣೆ, ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ವ್ಯಾಖ್ಯಾನದಲ್ಲಿ ಬೃಹತ್ ಸವಾಲುಗಳನ್ನು ಸಹ ಎಸೆದಿದೆ. ಒಂದು ದಶಕದ ಹಿಂದೆ ದೈತ್ಯಾಕಾರದಂತೆ ಕಾಣುತ್ತಿದ್ದ ಕಾರ್ಯವು ಈಗ ಕ್ಷುಲ್ಲಕವಾಗಿ ಕಾಣುತ್ತದೆ.

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯ ತಂತ್ರಗಳ ಹೊರಹೊಮ್ಮುವಿಕೆಯು ಪ್ರತಿಯೊಂದು ಕ್ಷೇತ್ರದಲ್ಲೂ ಸಂಶೋಧನಾ ಪದ್ಧತಿಗಳನ್ನು ಬದಲಾಯಿಸಿದೆ. ಭವಿಷ್ಯದಲ್ಲಿ, ವಿಜ್ಞಾನದ ಅತ್ಯಾಧುನಿಕ ಮುಂಚೂಣಿಯಲ್ಲಿ ಕೆಲಸ ಮಾಡುವ ಯುವ ಜೈವಿಕ ತಂತ್ರಜ್ಞಾನ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ಮೂಲ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಜ್ಞಾನ ಮತ್ತು ರಸಾಯನಶಾಸ್ತ್ರ ಮತ್ತು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನಗಳೊಂದಿಗೆ ಸೌಕರ್ಯದ ಅಗತ್ಯವಿರಬಹುದು ಎಂಬುದು ಹೆಚ್ಚು ಹೆಚ್ಚು ಸ್ಪಷ್ಟವಾಗುತ್ತಿದೆ.

ಈ ಅಧ್ಯಾಯದ ಉದ್ದೇಶ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಗಳ ಸಮಗ್ರ ವಿವರಣೆಯನ್ನು ನೀಡುವುದಲ್ಲ, ಬದಲಿಗೆ ಜೀವಶಾಸ್ತ್ರಜ್ಞರಿಗೆ ಸಂಬಂಧಿಸಿದ ಕೆಲವು ಅತ್ಯಂತ ಜನಪ್ರಿಯ ಹೈ ಲೆವೆಲ್ ಭಾಷೆಗಳಿಗೆ ಸೌಮ್ಯ ಪರಿಚಯವನ್ನು ನೀಡುವುದಾಗಿದೆ.

ಜೀವ ಮಾಹಿತಿ ವಿಜ್ಞಾನದ ಸಾಫ್ಟ್ವೇರ್ ಎಲ್ಲಾ ಲಭ್ಯವಿರುವ ಆಪರೇಟಿಂಗ್ ಸಿಸ್ಟಮ್ (OS) ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳಿಗೆ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗುತ್ತಿದ್ದರೂ, ಬಹುತೇಕ ಯಶಸ್ವಿ ಅಪ್ಲಿಕೇಶನ್ಗಳನ್ನು ಲಿನಕ್ಸ್ ಪ್ಲಾಟ್ಫಾರ್ಮ್ನಲ್ಲಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ. ಜೀವ ಮಾಹಿತಿ ವಿಜ್ಞಾನದ ಆರಂಭದಿಂದಲೂ, PERL ಯಾವಾಗಲೂ ಸೀಕ್ವೆನ್ಸ್ ಆಧಾರಿತ ದೊಡ್ಡ ಡೇಟಾ ನಿರ್ವಹಣೆಯ ಕೇಂದ್ರದಲ್ಲಿದೆ. ಇಂದಿನ ದಿನಗಳಲ್ಲಿ ಈ ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಪೈಥಾನ್ ಮತ್ತು $R$ ನಂತಹ ಸುಧಾರಿತ ಕಾರ್ಯನಿರ್ವಹಣೆಯ ಭಾಷೆಗಳಿಂದ ಸಮೃದ್ಧಗೊಳಿಸಲಾಗುತ್ತಿದೆ, ಇದು ಜೈವಿಕ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪ್ಯಾಕೇಜ್ಗಳ ಶಕ್ತಿಶಾಲಿ ಸೌಲಭ್ಯಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ. ಅಂತೆಯೇ, ಪೈಥಾನ್ ಮಾಡ್ಯೂಲ್ಗಳನ್ನು ಸ್ಟ್ಯಾಂಡಲೋನ್, ವೆಬ್ ಸರ್ವರ್ ಮತ್ತು ಕ್ಲೌಡ್ ಕಂಪ್ಯೂಟಿಂಗ್ನಲ್ಲಿ ದೊಡ್ಡ ಡೇಟಾ ಸೆಟ್ಗಳ ನಿರ್ವಹಣೆಗಾಗಿ ದೃಶ್ಯೀಕರಣ ಮತ್ತು ವಿಶ್ಲೇಷಣಾ ಮಾಡ್ಯೂಲ್ಗಳಿಂದ ನಿರಂತರವಾಗಿ ಸಮೃದ್ಧಗೊಳಿಸಲಾಗುತ್ತಿದೆ. ಇವುಗಳಿಗಿಂತ ಹೆಚ್ಚಾಗಿ, MATLAB ಸಹ ಜೀವ ಮಾಹಿತಿ ವಿಜ್ಞಾನದ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಗೆ ಉತ್ತಮ ಪ್ಲಾಟ್ಫಾರ್ಮ್ ಅನ್ನು ಒಳಗೊಂಡಿದೆ. ಜೀವ ಮಾಹಿತಿ ವಿಜ್ಞಾನದ ಕ್ಷೇತ್ರದಲ್ಲಿ ಸಕ್ರಿಯವಾಗಿರುವ ಕೆಲವು ಅತ್ಯಾಧುನಿಕ ಭಾಷೆಗಳ ವಿವರಣೆಯನ್ನು ಕೆಳಗೆ ನೀಡಲಾಗಿದೆ:

ಪೈಥಾನ್: ಇದು ಗೈಡೋ ವ್ಯಾನ್ ರೋಸಮ್ (1991) ರಿಂದ ರಚಿಸಲ್ಪಟ್ಟ ಒಂದು ಹೈ ಲೆವೆಲ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಸಾಮಾನ್ಯ ಉದ್ದೇಶದ ಭಾಷೆಯಾಗಿದೆ. ಇದು ಒಂದು ಆಬ್ಜೆಕ್ಟ್ ಓರಿಯೆಂಟೆಡ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಇಂಟರ್ಯಾಕ್ಟಿವ್ ಭಾಷೆಯಾಗಿದ್ದು, ಇದು ಯುನಿಕ್ಸ್, ಮ್ಯಾಕ್ ಮತ್ತು ವಿಂಡೋಸ್ನಲ್ಲಿ ಚಲಿಸಬಹುದು. ಪೈಥಾನ್ ಜೀವ ಮಾಹಿತಿ ವಿಜ್ಞಾನ ಸಮುದಾಯದಲ್ಲಿ ಬಹಳ ಜನಪ್ರಿಯವಾಗಿದೆ, ಪ್ರಮುಖವಾಗಿ: (i) ಬಳಸಲಾದ ಪದಗಳ ಸ್ಪಷ್ಟ ಅರ್ಥ ಮತ್ತು ಹೇಳಿಕೆಗಳ ರಚನೆಯ ಕಾರಣದಿಂದ (ii) ಅದರ ಅಭಿವ್ಯಕ್ತಿ ಮತ್ತು ಆಬ್ಜೆಕ್ಟ್-ಓರಿಯೆಂಟೆಡ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್ಗೆ ಸಮರೂಪತೆ, ಮತ್ತು (iii) ಲೈಬ್ರರಿಗಳು ಮತ್ತು ತೃತೀಯ-ಪಕ್ಷದ ಟೂಲ್ಕಿಟ್ಗಳ ಲಭ್ಯತೆಯ ಕಾರಣದಿಂದ. ಪೈಥಾನ್ ಅನ್ನು ಸೀಕ್ವೆನ್ಸ್ ಮತ್ತು ಸ್ಟ್ರಕ್ಚರ್ ವಿಶ್ಲೇಷಣೆಗಳು, ಫೈಲೋಜೆನೆಟಿಕ್ಸ್ ಮುಂತಾದವುಗಳಿಗೆ ಯಶಸ್ವಿಯಾಗಿ ಬಳಸಲಾಗಿದೆ.

$\mathbf{R}$ : $\mathrm{R}$ ಎಂಬ ಹೆಸರು ಅದರ ಆವಿಷ್ಕಾರಕರಾದ ರಾಬರ್ಟ್ ಜೆಂಟಲ್ಮನ್ ಮತ್ತು ರಾಬರ್ಟ್ ಇಹಾಕಾ ಅವರಿಂದ ಪಡೆಯಲಾಗಿದೆ, ಅವರು ಈ ಭಾಷೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದರು. $\mathrm{R}$ ಭಾಷೆಯು ಜೈವಿಕ ಡೇಟಾದ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ವಿಶ್ಲೇಷಣೆ, ದೃಶ್ಯೀಕರಣ ಮತ್ತು ಸಿಮ್ಯುಲೇಶನ್ಗೆ ಸೂಕ್ತವಾದ ತ್ವರಿತ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ಕ್ರಿಯಾತ್ಮಕ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಯಾಗಿ ವ್ಯಾಪಕ ಸ್ವೀಕಾರವನ್ನು ಪಡೆದುಕೊಂಡಿದೆ. ಈ ಸಾಫ್ಟ್ವೇರ್ ಉಚಿತ ಮತ್ತು ಮುಕ್ತ ಮೂಲದ್ದಾಗಿದೆ. $\mathrm{R}$ ಭಾಷೆಯನ್ನು ಜೀನೋಮ್ ಸೀಕ್ವೆನ್ಸ್ ಮತ್ತು ಬಯೋಮಾಲಿಕ್ಯುಲರ್ ಪಾಥ್ವೇಗಳ ವಿಶ್ಲೇಷಣೆಗೆ ಬಳಸಲಾಗಿದೆ.

ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯಿಂದ ಸಿಸ್ಟಮ್ಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವತ್ತ ಸರಿಯುವಾಗ, ಹೊಸ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಗಳು ಹೊರಹೊಮ್ಮಿವೆ. ಅವುಗಳಲ್ಲಿ GEC (ಜೆನೆಟಿಕ್ ಇಂಜಿನಿಯರಿಂಗ್ ಆಫ್ ಲಿವಿಂಗ್ ಸೆಲ್ಸ್), ಮೈಕ್ರೋಸಾಫ್ಟ್ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ನಿಯಮ ಆಧಾರಿತ ಭಾಷೆ ಮತ್ತು ಕೇರಳ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಡಾ. ಉಮೇಶ್ ಪಿ ಅವರು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಆಬ್ಜೆಕ್ಟ್ ಓರಿಯೆಂಟೆಡ್ ನಾಲೆಡ್ಜ್ ಬೇಸ್ಡ್ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಯಾದ ಕೆರಾ ಸೇರಿವೆ. ಕೆರಾ (ಕೇರಳದ ಸಂಕ್ಷಿಪ್ತ ರೂಪ, ತೆಂಗಿನಕಾಯಿ ಎಂದೂ ಅರ್ಥ) ಸಂಹಿತಾ ಎಂದು ಕರೆಯಲ್ಪಡುವ ಬಳಕೆದಾರ ಸಂಪಾದಿತ ಜೈವಿಕ ಗ್ರಂಥಾಲಯವನ್ನು ಬಳಸಿಕೊಂಡು ಜೀನೋಮ್, ಪ್ರೋಟೀನ್ಗಳು ಮತ್ತು ಕೋಶದ ಮಾಹಿತಿಯನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ.

