[论文解读] From differential equations to Boolean networks: A Case Study in modeling regulatory networks

Maria Davidich, Stefan Bornholdt|arXiv (Cornell University)|Jul 7, 2008

Gene Regulatory Network Analysis参考文献 27被引用 4

一句话总结

本文在裂殖酵母细胞周期的背景下，建立了常微分方程（ODE）模型与布尔网络之间的数学上严格的关联。通过对具有单调S型函数（特别是米氏动力学）的ODE应用粗粒化极限，证明了布尔网络能够准确再现ODE模型中的调控状态序列，验证了布尔网络作为在动力学细节未知或计算成本过高的系统中一种可靠且参数较少的替代方法。

ABSTRACT

Methods of modeling cellular regulatory networks as diverse as differential equations and Boolean networks co-exist, however, without any closer correspondence to each other. With the example system of the fission yeast cell cycle control network, we here set the two approaches in relation to each other. We find that the Boolean network can be formulated as a specific coarse-grained limit of the more detailed differential network model for this system. This lays the mathematical foundation on which Boolean networks can be applied to biological regulatory networks in a controlled way.

研究动机与目标

• 建立详细ODE模型与简化布尔网络模型之间基因调控网络的正式数学关系。
• 研究布尔网络是否可作为在生物学相关系统中ODE模型的粗粒化极限推导得出。
• 验证布尔模型在无需动力学参数的情况下，能否重现原始ODE模型的动力学序列与鲁棒性。
• 提供一种系统化框架，通过明确定义的数学变换，将基于ODE的调控网络转换为布尔网络。

提出的方法

• 本研究以裂殖酵母细胞周期为模型系统，基于Novak等人（2001年）的ODE模型。
• 对具有单调S型函数的ODE应用粗粒化过程，特别是米氏动力学，将连续变量映射为二值的开/关状态。
• 使用具有明显上下限渐近线的S型函数，以模拟开关式行为，实现从连续动力学到离散逻辑的过渡。
• 将中间或高浓度水平的变量拆分为独立的布尔节点，以保留简单开/关状态无法捕捉的功能差异。
• 通过从ODE模型的调控结构中推导出的逻辑更新函数，构建最终的布尔网络。
• 通过对比原始ODE模型的状态序列、吸引子结构以及对扰动（如基因敲除）的响应，验证模型行为。

实验结果

研究问题

• RQ1 能否从数学上明确定义地将详细ODE模型的调控网络推导为布尔网络的粗粒化极限？
• RQ2 所得布尔模型是否能重现与原始ODE模型相同的动力学状态序列？
• RQ3 布尔模型对初始条件变化及基因敲除等扰动的鲁棒性如何？
• RQ4 在何种条件下，ODE到布尔网络的映射能保持系统定性行为的保真性？

主要发现

• 在相同生物条件下初始化时，布尔网络模型成功再现了与原始ODE模型相同的细胞周期状态序列。
• 布尔模型表现出一个主导吸引子状态，可捕获67%的轨迹，与原始ODE模型中观察到的生物稳态行为一致。
• 模型对初始条件保持鲁棒，表明粗粒化过程保留了系统的关键动力学特征。
• 当ODE使用具有明显渐近线的单调S型函数（如米氏动力学）时，从ODE到布尔模型的转换是有效的。
• 将S型函数替换为其他形式（如Hill函数或误差函数）不会显著改变系统行为，支持该映射的普适性。
• 该方法允许在布尔框架中建模突变，且结果与ODE模型预测一致，证实了两种方法之间的一致性。