Informe de Practicas Pre-Prodfesionales

UNIVERSIDAD NACIONAL DE INGENIERÍA
FACULTAD DE INGENIERÍA MECÁNICA
INFORME DE PRÁCTICAS PRE-PROFESIONALES
ALUMNO : Luis Alonso Hernández Núñez
CÓDIGO : 20072005C
ESPECIALIDAD : M6
FECHA : 7 de Mayo de 2012
INSTITUCIÓN: Yale University,
New Haven, Connecticut, EEUU.
LIMA-PERÚ
2012
Informe de Practicas Pre-Profesionales 2012
Engineering Research Assistant, Yale University
Agradecimientos
En primer lugar agradezco a todos quienes fueron mis maestros

en la Universidad Nacional de Ingeniería, en especial al Dr. Alberto
Coronado y a la Dra. Elizabeth Villota, quienes fueron mis mentores
en los diversos proyectos de investigación en los que participé
durante mi carrera. Dicha experiencia sumada a mi condición de
primer puesto de la universidad, me permitieron acceder a esta
ventajosa práctica pre profesional en una de las mejores
universidades del mundo.
De la misma manera agradezco al Dr. Thierry Emonet, quién ha

sido y es aún mi asesor en lo que respecta al trabajo de investigación
que realizo en la Universidad de Yale.
A los doctores Amitabha Nandi, Carlotta Martelli, Yann Dufour,

Michael Sneddon, Abel Alcazar y los estudiantes de doctorado
Nicholas Frankel, William Pontius y Srinivas Gorur-Shandilya, por las
abundantes e inspiradoras discusiones científicas y tecnológicas
sostenidas semana a semana y por generar un ambiente de trabajo
increíblemente estimulante y competitivo.
También es mi deseo agradecer a mis padres y mi hermana, ya

que sin el apoyo y comprensión de ellos me hubiese sido imposible
lograr todo esto.
UNI | Universidad Nacional de Ingeniería – Facultad de Ingeniería Mecánica (FIM)

Contenido
Agradecimientos ............................................................................................................... 2
Contenido ......................................................................................................................... 3
1. Introducción .............................................................................................................. 5
1.1 Antecedentes .......................................................................................................... 6
1.2 Objetivos ................................................................................................................. 7
1.2.1 Objetivos Generales ................................................................................... 7
1.2.2 Objetivos Específicos ........................................................................................ 7
1.2.3 Objetivos del presente informe ....................................................................... 7
1.3 Descripción del informe .......................................................................................... 7
2. La empresa ................................................................................................................ 8
2.1 Datos de la empresa ............................................................................................... 8
2.2 Historia .................................................................................................................... 9
2.3 Organización ........................................................................................................... 9
2.4 Infraestructura y recursos del laboratorio............................................................ 11
2.5 Servicios ................................................................................................................ 14
2.6 Localización ........................................................................................................... 14
3. Actividades Desarrolladas ....................................................................................... 14
3.1 Modelamiento y simulación del motor flagelar de la bacteria e. coli. ................. 14
3.1.1 Chemotaxis Pathway ...................................................................................... 14
3.1.2 Equivalencia con un sistema de ingeniería de control .................................. 16
3.1.3 Modelo matemático ...................................................................................... 17
3.1.4 Consideraciones de la simulación ................................................................. 20
3.1.5 Software creado para la simulación ............................................................. 22
3.2 Calculo de la difusión de proteínas en el citoplasma bacteriano usando
soluciones numéricas estocásticas espaciales............................................................ 22
3.3 Estrategias de comportamiento explicadas desde la perspectiva del motor
3 flagelar. ....................................................................................................................... 25
3.3.1 Ventajas y desventajas del fenotipo bacteriano en diferentes ambientes. . 25
3.3.2 Construcción del modelo total ...................................................................... 27

3.3.3 Simulación del modelo restringido por las relaciones de la población salvaje
................................................................................................................................. 29
3.3.4 Análisis ROC (Receiver Operating Characteristic) del desmepeño bacteriano.
................................................................................................................................. 31
4. Presentación de Resultados ...................................................................................... 33
4.1 Resultados de la simulación de un motor flagelar de la bacteria e.coli ............... 33
4.2 Resultado de la simulación del la difusión de la proteína R ................................. 35
4.3 Estrategias de comportamiento explicadas desde la perspectiva de la ubicación
en la curva del motor flagelar. .................................................................................... 36
4.4 Habilidades obtenidas al concluir la práctica ....................................................... 44
4.5 Observaciones, Conclusiones y Recomendaciones .............................................. 45
4.5.1 Observaciones ................................................................................................ 45
4.5.2 Conclusiones................................................................................................... 46
4.5.3 Recomendaciones para el trabajo futuro ...................................................... 46
5. Referencias ................................................................................................................. 48

1. Introducción
La alta complejidad inherente a los sistemas biológicos ha dado lugar en los

últimos años a la aparición de disciplinas emergentes como biología de sistemas,
donde empleando un abordaje de ingeniería se busca develar los principios generales
que rigen el funcionamiento de las células, tejidos, órganos y organismos [1,2]. Es
tanto el éxito de esta nueva disciplina que muchos predicen que una nueva revolución
científica se avecina [3].
En el marco de esta situación, la Universidad de Yale integra en grupos de

investigación a estudiantes de las principales ramas de ingeniería con estudiantes de
biología, física y química; y empleando las habilidades diversas de los integrantes busca
responder las preguntas mas relevantes que forman hoy la frontera del conocimiento
entre ingeniería y biología.
Mi práctica pre profesional se llevó a cabo precisamente en un grupo de

investigación multidisciplinario, donde los investigadores provenimos de carreras
diversas como: física, ingeniería mecatrónica, bioingeniería, microbiología y
computación científica.
Las actividades que he realizado varían desde elaborar, programar y probar el

modelo matemático de un motor flagelar de la bacteria e.coli hasta el modelado
basado en agentes de una población completa de bacterias. Para realizar trabajos de
esta complejidad me fueron de especial utilidad muchos de los cursos incluidos en la
actual currícula de ingeniería mecatrónica y las capacitaciones adicionales que recibí
en los diferentes proyectos de investigación en los que participé en la UNI, como se
describe en la sección 1.1.
Esta experiencia me permitió exponerme a una situación real de trabajo, ya que

seré investigador. Incluso me permitió conseguir un ventajoso contrato para
5
permanecer como investigador asociado de la Universidad de Yale hasta que inicie mis
estudios de doctorado.

1.1 Antecedentes
Desde que inicié la carrera de Ingeniería Mecatrónica estuve fascinado por la forma en
que las diferentes disciplinas pueden integrarse para resolver problemas que de otra
manera hubiesen quedado inexplorados. Es así que formé parte de los siguientes
proyectos y grupos de investigación:
• CTIC-UNI: Nano satélite Chasqui I

Asesora: PhD. Elizabeth Villota (Docente FIM)
Tema: Diseño del control activo del nanosatélite Chasqui I.
• Grupo de Modelamiento y Simulación a Multiescala: “Análisis y detección de
patrones en la topología y el espacio paramétrico de redes moleculares
oscilatorias de 2 y 3 nodos”
Asesor: D.Sc. Alberto Coronado (Docente FIM)
• Grupo de Bionanotecnología: CTIC UNI-Universidad de Texas A&M
Asesor: Ph.D Jorge Seminario (Texas A&M University).
En la investigación que realizo en la Universidad de Yale me han sido de utilidad los

conocimientos que adquirí durante la carrera en cursos como:
Micro y nano manipulación, vibraciones mecánicas, control moderno y óptimo,

métodos numéricos, inteligencia artificial, biología de sistemas y biología para
ingenieros.
Además de ello, me fueron de especial utilidad algunos temas que aprendí en los
grupos de investigación arriba descritos, como:
Mecánica cuántica, dinámica molecular, programación en python y programación

basada en agentes.

1.2 Objetivos
1.2.1 Objetivos Generales
• Realizar labores de ingeniero practicante de investigación en la universidad de

Yale: “Usando el método científico y empleando herramientas propias de
ingeniería contribuir a la realización de un proyecto de investigación”.
1.2.2 Objetivos Específicos

• Complementar la formación que obtuve en la UNI exponiéndome al ambiente
real de trabajo de un investigador.
• Familiarizarme con procedimientos típicos de investigación (protocolos de
laboratorio, escritura de artículos científicos, etc.)
• Aprender a cumplir fechas límite y a desarrollar proyectos en equipo.
• Desarrollar más el pensamiento crítico y afinar el planteo apropiado de un
problema de investigación.
1.2.3 Objetivos del presente informe

• Mostrar la experiencia obtenida y los resultados del trabajo realizado.
• Explicar la trascendencia del trabajo hecho y la contribución al conocimiento
humano que este significa.
1.3 Descripción del informe
El presente informe está organizado según las recomendaciones brindadas en la

página web de la oficina de proyección social de la facultad de Ingeniería Mecánica,
siguiendo todos los puntos establecidos para el desarrollo del mismo.
En el capítulo 2 doy alcances respecto a la historia y visión de la universidad de

Yale, su organización en lo que respecta a investigación y explico el enfoque
multidisciplinario con el que se abordan los proyectos.
Posteriormente, en el capítulo 3 enumero y explico el flujo de actividades que he

7 realizado hasta hoy, explicando las técnicas de modelado matemático, principios
físicos en cuestión y haciendo equivalencias entre sistemas biológicos y sistemas
dinámicos propios de ingeniería de control (sensores, planta, actuadores).

