¿Existe un trabajo matemáticamente intenso en biología celular y molecular?

La matemática en biología es, en esencia, tan difícil como lo desees y cuánto y en qué grado deseas comprender un sistema biológico. Conozco a muchos grandes biólogos que no pueden hacer mucho más que aritmética básica, pero también conozco a muchos teóricos que tienen que recurrir a algunos métodos matemáticos extremadamente complicados.

Considere este ejemplo de cuán detallado puede hacer un problema.
Aquí hay una estructura de un ribosoma
Aquí hay una estructura más detallada
Más detalles (a partir de datos de difracción que en sí mismos son matemáticamente intensivos)
Aquí hay algunos datos de lapso de tiempo del ribosoma.
http://images.sciencedaily.com/2 …

¿Qué hay de Dinámica Molecular? Esto ahora requiere una gran comprensión de la mecánica cuántica y la termodinámica estadística.

Si quería comprender transiciones más grandes, eso requiere una buena comprensión de la física de los polímeros y, con eso, un buen detalle de la teoría de campo.

La mayoría de los biólogos están simplemente bien con el modelo de dos piezas del ribosoma y, en su mayor parte, no necesitan tener una comprensión cuantitativa de cómo funcionan esas cosas. Sin embargo, si quieres profundizar en el agujero del conejo, las herramientas existen y los rompecabezas están ahí.

Echa un vistazo a ” Biología matemática ” [Quora; Wikipedia].

MathBio es el campo donde el enfoque es tomar el proceso / fenómeno biológico de interés y abstraerlo a una representación matemática que puede ser tratada y modelada utilizando técnicas y herramientas matemáticas aplicadas . Este enfoque tiene aplicaciones teóricas y prácticas en la investigación biológica, biomédica y biotecnológica.

La investigación de MathBio generalmente gira en torno a:

1. Usando métodos matemáticos / computacionales para entender sistemas biológicos. Esto puede contribuir tanto a la ciencia básica como a la práctica / conocimiento médico;
2. Desarrollar nuevos métodos matemáticos puros y aplicados que serán útiles para analizar sistemas biológicos; y,
3. Desarrollando nuevas áreas de matemáticas inspiradas en biología.

Las áreas matemáticas que incluyen cálculo, teoría de la probabilidad, estadística, álgebra lineal, álgebra abstracta, teoría de grafos, combinatoria, geometría algebraica, topología, sistemas dinámicos, ecuaciones diferenciales y teoría de codificación se están aplicando ampliamente en biología. Y, el alcance solo crece cada día. [¡La Fundación Nacional de Ciencias de EE. UU., De hecho, tiene un seguimiento de financiación específico!]

Con los años, MathBio se ha utilizado con éxito para investigar procesos biológicos en varias escalas:

• Cinética de reacción bioquímica
• Sistemas de señalización intracelular
• Patrones microbianos y quimiotaxis
• Ondas biológicas: señalización de calcio, latido del corazón, ritmos circadianos
• Formación de patrones espaciales (desarrollo, morfogénesis, vasculatura en la hoja, vasos sanguíneos, neuronas)
• Progresión del cáncer
• Ecología (depredador-presa, dinámicas interespecíficas) y biología evolutiva (evolución molecular y organismal)
• Dinámica de las enfermedades infecciosas (propagación geográfica y control de epidemias)

Puede explorar más con comentarios como estos:
¿Qué es la biología matemática y cómo es útil?
http://www.ams.org/notices/20100 …

… y libros como estos:

• Biología Matemática por JD Murray
• Dinámica no lineal y el caos por Steven H. Strogatz

Para construir sobre Richard Ella es una muy buena respuesta a su pregunta, me gustaría resaltar el hecho de que, aunque la mayoría de los biólogos moleculares (ciertamente yo mismo incluido) no hacen un trabajo matemáticamente intenso de forma regular, si tiene un interés específico en este aspecto de la investigación, ¡hay mucho trabajo por hacer! Cada vez más, la biología molecular requiere herramientas computacionales y estadísticas; cualquier estudiante o investigador que posea estas habilidades es considerado un miembro valioso del equipo, especialmente si también están bien entrenados en biología (malentendidos entre biólogos y su científico computacional o estadístico y sus colaboradores son una fuente clásica de frustración / comedia en el campo) .

