1.

Biologia de sistemas

O sistema biolgico uma integrao de diferentes elementos funcionais

celulares que se interagem, causando respostas em diferentes estados da clula ou

organismo, aps serem alterados dinamicamente e sempre regulamentados. O

comportamento de sinalizao, regulao e perfil metablitos permitem que as clulas,

ou organizaes biolgicas de nveis superiores, desenvolvam uma resposta fenotpica

quando confrontados com estmulos externos (Tenazinha & Vinga, 2011), como

mostrado na Figura 1. A anlise desses comportamentos e interaes chamada de

Biologia de Sistemas.

Figura 1. Integrao de diferentes perfis celulares para a produo de vrios fentipos

quando o sistema biolgico percebe estmulos ambientais (Tenazinha & Vinga, 2011)

Com o intuito de trazer essa complexidade dos sistemas biolgicos para os

sistemas de computao, atualmente, os estados dos diferentes perfis celulares, assim

como a Biologia de Sistemas, esto sendo representados computacionalmente como

redes biolgicas. Uma rede biolgica se assemelha a um grafo e composta por ns,

que podem representar genes, protenas ou metablitos, e arestas, que representam a

interao entre dois ns. Essas redes podem ser no direcionadas ou direcionadas,

sendo que nesta h a necessidade do motivo da interao (Figura 1.1).

 Figura 1.1. (a) exemplo de rede direcionada. Por exemplo, com a ativao do n

A, leva-se a produo do n B ou D (via metablica). (b) exemplo de rede no

direcionada, demonstrando somente quem interage com quem.

Como citado por Tenazinha & Vinga, 2011, a redes de sinalizao permitem que

a clula monitore fatores ambientais, tais como a disponibilidade de nutrientes ou

temperatura. Essa srie de reaes bioqumicas, tais como fosforilao ou cascatas de

quinases, so acionados permitindo o fluxo de informao para o meio intracelular.

Alguns destes sinais ir eventualmente conduzir ativao de fatores de transcrio

que reconhecem consensos regulatrios especficos nas sequncias de DNA e ativam

ou reprimem genes-alvo.

Por sua vez, as alteraes na expresso enzimtica dos genes modulam as

concentraes de enzimas disponveis para catalisar reaes metablicas. Por isso,

quando submetidos a estmulos externos, os processos metablicos da clula podem

ser prontamente reajustados pelas mudanas nas concentraes do metabolito e fluxos,

causadas por alteraes na expresso gentica, que afetem a atividade enzimtica.

Ao longo dos ltimos anos, o desenvolvimento de tecnologias high-throughput e

um extensivo estudo de pesquisadores na rea da biologia molecular permitiram que as

respostas qualitativas da clula e suas informaes biolgicas fossem entendidas. Esse

entendimento compreendido pelas informaes geradas pelas micas, que

compreendem o estudo de todas as informaes biolgicas de um determinado fentipo

ou comportamento.
 Esse grande desenvolvimento na gerao das informaes biolgicas celulares

permitiram desenvolver mtodos em bioinformtica para que elas fossem analisadas,

como, por exemplo, a modelagem matemtica e seu estudo no comportamento celular.

Esses modelos matemticos permitem o estudo de sistemas celulares realizando

modelagens dinmicas, que preveem estados do sistema dado um estado inicial.

1.1 Tipos de redes biolgicas

As redes biolgicas podem ser divididas em duas classes principais: os modelos

quantitativos e qualitativos. Os modelos quantitativos tm como base um sistema de

equaes diferenciais ordinrias (EDOs), e seus resultados exigem um modelo

detalhado e dados cinticos precisos, no qual muitas vezes no existem. Alm disso,

devido ao tamanho e a preciso dos modelos, os resultados dependem de mtodos de

integrao numrica, fato que depende de uma prova muito extensa, pois so muito

dependentes de condies iniciais podendo no convergir. J as abordagens

quantitativas so normalmente complementadas por abordagens qualitativas, que so

mais adequadas para induzir propriedades dinmicas de sistemas complexos, em

particular quando poucos dados esto acessveis (Chaouiya, 2007). Alguns dos tipos de

redes mais estudados so: metablicas, regulao transcricional, sinalizao celular e

interao protena-protena.

