WebC - Intro Systems Modelling Flashcards

webcollege

1
Q

Simpele reactiekinetiek A + B -> P differentiaalvergelijkingen

A

dA/dt = -k [A][B]

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Enzymkinetiek reactie differentiaalvergelijkingen
E + S <-> ES -> E + P

A

dS/dt = -k1[S][E] + k-1 [ES]
dE/dt = -k1[S][E] + k-1[ES] + k2[ES]
dES/dt = k1[S][E] - k-1[ES] - k2[ES]

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Wat kun je doen met het model van differentiaalvergelijkingen?

A

-Voorspellen hoeveel product wordt gemaakt
-Scenario’s
>Wat geberut er als de affiniteit van het enzym verandert?
> Hoeveel moet ik k1 veranderen om nog maar 10% van P te maken?
-Hypothese testen: bij welke situaties Michaelis-Menten?

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Wanneer er van Michaelis-Menten kinetiek wordt uitgegaan, dan …

A

Geldt de directe reactie S -> P en wordt dE/dt uitgedrukt in aanmaaksnelheid - degradatiesnelheid
> dS/dt = -dP/dt
> dP/dt = Vmax *([S]/[S]+Km)
> Km is [S] op 1/2 Vmax
> Vmax = kcat * [E]tot
> kcat is k2
> Km = (k-1+kcat)/k1

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Massabalans van een systeem

A

In de differentiaalvergelijkingen: wat ergens weggaat komt er ergens anders weer bij

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Insuline-receptor binding en fosfatase en sequestering model: wat doe je ermee?

A
  • Voorspellen
  • Scenario’s doorrekenen
  • Waar kun je het beste ingrijpen om bv hoeveelheid glut4 in membraan te stimuleren
  • Inbouwen in groter (whole body) model
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Insuline model pijnpunten

A
  • Hoe kom je aan de parameters (reactiesnelheden) in het model?
  • Zitten alle belangrijke processen in het model?
  • Hoe ga je om met zaken die niet in het model zitten maar er wel invloed op hebben
  • Model is altijd simplificatie van werkelijkheid > aannames
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

MAPK basic building block

A

X <=> XP <=> XPP
X + E <=> XE
XE -> XP + E
XP -> X
XP + E <=> XPE
XPE -> XPP + E
XPP -> XP

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Wat al gaat E in het MAPK model ineens sterk omhoog

A

Eerst stijging XE dan XP en XPE en XPP

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Wat gebeurt er als E ineens sterk daalt vanaf hoog in MAPK systeem

A

Alle concentraties gaan terug naar het basisniveau > stijging X

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Wat gebeurt er met MAPK systeem als E van laag een beetje stijgt

A

Lichte stijging XE (en dan lichte daling), XP, XPE en XPP , daling X

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

De MAPK cascade werkt als een …

A

Versterker van een signaal

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

De MAPK cascade zorgt voor … ruis als de input met ruis naarmate de cascade voortgaat

A

minder

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Functie cascade in natuur

A

Versterken signaal en minder ruis voor robuuste respons op signaal

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Hoe noemen we het verspreidingsmodel voor infectieziekten?

A

SIR model

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Verklaar SIR model

A

S > suscepible individuen
I > infected
R > removen van geïnfecteerden door immuniteit

17
Q

SIR model differentiaalstelsel

A

dS/dt = kb (geboorte) - kI (S+I>I+I) [S][I] + ks [R] (R>S)
dI/dt = kI[S][I] - kR[I] (I>R) -kD[I] (dood)
dR/dt = kR[I] - ks[R]

18
Q

Steady state

A

Evenwicht
Differentiaalvergelijking = 0
> berekenen I door substitutie differentiaalreacties en dan R en dan S
-kR[I] = ks[R] bij ss
-kI[S][I] = kb + ks[R]
-0= kb + kR[I] - kR[I] - kD[I]
-[I] = kb/kD
> bekende k constanten

19
Q

Lagere k snelheidsconstanten betekent dat …

A

de steady state later wordt bereikt (evenredig)
> 2x hogere k1 en k-1 > steady state 2x sneller

20
Q

Vaccinatie vooraf gevolgen

A

Een deel van de S0 waarde gaat naar de R0 waarde
I0 waarde blijft gelijk

21
Q

Invloed quarantaine op dI/dt

A

dI/dt = kI[S][I] -kR[I] - kD[I] - kQ[I]

22
Q

Uitbreidingen SIR model

A

-Vaccinatie en quarantaine
-Asymptomatische personen
-Sterfgevallen in S en R
-Rekening houden met persoonlijke karakteristieken > gezondheid, aantal contacten