Dado su interés declarado, los alentaría a profundizar en los campos de la bioestadística y la biofísica. Dependiendo de su institución, es probable que tenga varios laboratorios trabajando exactamente en la misma línea que se ajusten perfectamente a sus habilidades.

Dependiendo de lo que le guste en matemáticas, puede haber muchas ramificaciones de interés para usted.

Si le interesan las estadísticas, la teoría de grafos o la teoría de cómputo, la bioestadística y la bioinformática pueden ser de su interés. Un campo en rápida evolución es el campo de la proteómica y la genética de poblaciones, que están haciendo el trabajo requerido para que los diagnósticos de medicina personal comiencen a funcionar. Sarah Teichman de EBI también está agregando la teoría de grupos a la mezcla de una manera muy interesante (no tengo relación con su grupo o investigación).

Si le interesan los sistemas más dinámicos o el enfoque de modelado, la biología de sistemas podría ser su elección. Si te gusta la topología avanzada y un enfoque más físico, podrías considerar investigar la dinámica del citoesqueleto.

Sin embargo, de usted está buscando más específicamente encontrar un doctorado digno, le recomendaría ir a buscar grupos específicos y líderes de grupo: su trabajo específico podría darle una mejor idea de lo que está haciendo y de lo que realmente estará haciendo durante tu doctorado. Y sí, prepárese para trabajar en temas puramente biológicos o, al menos, dedique mucho tiempo a entenderlos: son la columna vertebral de por qué está haciendo su proyecto y si tendrá éxito o fracasará.

La biología computacional es muy computacionalmente intensa. No necesariamente realizará integrales funcionales, computará métricas múltiples o reflexionará sobre grupos de simetría. Sin embargo, la simplicidad matemática de algunos documentos de biología computacional puede ser bastante engañosa; construir un código óptimo que implemente incluso modelos simples (como caminatas aleatorias en redes) y hacer las suposiciones de modelado correctas puede ser extremadamente desafiante, incluso si gran parte de lo que estás haciendo implica ecuaciones lineales o, en el peor, ODE simples.

Por supuesto, puede encontrar grupos que intenten aplicar matemáticas intensas que se parezcan más a la física teórica o a las matemáticas puras. Algunos de ellos producen buen trabajo, pero generalmente parecen estar detrás de sus competidores, debido a la característica más interesante de la biología teórica / computacional: la radical biología de partida representada por sistemas previamente entendidos requiere un nuevo enfoque radical. La intensidad matemática moderna realmente se encuentra en cosas como el aprendizaje automático.