As redes metablicas tratam sobre as reaes bioqumicas das clulas e seus

metablitos produzidos. Os bancos de dados existentes sobre esse tipo de reao

possuem dados de vias metablicas de quase todos os organismos. Um exemplo de

banco de dados de vias metablicas o KEGG (Kyoto Encyclopedia of Genes and

Genomes) (Kanehisa, 2002). Esse tipo de rede estuda o metabolismo da clula e suas

respostas, como crescimento celular, ou resposta a um estilo ambiental. O desenho

estrutural das redes metablicas consiste em reagir enzimas e substratos,

representados pelos ns da rede, e suas reaes, representadas pelas arestas. Por

exemplo, caso uma enzima (n A) produza um substrato (n B) ento teremos uma

aresta entre eles, com direo A para B. O mtodo de quantificao de metablitos est

descrito na Seo 3.2.

As redes de regulao transcricional indicam a regulao dos genes de um

organismo, processo chamado de regulao gnica. Esse processo transforma a

informao dos genes em seus produtos, como o RNA ou protena. A regulao gnica

importante para o controle da diferenciao celular, adaptao a estmulos entre

outros. A estrutura dessa rede consiste na interao entre os genes (representados

pelos ns). Se um fator de transcrio do gene A expressa o gene B, ento teremos

uma aresta direcionada de A para B. A represso de uma interao um problema de

representao em uma estrutura composta somente por ns e arestas, por isso

programas avanados de modelagens so necessrios. A obteno dos dados de

expresso gnica feitas por tecnologias high-throughput, como, por exemplo, a tcnica

de RNA-Seq (Wang, Gerstein, & Snyder, 2009).

As redes de sinalizao celular consistem em um sistema complexo de

comunicao celular que converte um sinal em outro. Essas redes consistem de vias de

sinalizao que so sequencias de reaes qumicas na clula ou mudanas induzidas

por um receptor. A estrutura da rede formada pela interao das protenas,

representadas pelos ns, e as arestas entre elas so direcionadas. Um exemplo de rede

de sinalizao bastante estudada a sinalizao da protena MAPK, que uma protena

enzimtica atuante sobre grupos fosfatos, para assim, interagir com outras protenas.

As redes de interao protena-protena (PPI) so utilizadas para representar a

interao fsica entre as protenas. Essa associao, por exemplo, pode representar

uma ao funcional celular. A estrutura da rede consiste na interao entre duas

protenas, representadas pelos ns da rede, e arestas direcionadas representando essa

interao. Existem bancos de dados de interaes de protenas como o SwissProt

(Boeckmann et al., 2003), BioGRID (Stark et al., 2006), STRING (Szklarczyk et al.,

2011), entre outros. Os mtodos de quantificao das protenas esto descrito na Seo

3.3.

1.2 Modelos matemticos e computacionais

Ao longo dos anos, com o acumulo de dados biolgicos, os cientistas se viram

na necessidade de se utilizar de mtodos computacionais para a anlise destes dados.

Na biologia de sistemas, os sistemas biolgicos so descritos a partir da construo de

modelos, sendo estes responsveis por entender todo o mecanismo biolgico envolvido.

Esses modelos tornam-se cada vez mais complexos, sendo alguns dependentes de

sries temporais, e assim, os tornando mais dinmicos. Por tais motivos, os cientistas

necessitaram de um uso computacional muito alto para as anlises desses modelos e

a necessidade ainda maior para modelos em larga escala. Nesse desenvolvimento de

modelos surgem duas principais categorias: os modelos matemticos e os

computacionais (Fisher & Henzinger, 2007).

