BIOLO

GIA

COMPUTA

CIONAL

GE

RS

ON

CA

ST A

ÑE

DA

Aunque utilizamos el término de Biología Computacional nuestros servicios también abarcan el ámbito de la Bioinformática, dado que a menudo son utilizados como sinónimos, apareciendo con frecuencia en la literatura básica de forma indiferenciada en sus usos comunes.

No obstante, podemos distinguir que los ámbitos de aplicación de nuestros servicios profesionales

APLICACIÓN En cuanto a la Biología

computacional, ofrecemos el desarrollo y aplicación de métodos teóricos y de análisis de datos, modelado matemático y técnicas de simulación computacional al estudio de sistemas de biológicos, conductuales y sociales.

Con respecto a la Bioinformática, aportamos la investigación, desarrollo o aplicación de herramientas computacionales y aproximaciones para la expansión del uso de datos biológicos, médicos, conductuales o de salud, incluyendo aquellas herramientas que sirvan para adquirir, almacenar, organizar, analizar o visualizar tales datos

Bioinformática comenzó a desarrollarse a principios de 1970. Se consideró la ciencia de análisis de procesos informáticos de diversos sistemas biológicos. En este momento, la investigación en inteligencia artificial estaba usando modelos de red del cerebro humano con el fin de generar nuevos algoritmos. Este uso de datos biológicos para desarrollar otros campos empujó investigadores biológicos de revisar la idea de usar las computadoras para evaluar y comparar conjuntos de datos de gran tamaño. Para 1982, la información estaba siendo compartida entre los investigadores mediante el uso de tarjetas perforadas. La cantidad de datos que son compartidos comenzó a crecer de manera exponencial a fines de la década de 1980. Esto requiere el desarrollo de nuevos métodos computacionales para analizar e interpretar rápidamente la información relevante.

Desde finales de 1990, la biología computacional se ha convertido en una parte importante del desarrollo de nuevas tecnologías para el campo de la biología. Los términos de la biología computacional y la computación evolutiva tienen un nombre parecido, pero no deben ser confundidos. A diferencia de la biología computacional, la computación evolutiva no tiene que ver con el modelado y análisis de datos biológicos. En su lugar, crea algoritmos basados en las ideas de la evolución a través de especies. A veces se refiere como algoritmos genéticos, la investigación de este campo se puede aplicar a la biología computacional. Mientras que la computación evolutiva no es parte inherente de la biología computacional, la biología evolutiva computacional es un subcampo de la misma.

La biología computacional se ha utilizado para ayudar a secuenciar el genoma humano, crear modelos precisos del cerebro humano, y ayudar en el modelado de los sistemas biológicos.

Los Subcampos

BIOMODELING COMPUTACIONAL

Biomodeling computacional es un campo de que se trate con la construcción de modelos informáticos de sistemas biológicos. Biomodeling Computacional tiene como objetivo desarrollar y utilizar simulaciones visuales con el fin de evaluar la complejidad de los sistemas biológicos. Esto se logra mediante el uso de algoritmos especializados, y software de visualización. Estos modelos permiten la predicción de cómo los sistemas van a reaccionar bajo diferentes entornos. Esto es útil para determinar si un sistema es robusto. Un sistema biológico robusto es uno que "mantener su estado y las funciones contra perturbaciones externas e internas", que es esencial para un sistema biológico para sobrevivir. Biomodeling computacional genera un gran archivo de estos datos, lo que permite el análisis de múltiples usuarios. Mientras que las técnicas actuales se centran en los sistemas biológicos pequeñas, los investigadores están trabajando en métodos que permitan tener unas redes más grandes para ser analizadas y modeladas. La mayoría de los investigadores creen que esto va a ser esencial en el desarrollo de enfoques médicos modernos para la creación de nuevos medicamentos y la terapia génica.

GENÓMICA COMPUTACIONAL

Genómica computacional es un ámbito en el que la genómica estudia los genomas de las células y los organismos. El Proyecto Genoma Humano es un ejemplo de la genómica computacional. Este proyecto se parece a la secuencia de todo el genoma humano en un conjunto de datos. Una vez aplicado plenamente, esto podría permitir a los médicos para analizar el genoma de un paciente individual. Esto abre la posibilidad de la medicina personalizada, la prescripción de tratamientos a base de un individuos patrones genéticos preexistentes. Este proyecto ha creado muchos programas similares. Los investigadores están tratando de secuenciar los genomas de animales, plantas, bacterias, y cualquier otro tipo de vida.

Una de las principales herramientas utilizadas en la comparación de los genomas es homología. Homología está observando el mismo órgano entre especies y ver lo diferentes funciones que tienen. Las investigaciones sugieren que entre el 80 y el 90% de las secuencias de genes pueden ser identificados de esta manera. Con el fin de detectar posibles curas de genomas, las comparaciones entre secuencias del genoma de las especies relacionadas y las secuencias de ARNm se dibujan. Este método no es completamente precisa sin embargo. Puede ser necesario incluir el genoma de un primate, a fin de mejorar los métodos actuales de terapia de gen único.