Para agregar a estas respuestas, permítanme agregar preguntas biológicas específicas que están a la vanguardia de la investigación que son matemáticas pesadas:
1. Análisis de redes genéticas: los genes pueden activar y desactivar otros genes (aunque no en un sentido booleano porque la expresión génica es continua). Toneladas de personas están trabajando en cómo inferir las redes genéticas a partir de diferentes tipos de datos experimentales. Además, algunos científicos están estudiando la dinámica de las subredes: ¿cuáles son algunas subunidades funcionales de estas redes genéticas y qué ocurre cuando se conectan estas subredes?
2. Amplio análisis de conjunto de datos biológicos: supongamos que tiene el genoma, el transcriptoma, el proteoma y el metaboloma completos de una persona. ¿Qué conclusiones puedes sacar de estos datos? ¿Cómo diseñarías un tratamiento personalizado contra el cáncer?
3. Biofísica: hay tantas áreas diferentes en biofísica que solo intentaré tocar la superficie. Las proteínas necesitan difundirse a sus lugares correctos y usted podría modelar cómo los flujos y las corrientes en la célula afectan este proceso. En la embriogénesis, las células ejercen fuerzas entre sí para hacer que se muevan a los lugares correctos y formen las formas correctas.
4. Modelado espacial: ¿cómo procesas las imágenes desde un microscopio, las conviertes en un modelo 3D y luego usas esos datos en 3D para entender algo sobre la biología? Por ejemplo, hay una manera indirecta de medir la estructura 3d del empaquetamiento del genoma, pero el resultado es una estructura 3d promedio del ADN en una población de células. También hay formas de obtener imágenes de un cromosoma en una sola célula muriéndolo en colores del arco iris. ¿Cómo se combina el promedio de la población y algunas muestras de configuraciones individuales? ¿Cómo se puede incorporar la información de la estructura en 3D para predecir si un gen se activa o desactiva?
5. Predecir qué experimentos ejecutar: los experimentos cuestan mucho y toman mucho tiempo. ¿Cómo se puede optimizar el orden de los experimentos para proporcionar el máximo contenido de información adicional? Cosas como esta no se estudian tanto como deberían y podrían aplicarse a una amplia gama de cuestiones biológicas.
6. Mucho más: ¿cómo se puede predecir computacionalmente qué dos proteínas interactuarán y cómo (o proteína + fármaco)? ¿Cómo se puede predecir dónde están las modificaciones epigenéticas y cuál es su impacto? ¿Cómo se puede predecir dónde se unen las proteínas? ¿Cómo afectan las tasas de descomposición del ARNm cuánta proteína hay?

En general, la biología computacional requiere principalmente estadísticas y aprendizaje automático y algunas ecuaciones diferenciales o físicas. También es posible que necesite desarrollar nuevos algoritmos, lidiar con la complejidad computacional y / o grandes conjuntos de datos, y aprender la terminología de la biología.

Te recomendaría que eches un vistazo a:
1. Biología matemática;
2. Biología del sistema, enfoque en modelos biomédicos / celulares;
3. Genómica computacional;
4. Biofísica computacional / Biología estructural.

El límite entre los primeros dos temas es vago. Esencialmente tratará con ODE y álgebra lineal en 1 y 2, también el estilo de investigación se asemeja un tanto al del sistema de control y al modelado matemático.

En 3 necesitará estadísticas y aprendizaje automático al tratar con datos de expresión génica. En cuanto al análisis de secuencia, conocerá la programación dinámica y varios tipos de Markov Chain / Markov Model.

En 4. Necesitarás mecánica estadística y termodinámica, que son extremadamente intensas matemáticamente. Si también estás interesado en la física, es lo tuyo.

Hay muchos otros aspectos de la biología que requieren matemáticas intensas. El que más me fascina es el modelado de la endocitosis mediada por clatrina, que incorpora el modelo mecánico estadístico y la biología de sistemas.

Además del trabajo matemático que involucra la comprensión de la biología en sí misma, para la cual hay muchas oportunidades, también existe el trabajo matemático que puede destinarse al diseño de técnicas y dispositivos experimentales. Intenta construir un nuevo tipo de microscopio sin algo de física. Intente analizar datos de HiC sin algunas matemáticas. El desarrollo de nuevas técnicas es lo que impulsa la investigación biológica en gran medida, y las personas de mente cuantitativa están especialmente bien equipadas para hacerlo. Ejemplos: microscopía de superresolución (STORM, PALM), perfilado de ribosomas, Hi-C, shape-seq, diversas técnicas de dispersión de rayos X de ángulo pequeño (SAXS), etc.