Os modelos matemticos podem representar muitas situaes nas cincias

naturais e engenharia. Embora tenham sido desenvolvidos antes de computao

tornou-se vivel em grande escala, e eles j esto lucrando com o aumento da nossa

habilidade computacional. Em contraste, os modelos computacionais apresentar um

algoritmo para um mecanismo de execuo abstrato para imitar um projeto ou fenmeno

natural. Tais modelos so ideais para representar complicadas cadeias de eventos.

Um modelo matemtico tem como base uma funo de transferncia. Essa

funo pode ser especificada, por exemplo, por uma equao diferencial que se

relaciona uma entrada para uma quantidade de sada. Os modelos matemticos

complexos so construdos atravs da composio de funes de transferncia. Nos

casos mais complicados (por exemplo, equaes lineares diferenciais) e, em casos com

um grande nmero de variveis, os modelos matemticos exigem uma simulao

computacional para traar mudanas nas quantidades de substncias ao longo do

tempo. Enfim, esses modelos podem ser simulados e possivelmente resolvidos.

Em contraste, nos modelos computacionais se estabelecem mquinas de

estrados, que possuem diferentes configuraes quantitativas uns aos outros. Modelos

mais complexos so construdos a partir de composies de estados, produzindo um

sistema reativo, como, por exemplo, entidades biolgicas, tais como a clula, que

reagem a eventos produzidos por seus vizinhos. Isto altamente til na biologia celular,

porque o modelador pensa em causa e efeito em vez das taxas de mudana. Tais

modelos computacionais podem ter um nmero muito grande de estados, so muitas

vezes altamente no lineares e no determinsticos e so geralmente no passveis de

anlise matemtica. A eficincia dos computadores em executar instrues, que excede

a sua capacidade para resolver ou simular equaes matemticas, os torna ideal para

a realizao de modelos computacionais muito grandes.

Os modelos computacionais podem ser utilizados para testar e comparar

hipteses (Fisher & Henzinger, 2007). Com dados experimentais em mos, o modelo

computacional representa a hiptese sobre o mecanismo na gerao desses dados, e

sua execuo verifica a conformidade dos dados. A repetio da execuo pode gerar

resultados diferentes, devido aos modelos no determinsticos ou estocsticos. A

tcnica de validao do modelo analisa todas as infinitas possibilidades de execuo e

seus variados estados e mudana de estados possveis. Verificao de modelo eficaz,

porque geralmente h muitas mais execues do que estados. Um estado que pode

repetir pode dar origem a muitas execues possveis.

Se o modelo de verificao nos diz que todos os possveis resultados do modelo

computacional esto de acordo com os dados experimentais e que todos os resultados

experimentais podem ser reproduzidos pelo modelo, em seguida, o modelo representa

um mecanismo que explica satisfatoriamente os dados experimentais. Caso contrrio,

sua hiptese deve ser revista e o modelo melhorado, como mostra a Figura 2.
Figura 2. Fluxo do desenvolvimento e aprimoramento de um modelo dinmico.

2. Algoritmos de modelagem

As redes biolgicas possuem um alto grau de complexidade. Ela no est

somente associada a encontrar as interaes entre seus elementos e suas interaes,

mas tambm como sua dinmica envolve durante o tempo (Najafi, Bidkhori,

Bozorgmehr, Koch, & Masoudi-nejad, 2014). Nesta Seo ser discutida as principais

tcnicas de modelagem e simulao, como as ODEs (equaes diferenciais ordinrias),

redes Booleanas, redes Bayesianas (mtodos estocsticos) e Petri Net.

2.1 Modelos ODEs

Muitos modelos biolgicos so modelados utilizando ODEs. Uma equao

diferencial a relao entre uma funo e suas variveis. Basicamente a equao

diferencial mostra como a varivel, por exemplo, a concentrao de um substrato, varia

em relao ao tempo. A modelagem utilizando ODEs podem variar de ordem

dependendo do tipo de reao utilizada.