GENÓMICA COMPUTACIONAL

NEUROCIENCIA COMPUTACIONAL

Neurociencia Computacional está el estudio de la función del cerebro en términos de las propiedades de procesamiento de información de las estructuras que componen el sistema nervioso. Es un subconjunto del campo de la neurología, y mira para analizar los datos del cerebro para crear aplicaciones prácticas. Se ve a modelar el cerebro con el fin de examinar los tipos de aspectos específicos del sistema neurológico. Varios tipos de modelos del cerebro incluyen:

NEUROCIENCIA COMPUTACIONAL

Modelos Brain realistas: Estos modelos se ven para representar todos los aspectos del cerebro, incluyendo el mayor detalle a nivel celular como sea posible. Modelos realistas, proporcionan la mayoría de la información sobre el cerebro, sino que también tienen el mayor margen para el error. Más variables en un modelo del cerebro crean la posibilidad de que más error que se produzca. Estos modelos no tienen en cuenta las partes de la estructura celular que científicos no conocen. Modelos realistas cerebrales son la computacionalmente más pesado y el más costoso de implementar.

La simplificación de los modelos del cerebro: Estos modelos se ven a limitar el alcance de un modelo a fin de evaluar una propiedad física específica del sistema neurológico. Esto permite que los problemas intensivas de cálculo que hay que resolver, y reduce la cantidad de error potencial de un modelo de cerebro realista.

Es el trabajo de los neurólogos computacionales para mejorar los algoritmos y estructuras de datos que actualmente se utilizan para aumentar la velocidad de tales cálculos.

FARMACOLOGÍA COMPUTACIONAL

Farmacología computacional es "el estudio de los efectos de los datos genómicos para encontrar vínculos entre determinados genotipos y las enfermedades y luego de datos de medicamentos de cribado". La industria farmacéutica requiere un cambio en los métodos para analizar los datos de la droga. Los farmacéuticos fueron capaces de utilizar Microsoft Excel para comparar los datos químicos y genómicos relacionados con la eficacia de los fármacos. Sin embargo, la industria ha llegado a lo que se conoce como la barricada Excel. Esto surge a partir del número limitado de células accesibles en una hoja de cálculo. Este desarrollo condujo a la necesidad de la farmacología computacional. Los científicos y los investigadores desarrollan métodos computacionales para analizar estos conjuntos de datos masivos. Esto permite una comparación eficaz entre los puntos de datos notables y prever una droga más precisas a desarrollar.

FARMACOLOGÍA COMPUTACIONAL

Los analistas prevén que si los principales medicamentos fallan debido a las patentes, será necesario cambiar los medicamentos actuales en el mercado que la biología computacional. Se alienta a los estudiantes de doctorado en biología computacional para seguir una carrera en la industria en lugar de tomar posiciones posdoctorales. Este es un resultado directo de las principales compañías farmacéuticas necesitan analistas más cualificados de los grandes conjuntos de datos necesarios para la producción de nuevos medicamentos.

COMPUTACIONAL BIOLOGÍA EVOLUTIVA

Biología computacional ha asistido el campo de la biología evolutiva en muchas capacidades. Esto incluye:

Usando los datos de ADN para evaluar el cambio evolutivo de una especie a través del tiempo.

Tomando los resultados de la genómica computacionales con el fin de evaluar la evolución de los trastornos genéticos dentro de una especie.

Construir modelos de sistemas evolutivos para predecir qué tipo de cambios se producirán en el futuro.

COMPUTACIONAL BIOLOGÍA EVOLUTIVA

Uno de los métodos de representar este subcampo de la biología computacional es a través del uso de árboles. Un árbol es una estructura de datos que divide los nodos en base a una regla predefinida. Este árbol, desarrollado por MR Hezinger, V. King, y T.Warnow implementa recorrido evolutivo de la información en menos tiempo polinomial. Este es un método particularmente rápido, a diferencia de algunos de los métodos modernos que toman más tiempo que el tiempo de O. Estos árboles tienen múltiples aplicaciones a las preguntas de la biología evolutiva computacional.

CÁNCER DE BIOLOGÍA COMPUTACIONAL

Cáncer de biología computacional es un campo que tiene como objetivo determinar las futuras mutaciones en el cáncer a través de un enfoque algorítmico para el análisis de datos. La investigación en este campo ha conducido al uso de la medición de alto rendimiento. Medición de alto rendimiento permite la recolección de millones de puntos de datos utilizando la robótica y otros dispositivos de detección. Estos datos se recogen a partir de ADN, ARN, y otras estructuras biológicas. Las áreas de enfoque incluyen la determinación de las características de los tumores, el análisis de moléculas que son deterministas en la causa de cáncer, y la comprensión de cómo el genoma humano se refiere a la etiología de los tumores y el cáncer.