11.2 ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿ

11.2.1 ಪರಿಚಯ

ನಿಮಗೆ ತಿಳಿದಿರುವಂತೆ, ಪ್ರಕೃತಿಯ ರಹಸ್ಯಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ವಿಜ್ಞಾನಿಗಳು ಪ್ರಾಚೀನ ಕಾಲದಿಂದಲೂ ಪ್ರಯೋಗಗಳನ್ನು ನಡೆಸುತ್ತಿದ್ದಾರೆ. ಈ ಪ್ರಯೋಗಗಳ ಕಂಡುಹಿಡಿದ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಹಿತ್ಯದಲ್ಲಿ ಡೇಟಾ ರೂಪದಲ್ಲಿ ದಾಖಲಿಸಲಾಗಿದೆ. ಸಣ್ಣ ಡೇಟಾದಿಂದ ದೊಡ್ಡ ಡೇಟಾದವರೆಗೆ, ದಶಕಗಳ ಪ್ರಯೋಗಾತ್ಮಕ ಪ್ರಯತ್ನಗಳಿಂದ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲಾಗುತ್ತಿದೆ. ಪ್ರಸ್ತುತ, ಜೀವಶಾಸ್ತ್ರದ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಉತ್ಪಾದಿಸಲಾಗುತ್ತಿದೆ ಮತ್ತು ಡೇಟಾಬೇಸ್ಗಳು ಎಂದು ಕರೆಯಲ್ಪಡುವ ವಿವಿಧ ಸಂಗ್ರಹಾಗಾರಗಳಲ್ಲಿ ಡಿಜಿಟಲ್ ಸ್ವರೂಪದಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತಿದೆ. ಈ ಡಿಜಿಟಲ್ ಡೇಟಾವು ಸಂಶೋಧಕರು ನಮ್ಮ ಸಂಕೀರ್ಣ ಜೈವಿಕ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಸಮಾನವಾದ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಬಲ್ಲ ಕಂಪ್ಯೂಟೇಶನಲ್ ಮಾದರಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಅಡಿಪಾಯವನ್ನು ರೂಪಿಸುವ ಸಂಪನ್ಮೂಲಗಳಾಗಿವೆ, ಅಂದರೆ, ನಾವು ನಿಜವಾದ ಇನ್-ವಿಟ್ರೋ/ಇನ್-ವಿವೋ ಪ್ರಯೋಗಗಳಲ್ಲಿ ಅಥವಾ ನಿಜ ಜೀವನದಲ್ಲಿ ನೋಡುವಂತಹವು. ಅಂತಹ ಆಲೋಚನೆಗಳ ಅನುಷ್ಠಾನವನ್ನು ಸಂಕೀರ್ಣ ಜೈವಿಕ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಅನುಕರಿಸಲು ಗಣಿತೀಯ ಮತ್ತು ಕಂಪ್ಯೂಟೇಶನಲ್ ಮಾದರಿಗಳೊಂದಿಗೆ ನಡೆಸಲಾಗುತ್ತಿದೆ. ಈ ಮಾದರಿಗಳನ್ನು ಸಿಸ್ಟಮ್ ಮಾಡೆಲ್ಸ್ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಆದ್ದರಿಂದ, ನೀವು ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿಯನ್ನು ಸಿಸ್ಟಮ್ ಮಾಡೆಲ್ಗಳ ಪ್ರತಿನಿಧಿತ್ವವಾಗಿ ಕಲ್ಪಿಸಬಹುದು. ಇಂದಿನ ದಿನಗಳಲ್ಲಿ ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿಯು ಸಾಮರ್ಥ್ಯಯುತ ಅನ್ವಯದೊಂದಿಗೆ ತೀವ್ರ ಸಂಶೋಧನೆಯ ಕ್ಷೇತ್ರವಾಗಿ ಮಾರ್ಪಟ್ಟಿದೆ. ಹೀಗಾಗಿ, ಇದು ಜೈವಿಕ ವ್ಯವಸ್ಥೆಗಳೊಳಗಿನ ಸಂಕೀರ್ಣ ಜೈವಿಕ ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುವ ಅಂತರಶಿಸ್ತೀಯ ಅಧ್ಯಯನ ಕ್ಷೇತ್ರವಾಗಿದೆ (ಚಿತ್ರ 11. 1). ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿಯ ಪರಿಕಲ್ಪನೆಯನ್ನು ಕಳೆದ ಎರಡು ದಶಕಗಳಿಂದ ವಿಶೇಷವಾಗಿ, ವಿವಿಧ ಜೈವಿಕ ಸಂದರ್ಭಗಳಲ್ಲಿ ಅಳವಡಿಸಿಕೊಳ್ಳಲಾಗುತ್ತಿದೆ. ಮಾನವ ಜೀನೋಮ್ ಯೋಜನೆಯು ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿಯ ಒಂದು ಅತ್ಯಂತ ಭವ್ಯವಾದ ಬೀಜಾರೋಪಣೆಯಾಗಿದೆ, ಇದು ಇಂದಿನ ರೂಪದ ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿಗೆ ಹೊಸ ದಾರಿಗಳನ್ನು ತೆರೆಯಿತು. ಪ್ರಸ್ತುತ, ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿ ಮಾದರಿಗಳು ಕೋಶಗಳು, ಅಂಗಾಂಶಗಳು ಮತ್ತು ಜೀವಿಗಳ ಹೊರಹೊಮ್ಮುವ ಕ್ರಿಯಾತ್ಮಕ ಗುಣಲಕ್ಷಣಗಳ ಆವಿಷ್ಕಾರಕ್ಕೆ ಸೈದ್ಧಾಂತಿಕ ವಿವರಣೆಯನ್ನು ಒದಗಿಸಬಲ್ಲವು, ಇದು ಕೇವಲ ಪ್ರಯೋಗಗಳ ಮೂಲಕ ಮಾತ್ರ ಸಾಧ್ಯವಾಗುತ್ತಿತ್ತು. ಅತ್ಯಂತ ದಕ್ಷ ಸಿಸ್ಟಮ್ ಮಾದರಿಗಳ ಉದಾಹರಣೆಗಳೆಂದರೆ ಮೆಟಬಾಲಿಕ್ ಅಥವಾ ಸಿಗ್ನಲಿಂಗ್ ನೆಟ್ವರ್ಕ್. ಜೈವಿಕ ವ್ಯವಸ್ಥೆಗಳ ಕ್ರಿಯೆಯ ಕಾರ್ಯವಿಧಾನದ ಮೂಲಭೂತ ತಿಳುವಳಿಕೆಯ ಜೊತೆಗೆ, ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿಯನ್ನು ಆರೋಗ್ಯ ಮತ್ತು ರೋಗಗಳ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ, ಜೈವಿಕ ನೆಟ್ವರ್ಕ್ಗಳಿಂದ ಆಧುನಿಕ ಚಿಕಿತ್ಸಾವಿಧಾನಗಳವರೆಗೆ, ಸಾಮರ್ಥ್ಯಯುತ ಅನ್ವಯಕ್ಕಾಗಿ ತೀವ್ರವಾಗಿ ಬಳಸಲಾಗುತ್ತಿದೆ.