Finalmente, en la sección 4 presento los resultados del trabajo, así como las
conclusiones a las que he llegado, hago las observaciones pertinentes desde el
punto de vista de ingeniería y hago recomendaciones para el trabajo futuro.
2. La empresa
2.1 Datos de la empresa

“Yale University”
Es la tercera universidad más antigua de los Estados Unidos de Norteamérica,

considerada la cuarta mejor del mundo según el ranking más empleado en el
ámbito académico (QS), solo detrás de Harvard, Cambridge y MIT.
Fig.1 Logo de la Universidad de Yale.
• Nombre: Yale University

• Valor estimado: 19.1 Billones de dólares americanos. (Segunda institución
académica más cotizada del mundo, después de Harvard University)
• Ranking Académico Mundial: 4
• Estudiantes: 11, 593
• Presidente: Richard Levin
• Ciudad: New Haven
• Estado: Connecticut
• Fundación: 1701
• Sitio web: www.yale.edu
8

2.2 Historia
Fundada en 1701 con el nombre de Collegiate School, cambio su nombre a Yale

College en 1718 en honor a Elihu Yale quien hizo la donación que permitió que
la universidad se establezca en sus inicios.
En 1861 la escuela de graduados de artes y ciencias de la Universidad de Yale se

convirtió en la primera institución en EEUU en otorgar el grado de Ph.D.
Siendo la segunda institución académica más valiosa del mundo (19.1 billones
de dólares), la universidad de Yale ha sido casa de 49 premios nobel, 5
presidentes de los Estados Unidos y varios presidentes de otros países como
Alemania, México y Filipinas.
Entre los personajes más destacados de Yale es posible encontrar al

matemático Josiah Willard Gibbs, el inventor del ciclotrón y ganador del premio
nobel de física Ernest Lawrence, el inventor Samuel Morse e incluso la reciente
ganadora del Oscar Meryl Streep.
La excelencia de Yale se mantiene en el siglo 21, con nuevas políticas para el

trabajo multidisciplinario implementadas en programas de doctorado como
Computational Biology y Physical Engineering Biology. Donde estudiantes y
profesores de las principales disciplinas de ingeniería interactúan con
estudiantes de biología y física para resolver los problemas más complejos de
las disciplinas en cuestión. Para esto la universidad cuenta con profesores de
gran trayectoria, cuyos conocimientos integran varias de estas disciplinas. Entre
ellos destaca Thomas Steitz, reciente ganador del premio nobel de química en
2009.
2.3 Organización
El órgano supremo de toma de decisiones de la universidad es conocido como

Yale Corporation, el cual es presidido por el presidente de la Universidad
Richard Levin y consta en total de 19 miembros.
A estos siguen los directores de:
• Yale college (Estudios de Pregrado)
• Graduate School of Arts and Sciences. (Escuela de postgrado)

9

A estos les siguen los directores de las diferentes escuelas profesionales de

Yale que son las siguientes:
• Escuela de Arquitectura
• Escuela de Arte
• Escuela de Divinidad
• Escuela de Drama
• Escuela de Ingeniería y ciencias aplicadas
• Escuela forestal y de estudios ambientales
• Escuela de leyes
• Escuela de administración
• Escuela de medicina
• Escuela de música
• Escuela de enfermería
• Instituto de Salud publica
Las prácticas pre profesionales en cuestión se llevaron a cabo en el Graduate School of

Arts and Sciences, en especial en el laboratorio del profesor Thierry Emonet. A
continuación detallo la parte de la organización relevante para los fines de mi práctica
pre profesional.
Ph.D. Thomas Pollard Ph.D. Thierry Emonet

Director de la Escuela para Director del laboratorio de
graduados en Artes y Ciencias Complex Systems
Ph.D. Amitabha Nandi Ph.D. Yann Dufour Ph.D. Carlotta Martelli

Desarrollo en Zebra Fish Chemotaxis en E. Coli Neuronas Olfativas en Drosophila
10
Ph.D. Michel Sneddon Lic. William Pontius Ing. Nicholas Frankel Luis Hernández
Computación Científica Física Ingeniería Ingeniería

2.4 Infraestructura y recursos del laboratorio

2.4.1 Cluster de computadoras para cálculos complejos y simulaciones
prolongadas:
Fig.2 Supercomputadora para cálculos complejos.
Datos:
Nodos: 128 Procesadores por nodo: 8
Memoria RAM por nodo: 32GB
Sistema operativo: Red Hat Enterprise Linux Server Release 5.8.
2.4.2 Microscopio de focalización perfecta
11
Fig.3 Microscopio (Nikon TI-E with perfect focus)

Especificaciones:
Etapa motorizada:
• Mesa XY (H117 ProSca).

• Controlador Digital (HR31)
• Porta muestras (H473XR)
Cámara
• Andor iXonEM+ 888 back-illuminated EMCCD Camera, 1024x1024.
Software
• NIS Elements Basic Research 3.0

• Andor Solis. Resoluciones:
Obj. CameraLens Mag. px length FOV width
10x 1.5x 1x 0.8772 um/px 898.25 um
10x 1.5x 1.5x 0.5882 um/px 602.32 um
100x 1.5x 1x 0.0870 um/px 89.04 um
100x 1.5x 1.5x 0.0578 um/px 59.19 um
Pixel size calculated using a EM ruler slide without camera 1.5X lens
10x na 1x 1.3051 um/px 1336.42 um
10x na 1.5x 0.8718 um/px 892.68 um
100x na 1x 0.1301 um/px 133.18 um
100x na 1.5x 0.0869 um/px 88.95 um
12

2.4.3 Sensor de fotoionización
Fig.4 Sensor de fotoionización
Tecnología del detector: Foto ionización con 10.6 eV RF- excitación por tubo de
descarga, sin electrodos.
Precisión: 5% para todos los rangos de ganancia.
Limite de detección: 50 partes por billón.
Razón del flujo de muestreo: 0.66-1.5 l/min
Frecuencia de corte del filtro anti-aliasing: 1000Hz.
Temperatura de operación: 0-40 C
2.4.4 Estación para sistemas microfluídicos
13
Fig. 5 Estación para sistemas microfluídicos.

2.5 Servicios
El laboratorio en cuestión tiene como único fin el desarrollo de nuevas tecnologías

y la generación de conocimientos nuevos. Es sostenido con fondos del National
Science Foundation de los estados Unidos, fondos del McDonell Foundation y del
Alfred Sloan Foundation. No brinda ningún servicio adicional a su fin principal.
2.6 Localización
La localización de la Universidad ya fue mencionada; no obstante, el tamaño de la
misma hace necesario que se precise la ubicación del laboratorio donde realizo la
mayor parte de mis labores.
Ubicación: Science Hill, Kline Biology Tower, décimo piso. 219 Prospect Street.
Fig.6 Kline Biology Tower
3. Actividades Desarrolladas
Las actividades desarrolladas durante mi práctica pre-profesional pueden
dividirse claramente en 3 partes diferentes, todas pertinentes al desarrollo del
mismo proyecto pero cuyos resultados aparecerán publicados en 2 artículos
separados.
3.1 Modelamiento y simulación del motor flagelar de la bacteria e. coli.

3.1.1 Chemotaxis Pathway
14 Uno de los circuitos bioquímicos más estudiados en la historia [4] es el

correspondiente al censado de químicos en la bacteria e.coli, que será denominado
‘chemotaxis pathway’ en el resto del presente informe.

Gracias al ‘chemotaxis pathway’ las bacterias pueden orientar su dirección de nado en

el sentido que le resulte más favorable a su metabolismo; es por ello que se cree que
ha sido optimizado por la evolución volviéndolo robusto, adaptable y eficiente [5]. Una
característica impensable en un sistema ingenieril.
Fig. 7 Circuito de chemotaxis en la bacteria e.coli
En la Fig.7 muestro el circuito en cuestión, siendo los receptores de transmembrana

(de color blanco en la figura) los sensores del sistema, ya que detectan la presencia de
ligandos externos. La información respecto a la cantidad de ligando es transmitida a la
proteína A que esta fija al arreglo de receptores por medio de la proteína w. A activa
(fosforila) a la proteína B cuya función es desmetilar a los receptores. Esta función le
permite a la bacteria resetearse y poder siempre detectar cambios en su ambiente
independientemente de la concentración basal de nutriente. La proteína R
constantemente metila a los receptores. R y B son las responsables de la adaptación
que puede ser definida como perfecta en gran cantidad de las bacterias que
típicamente forman parte de una población salvaje [6].
La proteína A, a su vez fosforila a la proteína Y cuya función es unirse a la proteína

maestra FliM (fija al motor flagelar) [7]. Cuando esto ocurre el motor al cual pertenece
FliM cambia su sentido de rotación.
Los motores flagelares típicamente giran en sentido antihorario, ello permite que los
flagelos formen una hélice giratoria que impulsa a la célula; no obstante, cuando un
motor comienza a girar en sentido contrario se rompe la hélice y se produce lo que
conocemos como un ‘tumble’ que no es otra cosa que el fenómeno por el cual la
bacteria se detiene y cambia su dirección de nado.
15 Este mecanismo le permite a la bacteria nadar en la dirección más favorable. Es decir,
si se encuentra más nutriente habrá más ligando y A no será fosforilada, en
consecuencia Y tampoco será fosforilada y FliM no se unirá con Y; esto hará que el

motor mantenga su sentido de giro y la célula seguirá nadando. En cambio, cuando no

se censa alimento, no hay ligando y el receptor no es metilado, en consecuencia A se
fosforila, fosforila a Y, Y se une a FliM y se cambia el sentido de giro del motor. Esto
hace que la célula se reoriente en una dirección más favorable.
Finalmente queda decir que la proteína Z se encarga de desfosforilar a la proteína Y,

esto permite terminar un ‘tumble’ e iniciar el nado en la dirección hacia la cual se
reorientó la bacteria.
Escherichia
3.1.2 Equivalencia con un sistema de ingeniería de control Coli
Motor y
Flagelos
Circuito
Bioquímico
Set Point
+- Controlado Actuador Planta
Sensor
Fig. 8 Chemotaxis bacteriano como un sistema de control.