Por exemplo, uma reao de ordem zero seria uma reao sem catalisador,

havendo somente a presena da ao de massa, na qual a taxa da reao qumica

diretamente proporcional a concentrao dos reagentes, como mostra a equao (1),

que mostra a produo de um produto P1 e taxa da reao de 1 :

1
1 (1)

Uma reao de primeira ordem depende da concentrao inicial de um reagente

(2 ), que est diretamente proporcional a taxa da reao. A equao (2) modela uma

ODE de primeira ordem, que ir produzir um produto 2 .

2
2 2 (2)

A taxa da reao qumica ser: = 2 [2 ] e a taxa de variao em relao ao

tempo da reao descrita na equao (2) dada por:

[2 ]
= 2 [2 ]

Observamos que para modelar cineticamente reaes a partir de primeira ordem

precisamos da concentrao inicial dos reagentes. Como maior a taxa de consumo de

2 maior a produo de 2 ento a variao de 2 em funo do tempo o inverso de

2 :

[2 ]
= 2 [2 ]

Uma reao de terceira ordem, como mostra a reao (3), depende da

concentrao inicial de dois reagentes, 3 e 4 , para a formao de um produto 3 .

3
3 + 4 3 (3)

A sua taxa de reao ser = 3 [3 ][4 ] e a taxa de variao em relao ao

tempo de cada varivel na equao (3) dada por:

[3 ]
= 3 [3 ][4 ]

Reaes qumicas mais complexas dependem de muitos reagentes iniciais e

suas concentraes e que podem levar a formao de vrios produtos. A ordem das

reaes e o grau da equao diferencial aumentam com a adio de reagentes. Como

modelar equaes com parmetros no lineares muito exigente para reaes no

triviais, ocorre que a linearizao acaba sendo um fator importante para solues de

reaes mais complexas. Independente do grau que lidamos, o grande problema da

modelagem por ODEs seria o valor inicial dos reagentes, que para cada reao

demandaria um grande custo.

2.2 Modelos Booleanos

O modelo dinmico mais simples, modelos de redes booleanas, utilizado em

redes regulatrias desde a dcada de 60 por Stuart Kauffman (Najafi et al., 2014) Os

modelos dinmicos booleanos atribuem valores de 1 ou 0 para cada n, isto indica, por

exemplo, que um gene expresso ou no expresso, um fator de transcrio est ativo

ou inativo, e a concentrao de uma molcula est acima ou abaixo de um certo limite.

Este valor representa o estado binrio de um n no modelo booleano, e o estado futuro

desse n determinado com base numa declarao lgica sobre o estado atual. Este

declarao, chamada regra booleana ou funo booleana, normalmente expressa

atravs dos operadores lgicos AND, OR e NOT (Saadatpour & Albert, 2013). Uma rede

simples contendo trs ns est expressa na Figura 3.

Figura 3. Ilustrao de uma rede booleana e suas regras. (a) Representao da rede

com os ns A,B e C e as arestas direcionadas () ou (|) representando ativao e

inibio, respectivamente. (b) Regras booleanas governando os estados de cada n da

rede representada. Imagem de Assieh et al, 2013.

 Atualmente os modelos booleanos so um tipo de grafo G(V,F):

V o conjunto de ns (genes ou protenas) como 1 , 2 , , .

F a lista das funes booleanas (1 , 2 , , )

Se tomarmos como exemplo as funes booleanas da Figura 3(b), podemos

construir uma tabela de valores lgicos, dado o grafo da Figura 3(a), e ver quais os

possveis estados 1 que cada n pode gerar a partir de todas as variaes de estados

0 da rede.

Tabela 1. Exemplo de estados da rede booleana na Figura 3(a), tendo como

base as regras booleanas na Figura 13(b).