11.2.2 ಐತಿಹಾಸಿಕ ದೃಷ್ಟಿಕೋನ

ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿಯ ಹೊರಹೊಮ್ಮುವಿಕೆಗೆ ಮುಂಚೆ, ಜೈವಿಕ ವಿಜ್ಞಾನಗಳಲ್ಲಿ ಸಂಶೋಧನೆಯ ಸನ್ನಿವೇಶ (ಉದಾ., 1900 - 1970) ಫಿಸಿಯಾಲಜಿ, ಜನಸಂಖ್ಯಾ ಚಲನಶಾಸ್ತ್ರ, ಎಂಜೈಮ್ ಕೈನೆಟಿಕ್ಸ್, ಕಂಟ್ರೋಲ್ ಥಿಯರಿ, ಸೈಬರ್ನೆಟಿಕ್ಸ್, ಇತ್ಯಾದಿಗಳ ಸಂಶೋಧನೆಯ ಖಂಡಿತ ಘಟಕಗಳ ಸುತ್ತ ಆಶ್ಚರ್ಯಚಕಿತಗೊಳಿಸುತ್ತಿತ್ತು. 1952 ರಲ್ಲಿ ಆಲನ್ ಲಾಯ್ಡ್ ಹಾಡ್ಜ್ಕಿನ್ ಮತ್ತು ಆಂಡ್ರೂ ಫೀಲ್ಡಿಂಗ್ ಹಕ್ಸ್ಲಿ (ನೊಬೆಲ್ ಪ್ರಶಸ್ತಿ ವಿಜೇತರು) ನರಕೋಶದ ಅಕ್ಷತಂತುವಿನ ಉದ್ದಕ್ಕೂ ಆಕ್ಷನ್ ಪೊಟೆನ್ಷಿಯಲ್ ಪ್ರಸರಣಕ್ಕಾಗಿ ಗಣಿತೀಯ ಮಾದರಿಯನ್ನು ವಿವರಿಸಿದಾಗ, ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿಯನ್ನು ಫಿಸಿಯಾಲಾಜಿಕಲ್ ವಿವರಣೆಯಿಂದ ವಿಕಸನಗೊಂಡಿದೆ ಎಂದು ನಕ್ಷೆ ಮಾಡಲಾಗಿದೆ. 1960 ರಲ್ಲಿ ಸಿದ್ಧಾಂತದ ಹೆಚ್ಚು ವಿಕಸಿತ ಅನುಷ್ಠಾನವು ಹೊರಹೊಮ್ಮಿತು, ಡೆನಿಸ್ ನೋಬಲ್ [PMID 13729365] ರಿಂದ ಹೃದಯ ಪೇಸ್ಮೇಕರ್ನ ಮೊದಲ ಕಂಪ್ಯೂಟರ್ ಮಾದರಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದಾಗ. ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿಯನ್ನು 1966 ರಲ್ಲಿ ಕ್ಲೀವ್ಲ್ಯಾಂಡ್, ಒಹಾಯೋದ ಕೇಸ್ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ ಆಫ್ ಟೆಕ್ನಾಲಜಿಯಲ್ಲಿ ಸಿಸ್ಟಮ್ಸ್ ಥಿಯರಿಸ್ಟ್ ಮಿಹಾಜ್ಲೋ ಮೆಸರೋವಿಕ್ ಅವರು “ಸಿಸ್ಟಮ್ಸ್ ಥಿಯರಿ ಅಂಡ್ ಬಯೋಲಜಿ” ಎಂಬ ಶೀರ್ಷಿಕೆಯೊಂದಿಗೆ ಔಪಚಾರಿಕವಾಗಿ ಪ್ರಾರಂಭಿಸಿದರು. 1968 ರಲ್ಲಿ, ಲುಡ್ವಿಗ್ ವಾನ್ ಬರ್ಟಲಾನ್ಫಿ ಅವರಿಂದ ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿಯ ಮೊದಲ ಸಿದ್ಧಾಂತವನ್ನು ಪ್ರಕಟಿಸಲಾಯಿತು, ಇದನ್ನು ಈ ಶಿಸ್ತಿನ ಪೂರ್ವಗಾಮಿ ಎಂದು ಪರಿಗಣಿಸಲಾಗಿದೆ. 1960 ರಿಂದ 1970 ರ ದಶಕಗಳ ನಡುವಿನ ಅವಧಿಯು ಮೆಟಬಾಲಿಕ್ ಕಂಟ್ರೋಲ್ ಅನಾಲಿಸಿಸ್ ಮತ್ತು ಬಯೋಕೆಮಿಕಲ್ ಸಿಸ್ಟಮ್ಸ್ ಥಿಯರಿ ನಂತಹ ಸಂಕೀರ್ಣ ಆಣವಿಕ ವ್ಯವಸ್ಥೆಗಳ ಬಹುಮುಖ ಅಭಿವೃದ್ಧಿಯ ದಶಕವಾಗಿತ್ತು. ಇದಲ್ಲದೆ, ಸೈದ್ಧಾಂತಿಕ ಜೀವಶಾಸ್ತ್ರದ ಅಭಿವೃದ್ಧಿಯಿಂದ ಆಣವಿಕ ಜೀವಶಾಸ್ತ್ರದೊಂದಿಗೆ ಸಿಸ್ಟಮ್ಸ್ ಥಿಯರಿಯ ಸಂಶಯವನ್ನು ಮುರಿಯಲಾಯಿತು, ಇದು ಜೈವಿಕ ಪ್ರಕ್ರಿಯೆಗಳ ಪರಿಮಾಣಾತ್ಮಕ ಮಾಡೆಲಿಂಗ್ ಅನ್ನು ಒಳಗೊಂಡಿದೆ. 