Receptores de
Transmembrana
Como se muestra en la Fig. 8 el sistema total del chemotaxis bacteriano puede

separarse en módulos de tal manera que cada uno puede ser estudiado de manera
semi-independiente [8]. Esto facilita ampliamente el potencial de exploración del
mismo desde el punto de vista matemático y es en buena medida gracias a ello que
creemos posible la obtención de modelos matemáticos para cada uno de los diferentes
módulos. Siguiendo ese razonamiento, la primera labor que realicé durante el mes de
enero fue modelar el motor flagelar, luego probé el modelo contra los resultados
experimentales que obtuvo en su laboratorio nuestro colaborador Huengwon Park en
Harvard [9].
Cabe aclarar que existen varias versiones de modelos matemáticos creadas en los años
recientes (2000-2012) [10,11] respecto al motor flagelar así que esta primera labor que
16
me encomendaron fue más bien para validar los resultados de H. Park ya que
recientemente habían surgido ciertas dudas respecto a [9] basadas en las
concentraciones de CheY-P obtenidas en experimentos del laboratorio donde trabajo.

3.1.3 Modelo matemático

Pese a que ya hemos descrito el proceso por el cual el motor influye en el
comportamiento global del sistema aun no se ha mostrado en detalle cómo influye el
cambio de sentido de rotación en el flagelo. A continuación muestro la máquina de
estado que gobierna los cambios conformacionales del flagelo.
2
1
Fig. 9. Cambios conformacionales de los flagelos en la bacteria E.coli. [12]
En la Fig. 9 se hace evidente que en el caso 1, la bacteria nada debido a que todos los
motores giran en sentido antihorario y ningún flagelo ha cambiado su conformación
normal. En el estado 2, uno de los motores cambió su sentido de giro pero la bacteria
aun nada ya que el cambio conformacional aun no se ha propagado a través de todo el
flagelo. Luego de que transcurre el tiempo de propagación del cambio conformacional,
se llega al estado 3 en el que el flagelo 3 adoptó una conformación semi-enrrollada,
esto hace que se degenere la hélice y la bacteria experimenta un ‘tumble’.
El estado 3 es solo transitorio y luego de un tiempo λ se cambia a la conformaci

ón
Curly (estado 4) en la cual, aun cuando el motor siga girando en sentido antihorario el
flagelo puede unirse a la hélice. Finalmente cuando el motor regresa a su sentido de
giro original se pasa al estado 5, luego se espera nuevamente un tiempo para que se
propague en el flagelo el nuevo cambio conformacional y este adopte su estado
normal, con lo cual regresamos al estado 1.
17

Una representación matemática apropiada de esta máquina de estado es la que

muestro a continuación:
𝑓𝑖 (𝑡 + 𝑑𝑡)
𝑁𝑜𝑟𝑚𝑎𝑙 𝑠𝑖 𝑚𝑖 (𝑡 + 𝑑𝑡) = 𝐶𝐶𝑊 𝑦 𝑇𝑖𝑚 (𝑡) > (𝑑 + 𝑑𝑡)
⎧ ⎫
𝑆𝑒𝑚𝑖 − 𝑒𝑛𝑟𝑟𝑜𝑙𝑙𝑎𝑑𝑜 𝑠𝑖 𝑚𝑖 (𝑡 + 𝑑𝑡) = 𝐶𝑊 𝑦 𝑑 + 𝑑𝑡 < 𝑇𝑖𝑚 (𝑡) > (𝑑 + 𝑑𝑡 + 𝜆𝑖 )
=
⎨ 𝐶𝑢𝑟𝑙𝑦 𝑠𝑖 𝑚𝑖 (𝑡 + 𝑑𝑡) = 𝐶𝑊 𝑦 𝑇𝑖𝑚 (𝑡) > (𝑑 + 𝑑𝑡 + 𝜆𝑖 ) ⎬
⎩ 𝑓𝑖 (𝑡) 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜 ⎭
Siendo:
𝑓𝑖 (𝑡) ∶ 𝐸𝑠𝑡𝑎𝑑𝑜 𝑐𝑜𝑛𝑓𝑜𝑟𝑚𝑎𝑐𝑖𝑜𝑛𝑎𝑙 𝑑𝑒𝑙 𝑓𝑙𝑎𝑔𝑒𝑙𝑜 𝑖 𝑒𝑛 𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑡.
𝑚𝑖 (𝑡) ∶ 𝐸𝑠𝑡𝑎𝑑𝑜 𝑟𝑜𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙 𝑑𝑒𝑙 𝑚𝑜𝑡𝑜𝑟 𝑖 − é𝑠𝑖𝑚𝑜. (𝐶𝐶𝑊 = 0 𝐶𝑊 = 1)
𝑇𝑖𝑚 (𝑡) ∶ 𝑇𝑖𝑒𝑚𝑝𝑜 𝑞𝑢𝑒 𝑒𝑙 𝑚𝑜𝑡𝑜𝑟 𝑖 − é𝑠𝑖𝑚𝑜 ℎ𝑎 𝑝𝑒𝑟𝑚𝑎𝑛𝑒𝑐𝑖𝑑𝑜 𝑒𝑛 𝑒𝑙 𝑒𝑠𝑡𝑎𝑑𝑜 𝑚𝑖 (𝑡)
𝑑 = 0.015 𝑠 𝐸𝑠 𝑒𝑙 𝑡𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑝𝑟𝑜𝑝𝑎𝑔𝑎𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑐𝑎𝑚𝑏𝑖𝑜 𝑐𝑜𝑛𝑓𝑜𝑟𝑚𝑎𝑐𝑖𝑜𝑛𝑎𝑙 𝑒𝑛 𝑒𝑙 𝑓𝑙𝑎𝑔𝑒𝑙𝑜.
𝜆𝑖 = 0.2 𝑠 𝑇𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑡𝑟𝑎𝑛𝑠𝑖𝑐𝑖ó𝑛 𝑑𝑒 𝑒𝑠𝑡𝑎𝑑𝑜𝑠 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑓𝑙𝑎𝑔𝑒𝑙𝑜 𝑖 − é𝑠𝑖𝑚𝑜
Esta máquina de estado, bien definida por ([12],[13]) necesita ahora ser acoplada a la
curva biestable del motor con respecto a la concentración de la proteína Y fosforilada,
que de ahora en adelante será denominada como ‘CheY-P’, haciendo referencia a
chemotaxis protein Y más una P por el grupo fosfato que se ha adherido a la proteína.
En la Fig. 10 mostramos el ajuste de las curvas a los datos experimentales obtenidos en

[14]. Se introduce una nueva medida, denominada CW bias que hace referencia a la
probabilidad de un motor de estar rotando en sentido horario cuando se encuentra en
un ambiente libre de químicos detectables por la bacteria.
18
Fig. 10 Curva característica del comportamiento biestable de un motor flagelar de la
bacteria e.coli. [14]

Esta curva ayuda a describir la razón de cambio de un motor entre rotación antihoraria
y rotación horaria.
k+
CCW CW
k-
Fig. 11 Transición de estados en un motor flagelar con las razones de cambio k+.
Es conocido que el cambio de estado se produce cuando las fluctuaciones termales

superan cierta barrera de energía, que denominaremos ∆G haciendo referencia a
variación en energía libre de Gibbs. Esta variación en la energía libre es función de la
concentración de la proteína CheY-P y una expresión típica es la siguiente:
𝑔0 𝑔1 𝑌𝑝 (𝑡)
Δ𝐺(𝑡) = − ( )
4 2 𝑌𝑝 (𝑡) + 𝐾𝐷
Donde KD, g0 y g1 son las constantes que se deberán ajustar a los datos experimentales
(puntos rojos) mostrados en la Fig. 10.
A su vez, las razones de cambio entre un estado y otro pueden ser definidas como:
𝑘±= 𝜔𝑒 ±∆𝐺(𝑡)
Siendo ω el parámetro que determina la escala de tiempo en la que se producen los

cambios.
El ajuste de la curva produce los siguientes valores de los parámetros:
𝑔0 = 𝑔1 = 40 𝑘𝐵 𝑇
𝐾𝐷 = 3.06 𝜇𝑀
𝜔 = 1.3 𝑠 −1
Siendo kB la constante de Boltzman y T la temperatura en Kelvin.
Es importante aclarar que dada la naturaleza probabilística de las variables en cuestión

19
(CW bias es una probabilidad) y el ruido inherente al motor flagelar, se añade un
componente de ruido al sistema global al momento de programarlo.