0 1

A B C A B C

0 0 0 1 0 1

0 0 1 0 0 1

0 1 0 1 0 1

0 1 1 0 0 1

1 0 0 1 0 0

1 0 1 0 1 0

1 1 0 1 0 0

1 1 1 0 1 0
 Os modelos booleanos so discretos e dependem da demanda de conhecimento

sobre a ao da rede. Redes complexas que possuam muitos ns teriam regras

booleanas extensas. A alterao de um n da rede pede a alterao de toda a regra

booleana e assim, a sincronizao da rede booleana com as alteraes demandaria um

grande poder computacional.

2.3 Modelos Bayesianos

Outro mtodo de modelagem computacional baseado na representao de

grafos as redes Bayesianas. Os modelos Bayesianos ilustram os efeitos de cada

componente da via (ns) sobre os outros atravs de um diagrama de influncia. O

formalismo Bayesiano pode lidar com valores discretos e contnuos, enquanto redes

booleanas s podem lidar com valores discretos.

Nas redes Bayesianas, um n representa uma varivel aleatria com uma

distribuio de probabilidade condicional de cada componente da rede. A modelagem

Bayesiana oferece a capacidade de descrever processos estocsticos e lidar com a

incerteza, conhecimentos incompletos e tambm ruidosos. Nesta rede, limitaes so a

esttica e a natureza acclica das redes.

As relaes entre as variveis (por exemplo, gene ou protena) so descritas por

distribuies de probabilidade condicionais (CPDs) da forma (2 /1) - a probabilidade

de 2 dado 1 . Para as variveis discretas, distribuies de probabilidade so expressas

tabelas de probabilidade condicional (CPT), contendo probabilidades que so os

parmetros do modelo. Para as redes Bayesianas, que usam variveis contnuas, as

densidades de probabilidade condicionais so utilizadas de um modo semelhante ao

CPT.

Dentre as propriedades relevantes do uso de redes Bayesianas esto o seu uso

na inferncia de vias de sinalizao dado um conjunto de dados biolgicos. Elas podem

representar complexas relaes estocsticas no lineares entre vrias molculas que

interagem, e a sua natureza probabilstica pode acomodar rudos inerentes derivada

desses dados biolgicos. Alm disso, elas podem incorporar um conhecimento biolgico

prvio, quando disponvel, atribuindo altas ou baixas probabilidades nas ligaes

intermoleculares.

2.4 Petri Nets

As redes Petri Net (PN) representam um modelo de grafo monopartido para

bipartidos, grafos direcionados que so usados para modelar sistemas causais. Alm

disso, eles tm sido usados com sucesso em muitas reas: em biologia, por exemplo,

para simular redes metablicas (Fong, McDunn, & Kakar, 2011; Genrich & Robert,

2001), mas tambm sinalizar vias de transduo (Sackmann, Heiner, & Koch, 2006) e

sistemas de regulao de genes (Grunwald, Speer, Ackermann, & Koch, 2008).

As definies bsicas de Petri Net foram definidas por Carl Adam Petri em 1962

(Petri, 1966). As principais ideias a distino entre ns ativos e passivos e o uso de

objetos mveis para expressar a dinmica do sistema. O conjunto de ns consiste de

posies para a parte passiva, representando substncias bioqumicas e as transies

como a parte ativa, representando reaes qumicas. Os objetos mveis so chamados

tokens. Eles esto associados a cada lugar e correspondem a quantidades discretas de

substncias bioqumicas, por exemplo, nmero de moles da molcula. As direes,

arcos ponderados conectando lugares com transies, representando reagentes ou

substratos, e pr-condies, representando os produtos de uma reao. Os pesos de

arco indicam o nmero mnimo de tokens que so necessrias para disparar a transio,

isto , tendo um lugar de reao, e o nmero de tokens que vo ser produzidos nos

locais de sada, respectivamente. Em redes metablicas, estes pesos dos arcos

correspondem aos coeficientes estequiomtricos da reao qumica.