1990 ರ ದಶಕದಿಂದ, ಫಂಕ್ಷನಲ್ ಜೀನೋಮಿಕ್ಸ್ ಹೆಚ್ಚಿನ ಗುಣಮಟ್ಟದ ಜೈವಿಕ ಡೇಟಾದ ದೊಡ್ಡ ಪ್ರಮಾಣವನ್ನು ಉತ್ಪಾದಿಸುತ್ತಿದೆ, ಇದು ಹೆಚ್ಚು ವಾಸ್ತವಿಕ ಮಾದರಿಗಳ ಅಭಿವೃದ್ಧಿಗೆ ಸಹಾಯ ಮಾಡುತ್ತಿದೆ. ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿ ಕ್ಷೇತ್ರದಲ್ಲಿ ಈ ಅಭಿವೃದ್ಧಿಗಳ ಮುಂದುವರಿಕೆಯಲ್ಲಿ, ನ್ಯಾಶನಲ್ ಸೈನ್ಸ್ ಫೌಂಡೇಶನ್ (NSF) ಸಂಪೂರ್ಣ ಕೋಶವನ್ನು ಗಣಿತೀಯವಾಗಿ ಮಾಡೆಲ್ ಮಾಡಲು ಸವಾಲು ಮಾಡಿತು. ಈ ದಿಕ್ಕಿನಲ್ಲಿ, 2003 ರಲ್ಲಿ, ಮ್ಯಾಸಚೂಸೆಟ್ಸ್ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ ಆಫ್ ಟೆಕ್ನಾಲಜಿ ಸೈಟೋಸಾಲ್ವ್ನೊಂದಿಗೆ ಸಹಯೋಗದಲ್ಲಿ ಈ ಸವಾಲಿನ ಪರಿಹಾರದ ಹುಡುಕಾಟವನ್ನು ಪ್ರಾರಂಭಿಸಿತು. ಅಂತಿಮವಾಗಿ, 2012 ರಲ್ಲಿ ಮೈಕೋಪ್ಲಾಸ್ಮಾ ಜೆನಿಟಾಲಿಯಮ್ (ಸೆಲ್ ವಾಲ್ ರಹಿತ ಬ್ಯಾಕ್ಟೀರಿಯಾ) ನ ಸಂಪೂರ್ಣ ಕೋಶ ಮಾದರಿಯನ್ನು, ಜೆನೆಟಿಕ್ ಮ್ಯುಟೇಶನ್ಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಯಾಗಿ ಕೋಶದ ಜೀವಂತಿಕೆಯ ಮುನ್ಸೂಚನೆಗಾಗಿ, ನ್ಯೂಯಾರ್ಕ್ನ ಮೌಂಟ್ ಸಿನಾಯ್ ಸ್ಕೂಲ್ ಆಫ್ ಮೆಡಿಸಿನ್ ಅಭಿವೃದ್ಧಿಪಡಿಸಿತು. ಪ್ರಸ್ತುತ, ‘ಫಿಸಿಯೋಮ್’ ಎಂಬ ದೊಡ್ಡ ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿ ಯೋಜನೆ ನಡೆಯುತ್ತಿದೆ (http:/physiomeproject.org/). ಈ ಯೋಜನೆಯು ಶಾರೀರಿಕ ಕ್ರಿಯೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಬಹು-ಮಾಪನ ಮಾಡೆಲಿಂಗ್ ಚೌಕಟ್ಟನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ, ಇದು ಮಾದರಿಗಳನ್ನು ಶ್ರೇಣೀಕೃತ ರೀತಿಯಲ್ಲಿ ಸಂಯೋಜಿಸಲು ಮತ್ತು ಲಿಂಕ್ ಮಾಡಲು ಅನುಮತಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಹೃದಯದ ಎಲೆಕ್ಟ್ರೋಮೆಕಾನಿಕಲ್ ಮಾದರಿಗಳನ್ನು, ಉಪಕೋಶೀಯ ಮಟ್ಟದಲ್ಲಿ ಐಯಾನ್ ಚಾನಲ್ಗಳು, ಮಯೋಫಿಲಮೆಂಟ್ ಮೆಕಾನಿಕ್ಸ್ ಮತ್ತು ಸಿಗ್ನಲ್ ಟ್ರಾನ್ಸ್ಡಕ್ಷನ್ ಪಾಥ್ವೇಗಳ ಮಾದರಿಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸಬೇಕು ಮತ್ತು ನಂತರ ಈ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಅಂಗಾಂಶಗಳ ಮೆಕಾನಿಕ್ಸ್, ವೇವ್ಫ್ರಂಟ್ ಪ್ರಸರಣ ಮತ್ತು ಕರೋನರಿ ರಕ್ತದ ಹರಿವಿನ ಮಾದರಿಗಳಿಗೆ ಲಿಂಕ್ ಮಾಡಬೇಕು - ಇವುಗಳಲ್ಲಿ ಪ್ರತಿಯೊಂದನ್ನು ವಿಭಿನ್ನ ಸಂಶೋಧಕರ ಗುಂಪಿನಿಂದ ಅಭಿವೃದ್ಧಿಪಡಿಸಿರಬಹುದು.