La programación fue realizada en C++ y la función resultante es llamada desde un

script en MATLAB para hacer una simulación eficiente. Los resultados se muestran y
discuten en el capítulo 4.
3.1.4 Consideraciones de la simulación
Una vez que el modelo ha sido elaborado y codificado, es necesario codificar medidas
auxiliares que nos permitan analizar el comportamiento del motor en diferentes
ambientes. Esto no solo nos permitirá validar el modelo con experimentos existentes y
comprobar la coherencia de experimentos aun no validados, sino hacer predicciones
que guiaran el curso de experimentos futuros.
Para tal fin, se hace pertinente explicar una de las características fundamentales de la
respuesta característica de una bacteria e. coli a un estímulo externo.
Tiempo de adaptación: Es el tiempo que le toma a una bacteria recuperar sensitividad

luego de ser sometida a un gradiente químico. Tiene un valor característico para cada
bacteria dependiendo de los niveles de expresión de las proteínas que intervienen en
el ‘chemotaxis pathway’. Puede ser medida experimentalmente con el siguiente
procedimiento (el mismo será programado para obtener este parámetro en la
simulación):
a. Separar a una población bacteriana según rangos de su CW bias. Típicamente 8

grupos con igual rango entre 0 y 0.4.
b. Obtener la longitud promedio de las corridas continuas de las bacterias en ausencia

de estimulo. (Denominada Run0 en el presente informe).
c. Aplicar un estimulo químico equivalente a un escalón.
d. Tomar las medidas de las longitudes promedio de las corridas siguientes a la

aplicación del estímulo.
e. Sumar el tiempo empleado en todas las corridas y tumbles de las bacterias de cada
grupo hasta que en promedio la longitud de sus corridas converja al valor basal de
longitud de corrida Run0. Esta convergencia es tomada como indicador de adaptación a
un nuevo ambiente. Significa que la bacteria respondió al estimulo con un
comportamiento especifico; sin embargo, al ser constante el estimulo, la desmetilación
de los receptores por parte de B le permitió a la bacteria resetearse. Ahora su nueva
20 referencia es la concentración actual de químicos.

f. A la suma de tiempo obtenida en ‘e’ se le resta la longitud basal de corrida para

corregir la última lectura que por lo general es descartada por su cercanía a la corrida
basal. (Es un procedimiento con sustento empírico).
Si por ejemplo, solo las 3 corridas sucesivas a la aplicación del estimulo fueran más
largas que la basal. El tiempo de adaptación sería:
𝜏 = 𝑅𝑢𝑛1 + 𝑇𝑢𝑚𝑏𝑙𝑒1 + 𝑅𝑢𝑛2 + 𝑇𝑢𝑚𝑏𝑙𝑒2 + 𝑅𝑢𝑛3 − 𝑅𝑢𝑛0
De ahora en adelante el tiempo de adaptación será denominado 𝜏.
Este tiempo de adaptación es importante para nuestros fines, ya que determina la

forma de la respuesta a un estimulo de tipo escalón. Es por ello que la etapa previa al
motor de nuestra simulación requiere este parámetro para convertir la caída en
concentración de CheY-P en una función de respuesta dada por:
𝑌𝑝 = ��
𝑌𝑝 − 𝐷𝑟𝑜𝑝 × (𝑡 > 𝑡𝑒𝑠𝑡 ) × 𝑒 −(𝑡−𝑡𝑒𝑠𝑡 )/𝜏 − 𝑂𝑓𝑓𝑠𝑒𝑡
Fig. 12 Curva de respuesta ante un estimulo químico del tipo escalón.
En la ecuación anterior y la Fig. 12:
Drop: Caída en la concentración de CheYp producida por un gradiente químico de tipo

escalón.
Tau: tiempo de adaptación
test: tiempo en el que se aplica el estímulo
21 Offset: parámetro que defino para variar los niveles de CheYp en la simulación sin
alterar la dinámica del sistema.

3.1.5 Software creado para la simulación
El propósito de la simulación es confirmar los experimentos realizados en [9]. Para ello

se ha desarrollado una pequeña plataforma de simulación que integra código en
MATLAB y C++. Incluyendo scripts que desarrollan las siguientes funciones:
• SimMotorFast.cpp: Contiene el modelo de los motores y flagelos de una

bacteria. Esta codificado en C++. Recibe como entrada un vector de tiempo, el
tiempo de muestreo, el vector de concentraciones de CheY-P en el tiempo, la
cantidad de motores de la bacteria y el ruido del motor.
• ypVal.m: Función de la respuesta al estimulo de tipo escalón por parte de la
bacteria individual.
• GenerateBasicPopulation.m: Script donde he programado el modelo para
obtener una distribución de concentraciones de la proteína Y en estado
estacionario equivalente a la de la población bacteriana del experimento. El
histograma de esta población coincide con el experimental.
• AnalyseAllMotorSeriesFast.m: Procesa la información obtenida de los motores
de cada bacteria.
• ComputeRunsAndResponseTime.m: Calcula la longitud de las corridas de cada
bacteria, y el tiempo de respuesta que es equivalente al tiempo de adaptación.
• Muchos otros archivos para generación de graficas y creación de poblaciones
artificiales también han sido creados, no obstante los detallados anteriormente
constituyen la base para realizar las simulaciones.
3.2 Calculo de la difusión de proteínas en el citoplasma bacteriano

usando soluciones numéricas estocásticas espaciales.
En esta segunda parte del trabajo realicé el estudio de la difusión de la proteína E en el

citoplasma bacteriano y las reacciones de esta con los receptores de transmembrana,
esto es de gran utilidad para saber el real aporte de la constante metilación de los
receptores en la adaptación de la bacteria.
La cantidad media de proteínas R en el citoplasma esta cerca de las 140 proteínas, un

número muy pequeño, por ello es la proteína crítica en el sistema total [15]. Esta
característica hace que el sistema no pueda ser definido como un sistema de
ecuaciones diferenciales parciales; pues la concentración media pierde sentido. En
22
consecuencia necesitamos un abordaje numérico para resolver el sistema de
ecuaciones diferenciales estocásticas.

Otro aspecto que nos interesa investigar es el incremento del ruido en la formación de
complejos en la membrana con el tamaño de la superficie de la membrana celular
cubierta de receptores.
El software más adecuado para este tipo de análisis es VCell [16]. Emplearemos la
versión 5.1 beta ya que es la única que nos permite emplear smoldyn [17] que es el
solucionador numérico que necesitamos.
A continuación explico el entorno de VCell, como definí y restringí bien la simulación,

incluyendo la generación del volumen celular, la membrana y el posicionamiento del
substrato (receptores) y las enzimas (R).
1. Definición de la Simulación en VCell
a. Selección de compartimentos básicos de la simulación:
Fig. 13 Compartimentos definidos en VCell
En la Fig. 13 se muestran los compartimentos definidos:
EC: Espacio extracelular.
PM: Membrana celular.
Cell: Citoplasma celular.
También se muestran las proteínas en cuestión.
E: enzima, en nuestro caso es R.

23
S: substrato, en nuestro caso es T; es decir, los receptores.
ES: es el complejo formado por encima y substrato, es decir el receptor metilado.

b. Diagrama de reacciones
Solo muestra las reacciones, en nuestro caso solo es una.
Fig. 14 Diagrama de reacciones.
Como se muestra todas las reacciones ocurren en la membrana, dado que los
receptores están fijos en la misma, es la enzima R la que se difunde en el citoplasma y
eventualmente se aproxima a S a una distancia menos al radio de reacción, haciendo
que la probabilidad de que la reacción ocurra sea alta.
c. La geometría de una bacteria promedio se aproxima a un cilindro con terminaciones

semiesféricas a ambos lados. Es por ello que definimos la geometría mediante las
siguientes ecuaciones:
𝐺: (𝑥 2 + 𝑦 2 + 𝑧 2 < 0.452 ) × (𝑦 < 0) + (𝑥 2 + 𝑧 2 < 0.452 ) × (𝑦 ≥ 0) × (𝑦 < 1.6)

+ (𝑥 2 + (𝑦 − 1.6)2 + 𝑧 2 < 0.452 ) × (𝑦 > 1.6)
Obteniendo la siguiente geometría:
Fig. 15 Geometría de la Bacteria.
d. Especificaciones:
E S ES
Concentración Inicial 0.16 uM 96000(y<-0.41) molecules/um2 0.0
Constante de difusión 1.0 um2/s 0.0 0.0
Tipo de reacción: Ley de acción de masas

24
𝐽(𝑟𝑒𝑎𝑐𝑡𝑖𝑜𝑛 𝑟𝑎𝑡𝑒) = 𝐾𝑓 × 𝐸 × 𝑆 + 𝐾𝑟 × 𝐸𝑆
1
𝐾𝑓(𝑓𝑜𝑟𝑤𝑎𝑟𝑑 𝑟𝑎𝑡𝑒) = 44.0 𝑢𝑀×𝑠

1
𝐾𝑟(𝑟𝑒𝑣𝑒𝑟𝑠𝑒 𝑟𝑎𝑡𝑒) = 0.08
𝑠
Solver: Smoldyn (Spatial Stochastic Simulator)
Simulation Time: 500s Time step: 0.0001 s
e. Configuración espacial preliminar (antes de finalizar la simulación) 176 moléculas
Fig. 16 Concentración de Sustrato en la membrana. 0 moléculas
En el capítulo 4 se muestran los resultados de esta simulación y se comenta la

importancia de lo obtenido.
3.3 Estrategias de comportamiento explicadas desde la perspectiva del

motor flagelar.
En las dos actividades anteriores básicamente se valido modelos matemáticos dado

que ellos serán usados para esta actividad, que en realidad es el proyecto principal
en el que trabajé.
A continuación detallo el sustento para la realización de este proyecto, explico y

detallo el conocimiento nuevo que debe resultar del trabajo, la planeación del
mismo y su desarrollo. En el capítulo 4 muestro los resultados y hago las
observaciones correspondientes, finalizando con conclusiones y recomendaciones.
3.3.1 Ventajas y desventajas del fenotipo bacteriano en diferentes

ambientes.
Como ya se ha explicado en la actividad 3.1 nuestro objeto principal de estudio es el
chemotaxis bacteriano. Este le permite a las bacterias orientar su dirección de nado
hacia regiones más favorables. No obstante, es observable que algunas bacterias se
desempeñan con mayor efectividad que otras en un ambiente determinado.
Para explicar este punto tomamos como ejemplo el comportamiento en un ambiente