Dependiendo de qué parte de la biología molecular le interese, hay muchos aspectos matemáticos que están muy involucrados en la biología. Además de lo mencionado en otros comentarios, los algoritmos combinatorios, la teoría de gráficos algorítmicos, las optimizaciones discretas o combinatorias y el aprendizaje automático desempeñan papeles críticos en Computational Genomics y, más generalmente, en el análisis de datos ómicos.

Con el advenimiento del big data (técnicas de alto rendimiento, secuenciación, imágenes de alta resolución, etc.), ¡la necesidad aumenta de manera espectacular! Permítanme sentar las bases de dos grandes direcciones matemáticas utilizadas en biología, y algunas de las nuevas y geniales formas en las que las matemáticas se están extendiendo al modelado para inspirarte con suerte en algo que amo como investigador de genética humana / microbioma.

Hay dos tipos principales de estadísticas (lectura matemática) que son importantes para la biología. Las estadísticas Frequentistas son cosas como la media, el modo, la correlación y la significación que se calculan con ecuaciones fundamentales, y han sido la columna vertebral de la biología durante casi un siglo. No se puede evitar esto, es importante, y si se tiene la configuración experimental adecuada, puede ser todo lo que necesita para destacarse.

La otra es estadística bayesiana (también conocida como aprendizaje de computadora). En la forma más simple, significa “lo que es más probable que ocurra en función de la información que tenemos”. Se trata de predicciones, hacer modelos de los datos. ¡Con Big Data, la necesidad crece rápidamente para mejores modelos! Imagine un conjunto de datos con 1,000 muestras y 1 millón de variables medidas para cada muestra (digamos diferencias en la secuencia de ADN entre humanos). ¿Cómo se puede decir qué cambios en el ADN son responsables de causar una enfermedad? Imagínese configurar un modelo a partir de un subconjunto de datos y ejecutarlo 1.000 veces, le dará una idea de qué cambios probablemente estén vinculados entre sí y cómo están vinculados a la enfermedad. Algunas técnicas geniales son Análisis de red, Bosque aleatorio, Agrupación espectral, y la lista sigue y sigue). Los cimientos se basan principalmente en el álgebra lineal, por lo que debería ser un tema que puedas dominar. Comparado con el cálculo, el álgebra lineal es muy sencillo, pero si quieres ir con cálculo, he encontrado usos para modelar la señalización de retroalimentación integral en la ósmosis de levadura (cómo la levadura mide la sal en el ambiente). Creo que modelar es en muchos sentidos una forma de arte, equilibrada entre los algoritmos de codificación, el aprendizaje informático y, desde luego, no es la matemática más difícil, pero sí bastante intrigante.

¡Mis dos centavos! -Andy

Desde el punto de vista de asistente de investigación y tecnología, la mayoría solo resolví las proporciones y las calculé para unidades de medida. Trabajé en el banco mojado principalmente. Crecí células, hice patología básica y mapeé genes. Cualquier cosa más difícil fue generalmente manejada por software. Parece que es posible que desee ver Bioinformática.

Consulte la actividad en estos dos temas de Quora

Biología Computacional
Biofísica Computacional

ABSOLUTAMENTE !!!!

¡nunca termina, desde escalar hacia arriba y hacia abajo tu experimento a simulaciones, se necesita matemática en todas las dimensiones posibles de la biología celular y molecular!

Podrías entrar en campos como Biología Molecular Computativa. Simulaciones de interacción de drogas y drogas para que sea super matemático intensivo

-Jhalak

12BT60R05 (IIT Kgp)

https://wholecell.stanford.edu/

Echa un vistazo a Paulson en Harvard. Pasaron 10000 horas haciendo matemáticas para su último proyecto. No creo que haya sido publicado todavía.

yaa por supuesto ……… hay matemáticas intensas pasando en nuestra celda … .esto es división de células … división de células diploides … distribución a la progenie … etc. si el cálculo se vuelve incorrecto, entonces el defecto ocurre en los genes …. resulta en problemas corporales, así que básicamente la división celular es una forma matemática de progreso ……… ..