11.2.3 ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿಯ ಹಿಂದಿನ ವಿಷಯ

ಜೀವಶಾಸ್ತ್ರದ ವಿವಿಧ ಶಿಸ್ತುಗಳನ್ನು ಒಳಗೊಳ್ಳಲು, ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿಯನ್ನು ವಿವಿಧ ದೃಷ್ಟಿಕೋನಗಳಿಂದ ಗಮನಿಸಲಾಗಿದೆ. ಕಡಿಮೆ ಮಾಡುವವನು ಒಂದು ವ್ಯವಸ್ಥೆಯ ಘಟಕಗಳು ಮತ್ತು ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳ ಗುರುತಿಸುವಿಕೆಯ ಮೇಲೆ ಕೆಲಸ ಮಾಡಿದನು

ಚಿತ್ರ 11.1: ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿಯನ್ನು ಜೈವಿಕ ವ್ಯವಸ್ಥೆಗಳೊಳಗಿನ ಸಂಕೀರ್ಣ ಜೈವಿಕ ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುವ ಅಂತರಶಿಸ್ತೀಯ ಅಧ್ಯಯನ ಕ್ಷೇತ್ರವಾಗಿ ಚಿತ್ರಣ

ಆದರೆ, ವ್ಯವಸ್ಥೆಯ ಬಹುವಾದದ ವಿವರಿಸಲು ಯಾವುದೇ ಒಪ್ಪಿಗೆಯ ವಿಧಾನವನ್ನು ವಿಕಸನಗೊಳಿಸಲಾಗಲಿಲ್ಲ. ಬಹುವಾದವನ್ನು ಏಕಕಾಲದಲ್ಲಿ ಬಹು ಘಟಕಗಳ ಪರಿಮಾಣಾತ್ಮಕ ಅಳತೆಗಳ ಮೂಲಕ ಉತ್ತಮವಾಗಿ ಗಮನಿಸಬಹುದು ಮತ್ತು ಇದು ಕಟ್ಟುನಿಟ್ಟಾದ ಡೇಟಾ ಏಕೀಕರಣವನ್ನು ಒಳಗೊಂಡ ಗಣಿತೀಯ ಮಾದರಿಗಳಿಂದ ಮಾತ್ರ ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಈ ರೀತಿಯಾಗಿ ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿಯು ವಿವಿಧ ಘಟಕಗಳನ್ನು ಒಟ್ಟಿಗೆ ಸಂಯೋಜಿಸುವ ಮೂಲಕ ವ್ಯವಸ್ಥೆಯ ವೀಕ್ಷಣೆ ಎಂದು ಹೇಳಬಹುದು (ಚಿತ್ರ 11.1). ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿಯ ವಿಷಯದ ಕೇಂದ್ರದಲ್ಲಿ ಎಲ್ಲಾ ಪ್ರತ್ಯೇಕ ಘಟಕಗಳನ್ನು ಒಟ್ಟಿಗೆ ಒಳಗೊಂಡಿರುವುದು: ‘ಆಬ್ಜೆಕ್ಟ್ ನೆಟ್ವರ್ಕ್ ಮ್ಯಾಪಿಂಗ್ ಮತ್ತು ಅದರ ಪರಸ್ಪರ ಅವಲಂಬಿತ ಡೈನಾಮಿಕ್ ಈವೆಂಟ್-ಕೈನೆಟಿಕ್ಸ್ ಅನ್ನು ಪಾರ್ಶಿಯಲ್ ಡಿಫರೆನ್ಷಿಯಲ್ ಇಕ್ವೇಶನ್ಗಳೊಂದಿಗೆ ಏಕೀಕರಿಸುವುದು’.

11.2.4 ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿ ಪ್ರಯೋಗಗಳ ಪ್ರೋಟೋಕಾಲ್

ಪ್ರಮಾಣಿತ ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿ ಪ್ರಯೋಗವನ್ನು ನಡೆಸಲು, ಚಿತ್ರ 11.2 ರಲ್ಲಿ ತೋರಿಸಿರುವಂತೆ ಪ್ರತ್ಯೇಕ ಹಂತಗಳನ್ನು ಅನುಸರಿಸಲಾಗುತ್ತದೆ.

ಸಂಪೂರ್ಣ ಪ್ರೋಟೋಕಾಲ್ ಮೂಲತಃ ಸಮಸ್ಯೆಯ ವ್ಯಾಖ್ಯಾನ, ಪ್ರಯೋಗದ ವಿನ್ಯಾಸ, ಡೇಟಾವನ್ನು ಉತ್ಪಾದಿಸಲು ಪ್ರಯೋಗಗಳ ನಿರ್ವಹಣೆ, ಫಲಿತಾಂಶದ ಡೇಟಾದ ಸಂಗ್ರಹ ಮತ್ತು ಅವುಗಳನ್ನು ಸೂಕ್ತ ಫೈಲ್ ಫಾರ್ಮ್ಯಾಟ್ಗಳಲ್ಲಿ ಜೋಡಿಸುವುದು ಮತ್ತು ನಂತರ ನೆಟ್ವರ್ಕ್ ಇನ್ಫರೆನ್ಸ್ನ ಅಭಿವೃದ್ಧಿಯನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಇದನ್ನು ನಂತರ ಈ ನೆಟ್ವರ್ಕ್ ಇಂಟರ್ಫೇಸ್ನ ವರ್ಗಾವಣೆಯು ಅನುಸರಿಸುತ್ತದೆ, ಇದು ನಿಖರವಾಗಿರಬೇಕು ಮತ್ತು ಕಾರ್ಯವಿಧಾನ ಆಧಾರಿತವಾಗಿರಬೇಕು ಇದರಿಂದ ಮಾದರಿಯನ್ನು ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಬಹುದು. ಇದನ್ನು ನಂತರ ಮಾದರಿ ಆಧಾರಿತ ಸಿಮ್ಯುಲೇಶನ್ ಫಲಿತಾಂಶಗಳು ಮತ್ತು ಪ್ರಯೋಗಾತ್ಮಕ ಡೇಟಾದ ನಡುವಿನ ವ್ಯತ್ಯಾಸಗಳ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಗಮನಿಸಿದ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಉಲ್ಲೇಖಿಸಿ ಹೈಪೋಥಿಸಿಸ್ ಅನ್ನು ಮಾದರಿ ಮಾಡುವುದು ಅನುಸರಿಸುತ್ತದೆ. ಅಂತಿಮವಾಗಿ, ಸಿಮ್ಯುಲೇಶನ್ ಅನ್ನು ಪುನರಾವರ್ತಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಪರೀಕ್ಷಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಮತ್ತೆ, ಮತ್ತು ಹೊಸ ಹೈಪೋಥಿಸಿಸ್ಗಳನ್ನು ಮಾದರಿಗೆ ಸೇರಿಸಲಾಗುತ್ತದೆ.