25
homogéneo (sin gradientes de nutriente) y otro con un gradiente empinado (alto
incremento de nutriente por unidad de longitud). Dichos ambientes pueden ser
vecinos, como mostramos en la Fig. 17. En el ambiente homogéneo, cierta

subpoblación de bacterias explora mejor; es decir, hace corridas más largas llegando a
una región espacial más amplia; mientras que otro grupo de la población, cuya
longitud de corrida típica es corta no llega a ciertas regiones y como consecuencia
recibe menos información de su ambiente.
Fig. 17. En un ambiente homogéneo se comportan mejor las bacterias exploradoras

mientras que en un gradiente son las seguidoras las que muestran mejor desempeño.
En determinado momento, las bacterias que exploran mejor llegaran a detectar alguna
concentración de alimento, desde ese punto orientaran su nado en la dirección en la
que se incrementa la cantidad de químico hasta que lleguen a la fuente de alimento.
En un momento más lejano, otras bacterias también podrán detectar ese gradiente
químico y lo seguirán. Finalmente un grupo de bacterias cuya habilidad explorativa es
muy baja, nunca detectará el alimento y morirá al no encontrar nutriente.
Sin embargo, si las bacterias empezaran dentro del gradiente los papeles terminarían
invertidos. Las bacterias con corridas más cortas llegarían antes a la fuente ya que su
frecuencia de muestreo es más alta (cada vez que termina una corrida elijen una nueva
dirección de nado) en base al ligando censado; esto implica que estas bacterias
encuentran el camino más rápido en presencia de gradiente mientras que no son muy
aptas para salir de ambientes homogéneos.
Este fenómeno de comportamiento es un complejo problema de costo beneficio,

26 aparentemente ninguna bacteria puede ser optima en ambas tareas (seguir y
explorar), mientras mejor se sigue peor se explora y viceversa. Muchos autores [18-20]
han sugerido que el ‘chemotaxis pathway’ ha sido totalmente optimizado por la

evolución; no obstante estas recientes observaciones nos conducen a poner en

cuestión dicha aseveración. Más aún, en base a [21] creemos que 3 parámetros
fundamentales rigen el comportamiento de una bacteria, ellos son tiempo de
adaptación, CWbias y ruido en las señales. Estos parámetros a su vez están
relacionados según se midió experimentalmente en [9].
En consecuencia, nuestra hipótesis inicial es que si relajamos las restricciones entre

ruido, tiempo de adaptación y CWbias, podremos encontrar grupos de bacterias que
se desempeñen mejor que la población salvaje. Relajar estas relaciones implicaría
retirar la correlación que existe entre el nivel de expresión de las proteínas del
chemotaxis pathway. Esto sería equivalente a fabricar mutantes cuyo operon ‘meche’
este fragmentado.
Para probar esta hipótesis empleamos una gran plataforma de simulación llamada the
Hive [22], que ha sido desarrollada durante 5 años en el laboratorio donde realicé mis
prácticas. Esta plataforma me permitió integrar y comunicar los modelos matemáticos
que describen diferentes funciones de la bacteria: reproducción, metabolismo,
chemotaxis, desplazamiento y estructura.
Gracias a ello el paso siguiente fue implementar todo el código respectivo usando
dicha plataforma como soporte y verificar si nuestra hipótesis respecto de la población
salvaje era cierta.
3.3.2 Construcción del modelo total
Las relaciones principales entre los parámetros del modelo a simular se muestran en la
Fig. 18.
27 Fig. 18. Relación entre el ruido, tiempo de adaptación y CWbias. [9]

Implementamos esta relación bajo el siguiente modelo de bacterial chemotaxis:
De manera similar a los modelos validados en [22-25], los dímeros de complejos

receptores Tar y Tsr fueron representados con un modelo de tipo Monod-Wyman-
Changeux (MWC) [26], donde los complejos cambian cooperativamente entre
conformaciones activas e inactivas. La probabilidad de estar en una conformación
activa es:
A( M , L) = (1 + e ε 0 +ε1M ⋅ F ( L)) −1
Donde M es el nivel medio de metilación de un receptor del complejo, L es la

concentración del químico externo, ε0 y ε1 son términos de energía libre y F(L) es la
contribución de energía libre que resulta de la unión del ligando cono el receptor. La
definimos como:
N TAR N TSR
 1 + L K TAR
off
  1 + L K TSR
off

F ( L) =    
 1 + L K TAR  1 + L K TSR
on on
 
Donde los parámetros K TAR

off
, K TAR
on
, K TSR
off
, y K TSR
on
son las constantes de disociación de
la reacción con el ligando en las conformaciones activas e inactivas de Tar y Tsr. NTAR y
NTSR son los números de dímeros de Tar y Tsr respectivamente.
La adaptación que resulta de la metilación persistente de CheR y la desmetilación de

CheB es modelada con la siguiente ecuación diferencial estocástica:
dM k r ⋅ (1 − A) k b ⋅ A3
G ( A) = = − + σ M2 τ M ξ (t )
dt K r + (1 − A) K b + A
Donde kr y kb son las razones catalíticas de metilación y desmetilación. Kr y Kb son las

constantes de Michaelis Menten de CheR y CheB respectivamente. σM es la desviación
estándar del ruido de metilación, τM es la escala de tiempo del ruido de metilación, ζ(t)
es un proceso aleatorio con distribución normal, media cero y varianza 1. Dado que la
fosoforilación de Y por parte de A es rápida con respecto a la dinámica del sistema,
podemos usar el valor de estado estacionario:
Y0 ⋅ A
YP =
KY + A
28
Donde Y0 es la concentración máxima de CheY-P, KY es la saturación media. A partir de

estas relaciones, sumadas a los modelos del motor y flagelo obtenidos en la actividad

3.1, ya estamos en condiciones de realizar una simulación del comportamiento de la

población completa.
3.3.3 Simulación del modelo restringido por las relaciones de la población salvaje
Para tener una medida cuantitativa del desempeño de la población empleamos dos
medidas:
• Drift Velocity: Se calcula dentro de una ventana de tiempo de 1 minuto, luego

del tiempo de equilibrio que en nuestra simulación es 500s. Solo se toma en
cuenta el desplazamiento en la dirección del gradiente. Por ejemplo si el
gradiente solo varía en la dirección del eje x tendremos:
𝑥𝑒𝑛𝑑_𝑡𝑤 − 𝑥𝑠𝑡_𝑡𝑤
𝑉𝑑𝑟𝑖𝑓𝑡 =
𝑡𝑖𝑚𝑒 𝑤𝑖𝑛𝑑𝑜𝑤
Es decir la variación de la posición en la dirección del gradiente químico dividida
entre la ventana de tiempo en que se hace el análisis.
Esta es una buena medida de la capacidad de una bacteria para seguir un

gradiente.
• Coeficiente de Difusión: También es medido en una ventana de tiempo.

Se calcula como la sexta parte de la pendiente de la recta que ajusta la
relación entre el desplazamiento cuadrático medio total en una ventana de
tiempo respecto al tiempo. Nos da una medida de las capacidades
explorativas de una bacteria. Se mide siempre en ambientes vacíos.
En resumen, cuando una bacteria tiene mayor drift velocity es una mejor
seguidora, mientras que una bacteria con mayor coeficiente de difusión es una
mejor exploradora.
Basándonos en ello realizamos una simulación con las siguientes características:
Combinaciones: 80, restringidas por las relaciones de CWbias, tiempo de

adaptación y ruido.
Células por combinación: 1000.
Tiempo de simulación: 1000 s.
Tiempo de equilibrio: 500 s.
Escala de longitud de los gradientes empleados: 100 um, 300um y 1000 um.
29
Motores por bacteria: 4, coordinados por el ruido.
Posición inicial de las bacterias: x=0. Dirección del gradiente: +x.

Con ello obtuvimos los siguientes resultados:

Tau
3.0
Gradiente Diluido
300
2.5
250
Drift Velocity
2.0
200
1.5
150
1.0
100
0.5
50
200 400 600 800 1000
Coeficiente de difusión
Tau
3.0
Gradiente Medio
300
2.5
Drift Velocity
250
2.0
200
1.5
150
1.0
100
0.5
50
200 400 600 800 1000
Tau
3.0
Gradiente Concentrado
300
2.5
250
Drift Velocity
2.0
200
1.5
150
1.0
100
0.5
30 50
200 400 600 800 1000
Fig. 19. Tradeoff de comportamiento en una población salvaje
Es claro que hay una tendencia común en los tres ambientes simulados, la única
manera de que una célula alcance una performance óptima en exploración (alto
coeficiente de difusión) es si sacrifica su desempeño como seguidora (bajo drift
velocity).
Luego de ello decidimos realizar una simulación mucho más grande para explorar la
hipótesis inicial, para ello generé diversas combinaciones de parámetros en diferentes
bacterias, construyendo así una población mutante de e.coli. Los resultados de esto y
su análisis se muestran en el capítulo 4.
3.3.4 Análisis ROC (Receiver Operating Characteristic) del desmepeño bacteriano.

