[论文解读] CoHSI I; Detailed properties of the Canonical Distribution for Discrete Systems such as the Proteome

Les Hatton, Gregory W. Warr|arXiv (Cornell University)|Jun 21, 2018

Statistical Mechanics and Entropy参考文献 13被引用 6

一句话总结

本文引入了CoHSI（Hartley-Shannon信息守恒）分布作为离散系统（如蛋白质组、软件和文本）的基本统计模型。通过在统计力学框架内施加信息论约束，推导出一种自然产生幂律尾部和单峰峰值的分布，解释了平均组分长度的守恒性以及长组分的频繁出现，而无需依赖局部机制（如自然选择或人为设计）。

ABSTRACT

The CoHSI (Conservation of Hartley-Shannon Information) distribution is at the heart of a wide-class of discrete systems, defining the length distribution of their components amongst other global properties. Discrete systems such as the known proteome where components are proteins, computer software, where components are functions and texts where components are books, are all known to fit this distribution accurately. In this short paper, we explore its solution and its resulting properties and lay the foundation for a series of papers which will demonstrate amongst other things, why the average length of components is so highly conserved and why long components occur so frequently in these systems. These properties are not amenable to local arguments such as natural selection in the case of the proteome or human volition in the case of computer software, and indeed turn out to be inevitable global properties of discrete systems devolving directly from CoHSI and shared by all. We will illustrate this using examples from the Uniprot protein database as a prelude to subsequent studies.

研究动机与目标

• 将CoHSI分布确立为蛋白质组、软件和文本等离散系统的一种通用模型。
• 解释尽管进化或设计历史各不相同，平均组分长度为何在多种系统中高度保守。
• 证明长组分并非罕见异常，而是CoHSI分布全局特性的必然结果。
• 为使用CoHSI方程进行组分长度分布的可重复分析，提供计算框架。
• 为后续论文采用此信息论方法对蛋白质组进行详细分析奠定理论基础。

提出的方法

• 构建一个统计力学模型，其中所有微观态等概率，并将Hartley-Shannon信息守恒（CoHSI）作为全局约束条件应用。
• 利用CoHSI方程推导组分长度分布的隐式解：$ \log t_i + \frac{1+8t_i+24t_i^2}{6(t_i+4t_i^2+8t_i^3)} = -\alpha - \beta \left( \frac{d}{dt_i} \log N(t_i, a_i; a_i) \right) $，其中 $ N $ 表示从大小为 $ a_i $ 的字母表中排列 $ t_i $ 个符号的有序组合数。
• 采用Ramanujan对 $ \log t_i! $ 的近似，提升小 $ t_i $ 情况下的精度，增强解的保真度。
• 通过参数空间 $ \alpha, \beta $ 的三维视角图分析分布行为，揭示其不同的响应模式。
• 证明 $ \alpha $ 控制归一化，$ \beta $ 控制大组分的幂律斜率，而两者共同塑造小组分的峰值形态。
• 验证模型的尺度不变性，并确认其可渐近逼近幂律分布。

实验结果

研究问题

• RQ1 为何在蛋白质组和软件等不同离散系统中，尽管局部机制各异，平均组分长度仍高度保守？
• RQ2 在指数分布下长组分本应罕见，为何在蛋白质组等系统中长组分却频繁出现？
• RQ3 CoHSI方程中的参数 $ \alpha $ 和 $ \beta $ 如何共同影响分布的峰值与尾部分布行为？
• RQ4 在真实系统（如TrEMBL）中观察到的长度分布，在多大程度上可由一个最小信息论模型解释，而无需引入选择或设计机制？
• RQ5 为何分布的众数在参数变化下表现出与均值和中位数不同的行为？

主要发现

• CoHSI方程能以高精度对蛋白质组、软件和文本等离散系统的组分长度分布进行建模。
• 该分布对大组分渐近逼近幂律，与TrEMBL等实际系统中的经验观察一致。
• 参数 $ \beta $ 控制互补累积分布函数（ccdf）的幂律斜率，TrEMBL中的典型值约为 $ \beta \sim 0.1 $。
• 参数 $ \alpha $ 控制归一化，对小 $ \beta $ 时的均值和中位数影响极小，表明在大组分尺度下二者实现解耦。
• 众数随 $ \alpha $ 增大而增加，随 $ \beta $ 增大而减小，其行为与均值和中位数相反（后者均随 $ \alpha $ 和 $ \beta $ 增大而上升），表现出反常特征。
• CoHSI分布具有尺度不变性，因其不显式依赖于组分总数 $ T $，支持其在不同规模系统中的普适性。