ಹೀಗಾಗಿ, ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿಗಾಗಿ ಕಂಪ್ಯೂಟೇಶನ್ ಕಾರ್ಯಪ್ರವಾಹವು (ಚಿತ್ರ 11.2 ರಲ್ಲಿ ಚಿತ್ರಿಸಿದಂತೆ) ಡೇಟಾ ನಿರ್ವಹಣೆ, ನೆಟ್ವರ್ಕ್ ಅಭಿವೃದ್ಧಿ ನಿಯತಾಂಕಗಳ ಆಪ್ಟಿಮೈಸೇಶನ್, ಕಾರ್ಯಕ್ಷಮತೆ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಮೌಲ್ಯಮಾಪನದ ಅಗತ್ಯವಿರುತ್ತದೆ.

ಚಿತ್ರ 11.2: ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿ ಪ್ರಯೋಗದ ಅನುಷ್ಠಾನಕ್ಕಾಗಿ ಕಾರ್ಯಪ್ರವಾಹ

ಸಿಸ್ಟಮ್ಸ್ ಬಯೋಲಜಿಗಾಗಿ ರಚನಾ ಡೇಟಾದ ಸಂಗ್ರಹಕ್ಕಾಗಿ ಡೇಟಾ ನಿರ್ವಹಣೆಯ ಮಾನದಂಡಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ. ಅದರಂತೆ, ಡೇಟಾ ನಿರ್ವಹಣೆಗಾಗಿ ಮೂರು ಮೂಲಭೂತ ಅಂಶಗಳನ್ನು ಪರಿಗಣಿಸಲಾಗಿದೆ, ಅವುಗಳನ್ನು ಕೆಳಗೆ ವಿವರಿಸಲಾಗಿದೆ-

(i) ಕನಿಷ್ಠ ಮಾಹಿತಿ

ಕನಿಷ್ಠ ಮಾಹಿತಿಯು ಮೈಕ್ರೋಅರೇ, ಪ್ರೋಟಿಯೋಮಿಕ್, ಜೈವಿಕ ಮತ್ತು ಜೈವವೈದ್ಯಕೀಯ ತನಿಖೆಗಳಂತಹ ವಿವಿಧ ಪ್ರಯೋಗಗಳಿಂದ ಅಗತ್ಯವಿರುವ ಅವಶ್ಯಕ ಬೆಂಬಲ ಮಾಹಿತಿಯ ಸೆಟ್ ಅನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಈ ಸಂಗ್ರಹಿತ ಡೇಟಾದ ಬಗ್ಗೆ ಮೆಟಾಡೇಟಾವನ್ನು ಸೇರಿಸುವುದು ಗಮನಿಸಬೇಕಾದ ಪ್ರಮುಖ ಅಂಶವಾಗಿದೆ.

(ii) ಫೈಲ್ ಫಾರ್ಮ್ಯಾಟ್ಗಳು

ಕನಿಷ್ಠ ಮಾಹಿತಿಗಾಗಿ ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾವನ್ನು ನಿರ್ದಿಷ್ಟ ಫೈಲ್ ಫಾರ್ಮ್ಯಾಟ್ಗಳಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗುತ್ತದೆ. ಈ ಫಾರ್ಮ್ಯಾಟ್ಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಎಕ್ಸ್ಟೆನ್ಸಿಬಲ್

ಮಾರ್ಕಪ್ ಲ್ಯಾಂಗ್ವೇಜ್ (XML) ಆಧಾರಿತವಾಗಿರುತ್ತವೆ, ಇದು ಕಂಪ್ಯೂಟರ್ಗಳಿಂದ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಪ್ರಕ್ರಿಯೆಗೊಳ್ಳುವ ಸೌಲಭ್ಯವನ್ನು ಹೊಂದಿರುತ್ತದೆ.

(iii) ಆಂಟಾಲ