Pese a haber mostrado ya la existencia de un tradoff de desempeño en las bacterias
e.coli. Nos quedaba pendiente explicar a qué se debe esto y sobre todo responder a la
pregunta: Si la bacteria no evolucionó para ser óptima en general entonces en base a
qué criterio evolucionó?
Se planeo resolver esto desde la perspectiva de la ubicación de las células en la curva
del motor. Es decir, si encontramos en que región del motor se encuentran las mejores
exploradoras y en cual las mejores seguidoras, podremos saber si las bacterias
evolucionaron para decidir bien cuando van en contra del gradiente o para evitar
equivocarse cuando van en la dirección correcta. Es decir para hacer más tumbles
cuando van contra el gradiente o para hacer menos tumbles cuando van a favor del
gradiente.
Originalmente era esperable que ambos eventos tuviesen igual importancia, por ello
asumimos que las células con mejor performance deberían estar en la mitad de la
curva del motor. Esto es razonable dado que en caso la bacteria nade en la dirección
del gradiente se moverá hacia el lado izquierdo de la curva minimizando su
probabilidad de generar un tumble, como se muestra en la Fig. 22. Mientras que si la
bacteria nada en la dirección opuesta, se mueve a la derecha de la curva maximizando
su probabilidad de generar un tumble, es decir maximizando la probabilidad de
reorientarse para nadar en la dirección correcta. Estar ubicada en el centro de la curva
del motor es equivalente a decir que es igualmente importante evitar tumbles cuando
se nada en dirección favorable que generar tumbles cuando se nada en la dirección
desfavorable.
31
Fig. 20 Hipótesis respecto a la ubicación de las mejores células en la curva del motor.
Adicionalmente, necesitábamos una división apropiada de las probabilidades de que la

bacteria decida bien dado que va en la dirección del gradiente (up) o la contraria
(down). Por ello optamos por emplear una herramienta común en machine learning
como el análisis ROC (receiver operating characteristic). Separamos nuestros casos
para satisfacer la siguiente convención:
RUN UP RUN DOWN
True Positive (TP) False Positive (FP)
TUMBLE UP TUMBLE DOWN
False Negative (FN) True Negative (TN)
Siendo nuestras medidas de desempeño las siguientes:
Sensitividad = TP/(TP+FN) = p(run|up)
Probabilidad de tomar la decisión correcta cuando nada hacia arriba del gradiente.
Especificidad = TN/(TN+FP) = p(tumble|down)
Probabilidad de tomar la decisión correcta cuando nada hacia abajo del gradiente.
Precisión = TP/(TP+FP) = p(up|run)
Fracción de las corridas que se hacen en la dirección correcta.
Accuracy = TP+TN
Probabilidad de tomar la decisión correcta.
El análisis de todos estos casos se hizo para muchas combinaciones de CWbias y

tiempo de adaptación, de manera que se obtuvo heatmaps de todas las variables y ello
nos condujo luego a analizar histogramas de la concentración de la proteína CheY-P
con respecto a la curva del motor. Todo esto será mostrado en el siguiente capítulo de
resultados ya que para ser explicado en detalle requiere mostrar los resultados de las
actividades anteriores y de las simulaciones descritas hasta aquí.
32

4. Presentación de Resultados
En este capítulo explicamos los resultados de cada una de las actividades
detalladas en el capítulo 3, comentando la trascendencia de los mismos y
emitiendo finalmente, conclusiones, observaciones y recomendaciones.
4.1 Resultados de la simulación de un motor flagelar de la bacteria e.coli

Como primera simulación comparamos las longitudes de las corridas de la
bacteria antes e inmediatamente después de percibir un estímulo. Lo esperable
es que la longitud de corrida sea mayor después del estímulo ya que la bacteria
queda condicionada a seguir una dirección mientras que antes se movía en
direcciones aleatorias.
Fig. 21 Primera corrida después de un estimulo vs. Corridas basales.
Ahora, si observamos a las longitudes de la segunda y tercera corrida,

encontramos resultados bastante ruidosos; por tal motivo decidimos que sería
mejor agrupar a las bacterias por su CWbias, y de ese modo obtuvimos
resultados limpios que nos permitieran observar como la bacteria se adapta y la
media se va aproximando a la longitud de corrida basal.
33
Fig. 22. El modelo cumple con la adaptación esperable de la bacteria.

El siguiente paso con nuestro modelo fue probar lo propuesto por H. Park ([9]),
para ello, probamos someter a la misma población de bacterias ante 2
estímulos de magnitud diferente. El propósito de esto es demostrar que si bien
la respuesta inmediata es muy diferente para ambos casos, la segunda y tercera
corridas adoptan valores muy cercanos, sugiriendo que la mayor parte de la
información respecto al estímulo se encuentra en la primera corrida,
planteando además que el mecanismo preponderante de respuesta está
gobernado por la memoria de la bacteria.
Fig. 23. Primera, Segunda y Tercera corrida posteriores a estímulos de diferente magnitud. Pese
a que el estímulo de 2 uM causa un impacto mayor en la primera corrida, en la segunda y
tercera casi se empareja con el estimulo de 0.5 uM demostrando lo planteado líneas arriba.
Más aún, al calcular el tiempo de respuesta confirmamos la tendencia, sugerida

por P. Cluzel (2010). Para ello usamos una población salvaje con distribución de
CWbias como la que se muestra la derecha en la Fig. 24.
34
Fig. 24 Relación entre tiempo de respuesta y CWbias. Distribución de CWbias en la población.

4.2 Resultado de la simulación del la difusión de la proteína R

Esta simulación permitió cotejar cálculos analíticos realizados para una
publicación que se está preparando en el laboratorio [27], donde realicé mis
prácticas; por tal motivo, lo importante fue obtener el nivel medio de complejo
formado y el ruido inherente al proceso. El resultado de la variación de la
encima y el complejo se muestra en la Fig. 25.
35
Fig. 25. Resultados respecto de la concentración del complejo y la enzima.

4.3 Estrategias de comportamiento explicadas desde la perspectiva de la

ubicación en la curva del motor flagelar.
Como primer punto para probar nuestra hipótesis respecto a la ubicación de las
mejores bacterias en la curva del motor, generamos una población de bacterias
artificiales retirando la limitación física de la relación entre tiempo de adaptación y
CWbias. Obtuvimos los siguientes resultados:
36

Fig. 26 Drift velocity vs coeficiente de difusión en 3 gradientes diferentes. Las marcas

varían con el tiempo de adaptación de la bacteria y el color con el CWbias.
De la Fig. 26 resulta evidente que aun relajando algunas limitaciones físicas del
sistema, existe una caída cuando el CWbias llega a 10-4. No obstante si hacemos una
comparación con la Fig. 19, notaremos claramente que un buen grupo de células de la
población artificial o mutante conserva alto desempeño como seguidora aun en altos
coeficientes de difusión.
La observación más relevante respecto a estos resultados resulta ser el nivel de

CWbias. En el pico esta alrededor de 10-2, esto implica que nuestra hipótesis respecto a
la ubicación de las mejores células en la curva del motor estaba equivocada. Las
bacterias no prefieren estar al medio de la curva del motor. Esto significa que no es
igualmente importante decidir bien cuando se nada en contra que evitar decidir mal
cuando se va a favor del gradiente.
Esto nos conduce a explorar el espacio de probabilidad condicional, usando el análisis

ROC descrito en la sección 3.3.4. Además exploramos la correlación de los diferentes
índices con el drift velocity para determinar que tipo de decisiones tienen influencia
37 directa en el desempeño de la bacteria como seguidora.

Sensitividad
Fig. 27 Análisis de sensitividad en el espacio paramétrico de la población mutante.
De aquí resulta increíble la evidente correlación de la sensitividad con el CWbias, esto

implica que las bacterias que mejor deciden cuando van hacia arriba del gradiente son
aquellas con menos CWbias. Esta grafica junto con la Fig. 26 nos sugieren que el lugar
más apropiado para las células en la curva del motor es cerca del umbral (como se
muestra en la Fig. 28). Para probar esto, realizamos un análisis semejante con los
demás índices de nuestro espacio de probabilidad condicional.
38
Fig. 28. Ubicación de las mejores células en la curva del motor.

Especificidad
Fig. 28 Análisis de especificidad en el espacio paramétrico de la población mutante.
La tendencia es contraria, mostrando que las bacterias que deciden mejor nadando
haca arriba del gradiente coincidentemente tienden a decidir peor cuando van hacia
abajo del gradiente. Esto nos hace intuir que la consecuencia lógica será que las que
deciden mejor y tiene mejor performance no estarán ubicadas en los extremos sino en
algún lugar al medio del heatmap, esto implicaría que para cada ambiente
efectivamente existe una combinación optima de tiempo de adaptación y CWbias.
Otra cantidad de interés es la fracción de corrida que se hacen en la dirección correcta.

39 Esto se debe a que no siempre la bacteria que corre mas en el sentido correcto
respecto al tiempo total que corre se desempeña mejor, ya que podría ocurrir que
haga tantos tumbles que el tiempo total que corre sea muy pequeño. En consecuencia

analizar la precisión nos ayudara a descartar esa posibilidad o en su defecto a

considerarla.
Precisión
Fig. 29 Análisis de precisión en el espacio paramétrico de la población mutante.
Afortunadamente, estos resultados muestran una clara correlación con el drift

velocity, lo cual nos permite descartar el caso mencionado en la página anterior.
Además se muestra que existe efectivamente regiones del espacio paramétrico donde
se concentran las células mas aptas para cada ambiente. El paso que resta para la
comprobación de nuestra hipótesis es mostrar que esto se sigue cumpliendo para la
40
probabilidad de una bacteria de decidir bien. Con ello mostraríamos claramente que
una bacteria que decide mejor en general tiene un equilibrio entre habilidades
explorativas y de seguimiento. Siendo la consecuencia mas grande de esto que las

bacterias aparentemente no evolucionaron para optimizar ambas tareas o una en

particular, sino que evolucionaron para tener la probabilidad mas alta de decidir bien
sea que van a favor o en contra del gradiente. Esto contradice gran parte de lo
asumido en la última década respecto al ‘chemotaxis pathway’.
Accuracy
Fig. 30 Análisis de accuracy en el espacio paramétrico de la población mutante.
Lo mostrado aquí confirma las sospechas descritas en la página anterior. La capacidad

41 de decidir bien esta correlacionada con el desempeño independientemente del
ambiente en el que se encuentre la bacteria.

