Tecnologías Específicas

Computación

Descripcion y Objetivos

Las  redes de Petri flexibles (FN, Flexible  Nets) representan un cambio de paradigma en el análisis de sistemas biológicos, ya permiten manejar  incertidumbres como concentraciones iniciales, estequiometría, topología de red y velocidades de las reacciones, pudiéndose utilizar para optimizar el sistema y obtener un control predictivo del modelo.

En   https://bitbucket.org/Julvez/fnyzer/src/master/ se puede encontrar una herramienta basada en FN. Dicha herramienta está  implementada en Python 2.7 (https://www.python.org). El software utiliza Pyomo38,39 para construir los problemas de optimización y Gurobi21 y CPLEX20 para resolverlos.

Sin embargo, el uso de dicha herramienta no es fácil para un experto en rutas metabólicas si no tiene conocimientos de Python. 

 

El objetivo de este TFG es el de construir un interfaz gráfica para que dicha herramienta sea accesible al colectivo de expertos que quieran modelar sistemas biológicos  y no tengan conocimientos de Python. 

La propuesta implicaría la transformación de las redes de Petri generadas con la herramienta Python, utilizando un lenguaje de modelado (DSML), a través del marco de trabajo Eclipse Graphical Modeling Framework (GMF). Gracias a este marco de trabajo se permitirá establecer un metamodelo para expresar la red de Petri de manera gráfica.  Uno de los lenguajes más utilizados para este tipo de  tareas es Epsilon.

 

 

 

 

Metodología y Competencias

De las competencias de la especilalidad de Computación, se resaltan las más esperadas que se trabajen en este TFG:

•  Capacidad para tener un conocimiento profundo de los principios fundamentales y modelos de la computación y saberlos aplicar para interpretar, seleccionar, valorar, modelar, y crear nuevos conceptos, teorías, usos y desarrollos tecnológicos relacionados con la informática.
• Capacidad para conocer los fundamentos teóricos de los lenguajes de programación y las técnicas de procesamiento léxico, sintáctico y semántico asociadas, y saber aplicarlas para la creación, diseño y procesamiento de lenguajes.
•  Capacidad para evaluar la complejidad computacional de un problema, conocer estrategias algorítmicas que puedan conducir a su resolución y recomendar, desarrollar e implementar aquella que garantice el mejor rendimiento de acuerdo con los requisitos establecidos.
•  Capacidad para conocer los fundamentos, paradigmas y técnicas propias de los sistemas inteligentes y analizar, diseñar y construir sistemas, servicios y aplicaciones informáticas que utilicen dichas técnicas en cualquier ámbito de aplicación.
•  Capacidad para adquirir, obtener, formalizar y representar el conocimiento humano en una forma computable para la resolución de problemas mediante un sistema informático en cualquier ámbito de aplicación, particularmente los relacionados con aspectos de computación, percepción y actuación en ambientes entornos inteligentes.
•  Capacidad para desarrollar y evaluar sistemas interactivos y de presentación de información compleja y su aplicación a la resolución de problemas de diseño de interacción persona computadora.
•  Capacidad para conocer y desarrollar técnicas de aprendizaje computacional y diseñar e implementar aplicaciones y sistemas que las utilicen, incluyendo las dedicadas a extracción automática de información y conocimiento a partir de grandes volúmenes de datos.

La metodología de trabajo recomendada es SCRUM.

 

Medios a utilizar

Herramientas a utilizar:

•  https://bitbucket.org/Julvez/fnyzer/src/master/ 
• Python 2.7 (https://www.python.org).
• Gurobi21
• CPLEX20
• DSLM a través de GMF (Eclipse)

 

 

Bibliografía

Referencia sobre redes de Petri Flexibles:

• Jorge Júlvez, Duygu Dikicioglu, and Stephen G. Oliver 

Handling variability and incompleteness of biological data by flexible nets: a case study for Wilson disease

npj Systems Biology and Applications (2018)4:7; doi:10.1038/s41540-017-0044-x

 

 Referencias sobre la utilización de Redes de Petri en la modelación de sistemas biológicos:

•  Matsuno, H. et al. Biopathways representation and simulation on hybrid functional Petri net. silico Biol. 3, 389–404 (2003).
•  Peleg, M., Rubin, D. & Altman, R. B. Using petri net tools to study properties and dynamics of biological systems. J. Am. Med. Inform. Assoc. 12, 181–199 (2005).

 

Referencias sobre la implementación de la herramienta:

• IBM ILOG CPLEX Optimizer (IBM, 2010).
•  Gurobi Optimization, Inc., Gurobi Optimizer Reference Manual (The OpenSSL, Bad Homburg, Germany, 2015
• Hart, W. E., Laird, C., Watson, J.-P. & Woodruff, D. L. Pyomo–Optimization Modeling
  in Python, vol. 67 (Springer, New York, 2012).
•  Hart, W. E., Watson, J.-P. & Woodruff, D. L. Pyomo: modeling and solving mathematical
  programs in Python. Math. Program. Comput. 3, 219–260 (2011).

Referencias para implementar la interfaz gráfica:

• . Kolovos, L. Rose, A. García-Domínguez, R. Paige, The Epsilon Book, 2017,http://www.eclipse.org/epsilon/doc/book/.(Accessed30October2019
•  Eclipse Foundation. GMP: graphical modeling project. http://www.eclipse.org/modeling/gmp/, 2019.
•  Juan Boubeta. Model-Driven Development of Domain-Speci c Interfaces for Complex Event Processing in Service-Oriented Architectures. Universidad de Cádiz. 2014