Pelas regras de disparo, os tokens so transferidos atravs da rede PN a partir

de um lugar para outro, simulando um fluxo, por exemplo, de substncias ou

informaes, atravs da rede. Originalmente, PN eram restritas a simulao qualitativa,

com discretos passos de tempo. No entanto, PN avanadas so capazes de imitar redes

booleanas, srie temporais, Bayesianas, estocsticas, sistemas contnuos de equaes

diferenciais ordinrias (ODEs), e mesmo sistemas hbridos.

Na figura 4(a) temos a definio de uma rede Petri Net bsica. Uma rede bsica

definida pela qudrupla (P, T, F, 0 ), onde:

P o conjunto finito de ns (posies) da rede;

T o conjunto de transies da rede;

F o conjunto nas arestas direcionadas, com pesos no negativos;

0 o conjunto inicial de tokens presentes em cada n em P. O valor

deve ser um nmero natural.

As posies so dadas pelos crculos, as transies pelos retngulos e os tokens pelos

pontos pretos dentro de cada posio. Na Figura 4(b) vemos que transio somente

ativada, pois existem tokens na posio anterior a ela (1 ). Aps os tokens se

esgotarem, a transio interrompe sua ao de disparar e a segunda posio (2 )

recebe os tokens disparados por 0 .

 Figura 4. Representao de uma Petri Net bsica. Pelas definies de Petri Net

temos que P=(1 , 2 ), T=(0 ), F=(aresta1,aresta2) e 0 = (2,0).

Como mencionado, as redes Petri Net podem ser modeladas utilizando dentro

de seus modelos, parmetros que se assemelhem a modelos booleanos, Bayesianos

(estocsticos) e ODEs, gerando assim vrios tipos de Petri Net: qualitativa, estocstica,

contnua, hibrida e colorida.

Petri Nets do tipo qualitativo somente atribui valores discretos a rede, no

associando tempo a transies, nem probabilidades a elas, ou seja, so no temporais.

Esse tipo de Petri Net considera todas as possibilidades de execues independentes

de qualquer restrio de tempo. A funo temporal e probabilstica pode ser adicionada

a rede qualitativa, gerando o tipo estocstico e continuo.

As redes estocsticas preservam as condies das redes qualitativas com a

adio de uma distribuio exponencial de probabilidade a cada ao de disparo da

transio. A modelagem das redes estocsticas pode ser gerada adicionando tal

probabilidade de disparo da transio a partir de um conhecimento previamente

estabelecido, como, por exemplo, a formao de um substrato a partir de duas vias,

sendo que a probabilidade alteraria a direo da formao para a via selecionada. Se

por acaso nenhuma probabilidade adicionada as transio ento ela disparada de

forma aleatria.

Nas redes contnuas existem posies que variam em relao ao tempo a partir

de uma equao diferencial ordinria (EDO), ou seja, seus valores podem ser reais e

no somente naturais como a definio da Petri Net clssica. Um exemplo de aplicao

seria a modelagem da rede utilizando a concentrao de cada substrato.

As Petri Nets hbridas a mistura das estocsticas e contnuas, ou seja, no

pode ser modelado somente de forma discreta. As transies discretas sempre

possuem sadas discretas, mas nos modelos hbridos as transies discretas podem ter
como entrada posies discretas e como sada posies continuas, e vice-versa.

Somente as transies discretas podem ter esse tipo de hibridizao das posies.

Agora, se uma posio discreta for entrada de uma transio continua, ele ter de ser a

sada dessa mesma transio e vice-versa. Isso se da, pois o valor de uma posio

discreta deve ser um inteiro, e como o disparo de uma transio discreta no depende

do tempo, quando esse disparo de uma transio contnua o valor da posio discreta

no muda (Najafi et al., 2014).