En este trabajo no solo hemos mostrado que una bacteria no puede ser optima en sus
dos tareas fundamentales; sino que además hemos propuesto una predicción teórica
importante: “Las bacterias de e.coli no evolucionaron para maximizar su desempeño
explorativo o de seguimiento, sino que evolucionaron para decidir correctamente
cuando van a favor del gradiente; aun cuando esto pueda implicar perder performance
en ciertos ambientes.”
El ultimo punto que queremos demostrar es respecto a la ubicación de las mejores

células en la curva del motor; para ello, hemos graficado la frecuencia normalizada de
la concentración de la proteína Y forsforilada (CheY-P) en todo el tiempo de simulación
y la hemos graficado sobre la curva del motor. El color de cada curva representa el drift
velocity de dicho grupo de células.
Distribución de frecuencias en la Curva del Motor
42

43
Fig. 31 Distribución de frecuencias normalizadas de la concentración de CheY-P en la
curva del del motor, que en este caso es equivalente al tumbling bias (probabilidad de
un tumble)

En la Fig. 31 mostramos la distribución de frecuencias de CheYp para bacterias con

diferentes tiempos de adaptación (cada figura es para un tiempo de adaptación
distinto como se indica en su respectivo título). A su vez, cada curva es para un CWbias
diferente según indica cada leyenda. El color de cada curva viene determinado por el
drift velocity en el gradiente mas concentrado.
El análisis de estas curvas lo separaremos en 3 puntos:
Rango de CheYp:
Mientras el rango de CheYp es más amplio, el drift velocity crece siempre y cuando la
distribución este centrada lo suficientemente lejos de la concentración 0. El caso más
representativo es el de la subpoblación con CWbias más alto.
Tiempo de Adaptación y Distribución de CheYp
Otra tendencia es el incremento de la dispersión junto con el tiempo de adaptación.

Esto se debe a que mientras mayor sea el tiempo de adaptación, se integrará mas
ligando antes de hacer un tumble, en consecuencia los saltos en variación de CheYp
eran más grandes.
Región de las mejores bacterias
Las distribuciones con mejor performance son aquellas que se encuentran cerca del
umbral del motor, al lado izquierdo. Esto confirma nuestro replanteo de hipótesis y
contradice una fuerte sospecha en el campo [28], que indicaba que la bacteria
alcanzaba adaptación perfecta porque CheYp se ubicaba en el régimen lineal del
motor.
4.4 Habilidades obtenidas al concluir la práctica

• Capacidad de modelar fenómenos estocásticos, y resolver de manera analítica
sistemas de ecuaciones diferenciales estocásticas.
• Mejora del pensamiento critico, vital para la realización de un trabajo de
investigación minucioso.
• Mejore mis exposiciones ya que tuve que organizar semanalmente
presentaciones sobre mis avances y se me invito a realizar un seminario abierto
sobre mis avances en la escuela de medicina de la universidad de Yale, hubo
alrededor de 50 asistentes.
• Obtuve un entrenamiento que me permite ya no solo elaborar programas
44 separados sino realmente hacer ingeniería de software.
• Análisis probabilístico, llevar una cantidad a abundante de datos a un espacio
de probabilidad donde las tendencias puedan observarse más claramente.

• Métodos de optimización que se usaron para ajustar los modelos a los datos
experimentales. En especial ‘Markov Chain Monte Carlo Optimization’.
4.5 Observaciones, Conclusiones y Recomendaciones
4.5.1 Observaciones
Modelamiento y Simulación del Motor Flagelar
• La longitud de corrida disminuye con el CWbias, alargándose después de la

aplicación de un estímulo químico.
• La diferencia entre la longitud de las corridas segunda y tercera ante 2
estímulos químicos de diferente magnitud es mínima.
• Es necesario tomar el promedio de la respuesta para cada subpoblación de
CWbias debido a la alta variabilidad celular que hace extremadamente
dispersas las medidas.
Difusión de proteínas en el citoplasma bacteriano
• El tamaño del parche de receptores de transmembrana aparentemente

contribuye al ruido, si comparamos los resultados de la simulación y los
cálculos analíticos en una dimensión de [27].
• El modelo mostrado en [27] coincide con el valor medio en estado estacionario
simulado.
Estrategias de comportamiento explicadas desde la perspectiva del motor flagelar
• En la población salvaje existe una marcada diferencia entre las células que se
desempeñan mejor como exploradoras (alto coeficiente de difusión) y las que
trepan velozmente los gradientes (seguidoras).
• La generación de una población artificial donde se relajan las restricciones
físicas nos permite obtener mejores combinaciones de ambas habilidades
(explorar y seguir); no obstante, se sigue manifestando una caída en la curva de
Drift velocity vs Coeficiente de Difusión.
• Un análisis detallado de la toma de decisiones de las bacterias nos muestra que
el comportamiento global no es gobernado ni por decidir bien cuando se va
arriba del gradiente ni por decidir bien cuando se va hacia debajo de él; sino
por una combinación de ambos.
45
• La ubicación en la curva del motor en la cual las bacterias muestran mejor
desempeño es cerca del umbral hacia el lado izquierdo.
• Existe una alta correlación entre precisión, accuracy y drift velocity.

• Un mayor tiempo de adaptación permite integrar mas señal (ligando) y genera

distribuciones más planas en CheYp.
• CWbias extremadamente bajos hacen que nunca se integre suficiente señal
como para pasar el umbral del motor.
4.5.2 Conclusiones
• Dado que sólo la primera corrida post-estímulo muestra diferencias

significativas para las diferentes magnitudes del estimulo, podemos decir que la
mayor parte de información es procesada por la bacteria durante el tiempo que
toma la primera corrida, y la longitud de esta no se correlaciona con el tiempo
de adaptación ya que este se mide sobre el total de corridas hasta alcanzar la
longitud basal. En consecuencia, la respuesta no solo depende del tiempo de
adaptación sino también de la memoria de la bacteria.
• La corrección de los cálculos de [27] para pasar de 1 a 3 dimensiones fue

efectiva en base a lo observado, en consecuencia confirmamos aquí que la
estructura espacial del parche de receptores de transmembrana juega un rol
fundamental en la generación de ruido dentro del sistema. Este ruido sirve
para coordinar a los motores flagelares [13].
• Las bacterias de e.coli no evolucionaron para maximizar su desempeño

explorativo o de seguimiento, sino que evolucionaron para maximizar las
corridas arriba del gradiente; aun cuando esto pueda implicar perder
performance bajo ciertas condiciones ambientales.
4.5.3 Recomendaciones para el trabajo futuro

• El modelo matemático del motor se ajusta a los resultados experimentales de

[9]; no obstante, sigue siendo un misterio para la comunidad científica como es
posible que el sistema global muestre adaptación perfecta a pesar de que
CheYp no siempre se mueve dentro del régimen lineal del motor. En
46 consecuencia recomiendo indagar más en esto en el trabajo futuro.

• Haber confirmado la importancia de la estructura espacial de receptores de

transmembrana abre mas preguntas respecto a que consecuencias traería esto
si se construye un verdadero modelo de compartimentos. Desde el punto de
vista matemático esto implica un reto que deberá ser asumido en trabajos
futuros.
• Si bien hemos mostrado hasta aquí como la población de bacterias define su

estrategia a partir de su ubicación en la curva del motor y explicamos hacia
que fin evolucionó la bacteria individual, queda pendiente para el trabajo
futuro explicar como se beneficia la población de esta diversidad de fenotipos
en lugar de buscar evolucionar alrededor de un solo tipo de bacteria.
Recomendaciones Generales
• Un factor clave para poder realizar simulaciones como las hechas aquí es
integrar apropiadamente los diferentes modelos que forman parte del sistema.
Además de los mostrados se tuvo que incluir modelos para la replicación
celular, metabolismo, efectos de frontera, etc. Para ello recomendamos usar un
modelo basado en agentes, donde cada modelo pueda modificar ubicaciones
comunes de una base de datos. Este método reduce su error si la
calendarización de las actualizaciones es apropiada.
• La presencia de múltiples escalas de tiempo hace complejo el modelamiento y
programación; no obstante, este problema puede ser parcialmente resuelto al
incluir diferentes métodos numéricos para integrar las ecuaciones diferenciales
estocásticas con precisiones que varíen de acuerdo a la importancia de cada
subsistema en la dinámica total del sistema.
47

5. Referencias
[1] H. Kitano, “Systems Biology: A Brief Overview “, Science, Vol. 295 no. 5560 pp.
1662-1664, 2002.
[2] H. Kitano, “Computational Systems Biology”, Nature, Vol. 420 pp. 206-210, 2002.
[3] T. Ideker, T. Galitski, and L. Hood, “A NEW APPROACH TO DECODING LIFE: Systems
Biology “, Annual Review of Genomics and Human Genetics, Vol. 2, pp. 343-372, 2001.
[4] G. H. Wadhams, and J. P. Armitage, “Making sense of it all: Bacterial Chemotaxis,”

Nature Reviews Molecular Cell Biology, Vol. 5, pp. 1024-1037, 2004.
[5] M. Kollman, et al, “Design principles of a bacterial signaling network”, Nature, Vol.
438, pp. 504-507, 2005.
[6] T. M Yi, et al, “Robust perfect adaptation in bacterial chemotaxis through integral
feedback control”, Proceedings Of The National Academy of Science of America, Vol.
97, no. 9, pp. 4649-4653, 2000.
[7] J. A. Gegner, et al, “Assembly of an MCP receptor, CheW, and kinase CheA complex
in the bacterial chemotaxis signal transduction pathway”, Cell, Vol. 70, no. 6, pp. 975-
982, 1992.
[8] T. Emonet, et al, “Agent Cell: a digita single-cell assay for bacterial chemotaxis”,
Bioinformatics, Vol. 21, no. 11, pp.2714-2721, 2005.
[9] H.Park, et al, “Interdependence of behavioral variability and response tos mall
stimuli in bacteria”, Nature, Vol. 468, pp. 819-823, 2010.
[10] P.Cluzel, M. Surette, and Stanislas Leibler, “An Ultrasensitive Bacterial Motor
Revealed by Monitoring Signaling Proteins in Single Cells”, Science, Vol. 287, no. 5458,
pp. 1652-1655, 2000.
[11] J. Yuan, R. W. Branch, B. G. Hosu, and H. Berg, “Adaptation at the output of the
chemotaxis signaling pathway”, Nature Vol. 484, pp. 233-236, 2012.
[12] M. W. Sneddon, W. Pontius, and T. Emonet, “Stochastic coordination of multiple

actuators reduces latency and improves chemotactic response in bacteria”,
Proceedings of the National Academy of Science, Vol. 109, no. 3, pp. 805-810, 2012.
[13] N. C. Darnton, L. Turner, S. Rojevsky, H. C. Berg, “On torque and tumbling in

48
swimming Escherichia coli”, Journal of Bacteriology, Vol. 189, pp. 1756–1764, 2007.

[14] P. Cluzel, M. Surette, S. Leibler, “An ultrasensitive bacterial motor revealed by

monitoring signaling proteins in single cells”, Science, Vol. 287, pp. 1652–1655, 2000.
[15] U. Alon, M. Surette, N. Barkai, and S. Leibler, “Robustness in Bacterial

Chemotaxis”, Nature, Vol. 397, pp. 168-171, 1998.
[16] J. C. Schaff et al, “Virtual cell modeling and simulation environment”, Systems
Biology IET, Vol. 2, no. 5, pp. 352-362, 2008.
[17]D. V. Gladkov et al, “Accelerating the smoldyn spatial stochastic biochemical

reaction network simulator using GPUs”, Proceedings of the 19th High Performance
Computing Symposia, San Diego, CA, USA, 2011.
[18] Løvdok L, Bentele K, Vladimirov N, Müller A, Pop FS, et al. (2009) Role of
Translational Coupling in Robustness of Bacterial Chemotaxis Pathway. PLoS Biol 7(8):
e1000171. doi:10.1371/journal.pbio.1000171
[19] Luo J, Wang J, Ma TM, Sun Z (2010) Reverse Engineering of Bacterial Chemotaxis
Pathway via Frequency Domain Analysis. PLoS ONE 5(3): e9182.
doi:10.1371/journal.pone.0009182
[20] O. S. Soyer, and R. A. Goldstein, “Evolution of response dynamics underlying

bacterial chemotaxis”, BMC Evolutionary Biology, Vol. 11, pp. 240-250, 2011.
[21] E. Korobkova, T. Emonet, J. Vilar, T. Shimizu, and P. Cluzel, “From molecular noise
to behavioral variability in a single bacterium”, Nature, Vol. 428, pp. 574-578, 2004.
[22]M. Sneddon, “Overcoming Complexity in Systems Biology Modeling and

Simulation”, PhD dissertation, Yale University, 2012.
[23] B. Mello and Y. Tu, “An allosteric model for heterogeneous receptor complexes:
Understanding Bacterial chemotaxis responses to multiple stimuli”, Proceedings of the
National Academy of Sciences, Vol. 102, no. 48, pp. 17354-17359, 2005.
[24] A. Celani. T. S. Shimizu, and M. Vergassola, “Molecular and functional aspects of

bacterial chemotaxis”, Journal of Statistical Physics, Vol. 144, no. 2, pp. 219-240, 2011.
[25] B. Mello and Y. Tu, “Effects of adaptation in maintaining high sensitivity over a
wide range of backgrounds for e. coli chemotaxis”, Biophysical Journal, Vol. 92, no. 7,
pp. 2329-2337, 2006.
49 [26] J. Monod, J. Wyman, and J.P. Changeux, “On the nature of allosteric transitions: a
plausible model”, Journal of Molecular Biology, Vol. 12, pp. 88-118, 1965.

[27] W. Pontius, T. Emonet, “Effects of receptor cluster geometry in bacterial

chemotaxis robustness”, in preparation, Emonet Lab, Yale University, 2012.
[28] N. Vladimirov and V. Sourjik, “Chemotaxis: how bacteria use memory”, Biol.
Chem., Vol. 390, pp. 1097-1104, 2009.
50

Informe de Practicas Pre-Prodfesionales

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Informe de Practicas Pre-Prodfesionales

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDAD NACIONAL DE INGENIERÍA

FACULTAD DE INGENIERÍA MECÁNICA

INFORME DE PRÁCTICAS PRE-PROFESIONALES

ALUMNO : Luis Alonso Hernández Núñez

FECHA : 7 de Mayo de 2012

INSTITUCIÓN: Yale University,

New Haven, Connecticut, EEUU.

En primer lugar agradezco a todos quienes fueron mis maestros

De la misma manera agradezco al Dr. Thierry Emonet, quién ha

A los doctores Amitabha Nandi, Carlotta Martelli, Yann Dufour,

También es mi deseo agradecer a mis padres y mi hermana, ya

UNI | Universidad Nacional de Ingeniería – Facultad de Ingeniería Mecánica (FIM)

UNI | Universidad Nacional de Ingeniería – Facultad de Ingeniería Mecánica (FIM)

UNI | Universidad Nacional de Ingeniería – Facultad de Ingeniería Mecánica (FIM)

La alta complejidad inherente a los sistemas biológicos ha dado lugar en los

En el marco de esta situación, la Universidad de Yale integra en grupos de

Mi práctica pre profesional se llevó a cabo precisamente en un grupo de

Las actividades que he realizado varían desde elaborar, programar y probar el

Esta experiencia me permitió exponerme a una situación real de trabajo, ya que

UNI | Universidad Nacional de Ingeniería – Facultad de Ingeniería Mecánica (FIM)

• CTIC-UNI: Nano satélite Chasqui I

En la investigación que realizo en la Universidad de Yale me han sido de utilidad los

Micro y nano manipulación, vibraciones mecánicas, control moderno y óptimo,

Mecánica cuántica, dinámica molecular, programación en python y programación

UNI | Universidad Nacional de Ingeniería – Facultad de Ingeniería Mecánica (FIM)

1.2.1 Objetivos Generales

• Realizar labores de ingeniero practicante de investigación en la universidad de

1.2.2 Objetivos Específicos

1.2.3 Objetivos del presente informe

1.3 Descripción del informe

El presente informe está organizado según las recomendaciones brindadas en la

En el capítulo 2 doy alcances respecto a la historia y visión de la universidad de

Posteriormente, en el capítulo 3 enumero y explico el flujo de actividades que he

UNI | Universidad Nacional de Ingeniería – Facultad de Ingeniería Mecánica (FIM)

2.1 Datos de la empresa

Es la tercera universidad más antigua de los Estados Unidos de Norteamérica,

Fig.1 Logo de la Universidad de Yale.

• Nombre: Yale University

UNI | Universidad Nacional de Ingeniería – Facultad de Ingeniería Mecánica (FIM)

Fundada en 1701 con el nombre de Collegiate School, cambio su nombre a Yale

En 1861 la escuela de graduados de artes y ciencias de la Universidad de Yale se

Entre los personajes más destacados de Yale es posible encontrar al

La excelencia de Yale se mantiene en el siglo 21, con nuevas políticas para el

El órgano supremo de toma de decisiones de la universidad es conocido como

A estos siguen los directores de:

• Yale college (Estudios de Pregrado)

• Graduate School of Arts and Sciences. (Escuela de postgrado)

UNI | Universidad Nacional de Ingeniería – Facultad de Ingeniería Mecánica (FIM)

A estos les siguen los directores de las diferentes escuelas profesionales de

Las prácticas pre profesionales en cuestión se llevaron a cabo en el Graduate School of

Ph.D. Thomas Pollard Ph.D. Thierry Emonet

Ph.D. Amitabha Nandi Ph.D. Yann Dufour Ph.D. Carlotta Martelli

UNI | Universidad Nacional de Ingeniería – Facultad de Ingeniería Mecánica (FIM)

2.4 Infraestructura y recursos del laboratorio

Fig.2 Supercomputadora para cálculos complejos.

Nodos: 128 Procesadores por nodo: 8

Memoria RAM por nodo: 32GB

Sistema operativo: Red Hat Enterprise Linux Server Release 5.8.

2.4.2 Microscopio de focalización perfecta

UNI | Universidad Nacional de Ingeniería – Facultad de Ingeniería Mecánica (FIM)

• Mesa XY (H117 ProSca).

• Andor iXonEM+ 888 back-illuminated EMCCD Camera, 1024x1024.

• NIS Elements Basic Research 3.0

Obj. CameraLens Mag. px length FOV width