Por fim, as Petri Nets coloridas recebem esse nome por terem a vantagem de

distinguir a cor dos tokens que passam ao longo da simulao da rede. Cada cor pode

ser tratada pela transio de um modo diferente, estabelecendo diferentes aes para

cada token. Em uma situao na qual uma mesma transio alcanada por duas vias

e o desejvel que a sada de cada uma seja tratada de modo diferente, logo, uma cor

para cada via seria necessria.

Existem muitos benefcios do uso de Petri Nets para modelagem de redes

biolgicas, citado por Najafi, et al, 2014, sendo elas:

1. Liveness (traduo: vivacidade): Sempre uma transio conseguir alcanar

um estado onde ela est habilitada, acontea o que acontecer. Esta propriedade

depende do valor inicial dos tokens. Liveness deveria valer para sistemas bioqumicos,

porque um deadlock significaria uma interrupo do metabolismo, ou a interrupo da

traduo de um sinal ou da regulao do gene.

2. K-boundedness (traduo: Limitador-k): Infere que o numero de tokens em uma

determinada posio nunca poder ser maior que um inteiro k, o que poderia ser

importante se, por exemplo, queremos evitar a acumulao txica de metabolitos.

3. Solidez: representa uma combinao de liveness e boundedness que garante um

trmino adequado da simulao. Em termos de sistemas bioqumicos, a solidez garante

que todos os processos bioqumicos e reaes sejam realizados enquanto o sistema

executado.

4. Acessibilidade: garante que um estado 1 sempre pode ser alcanado a partir de um

estado 0 . Um grafo de acessibilidade reproduz todos os possveis estados que podem

ser alcanadas por todos os ns, transies e arestas. Para redes sem limitao, ou

seja, as posies com infinitos tokens o grafo de acessibilidade se torna infinito e no

pode explorar todos os estados.

Em suma, Petri net possui uma forma simplificada e simples de representar

redes biolgicas e seu mecanismo, alm de simular todo tipo de interao. Existem

vrios outros motivos, citados por Marwan, et al., 2012, que sugerem o desenvolvimento

de Petri Net em estudos de redes biolgicas.

1. Petri Nets trabalha intuitivamente com representaes de grafos bipartidos,

que possui fcil compreenso e facilita a comunicao entre experimentalistas e tericos

computacionais;

2. As redes Petri Nets podem ser facilmente simuladas em softwares. Essas

simulaes podem ser animaes livres, ou seja, qualitativas, e tambm simulaes de

tempo serial, ou seja, quantitativas;

3. Petri Net pode ser uma ferramenta de integrao qualitativa e quantitativa (i.e

estocstica, continua ou hibrida) de modelagem dinmica;

4. Petri Nets permitem representaes inequvocas de vrios processos

biolgicos, como, por exemplo, crescimento bacteriano (Gilbert, Heiner, Liu, &

Saunders, 2013) e desenvolvimento de tumores (Minervini et al., 2014).

5. Todas as tcnicas de anlises e desenvolvimentos desempenhados sobre as

redes Petri Net so apoiadas por vrias ferramentas confiveis, desenvolvidas pela

comunidade internacional de cientistas da computao;

 Os softwares que modelam as redes Petri Net possuem, normalmente, uma

plataforma em ambiente Linux e Windows, tais como o Snoopy (Heiner, Herajy, Liu,

Rohr, & Schwarick, 2012), MONALISA (Balazki, Lindauer, Einloft, Ackermann, & Koch,

2015), Cell illustrator (Nagasaki et al., 2010) e Petructio (Meyer, Khomenko, & Strazny,

2009). Dos softwares citados, o Snoopy o que mais possui uma comunidade ativa de

desenvolvedores, um manual de fcil entendimento e produes em todos os tipos de

redes biolgicas, logo, o usaremos em nossas modelagens Petri Net.

Sites de comunidade ativa de redes Petri Net possuem um site

(https://www.informatik.uni-hamburg.de/TGI/PetriNets/) que disponibiliza a comunidade

cientifica livros, artigos, bibliografias e congressos de Petri Net para aqueles que esto

comeando e at mesmo os mais experientes.