[论文解读] Molecular Systems with Infinite and Finite Degrees of Freedom. Part II: Deterministic Dynamics and Examples

Luca Sbano, Markus Kirkilionis|ArXiv.org|Feb 28, 2008

Gene Regulatory Network Analysis参考文献 18被引用 7

一句话总结

本文提出一个数学上严谨的框架，通过连续极限和慢变量近似，从具有有限与无限自由度的随机分子系统中推导出确定性宏观动力学。该框架不依赖于宏观时间尺度分离，而是通过微观跃迁速率的缩放，推导出酶样动力学（如米氏方程和希尔方程），其平均动力学依赖于控制分子机器的马尔可夫链的不变测度。

ABSTRACT

In this paper we consider deterministic limits of molecular stochastic systems with finite and infinite degrees of freedom. The method to obtain the deterministic vector field is based on the continuum limit of such microscopic systems which has been derived in [11]. With the aid of the theory we finally develop a new approach for molecular systems that describe typical enzyme kinetics or other interactions between molecular machines like genetic elements and smaller communicating molecules. In contrast to the literature on enzyme kinetics the resulting deterministic functional responses are not derived by time-scale arguments on the macroscopic level, but are a result of time scaling transition rates on the discrete microscopic level. We present several examples of common functional responses found in the literature, like Michaelis-Menten and Hill equation. We finally give examples of more complex but typical macro-molecular machinery.

研究动机与目标

• 建立一种系统化方法，从具有有限（大分子）与无限（小信号分子）自由度的随机分子系统中推导出确定性动力学。
• 通过从时间缩放的跃迁速率推导出米氏方程与希尔方程等函数响应，而非依赖宏观假设，为经典酶动力学提供微观基础。
• 通过将分子机器的离散马尔可夫链与小分子的连续动力学相结合，对离子通道与基因调控器等复杂分子机器进行建模。
• 通过在取确定性极限前将随机性嵌入微观模型，实现对大分子低拷贝数系统中噪声效应的系统分析。
• 为将该框架扩展至空间分布系统奠定基础，同时保持大分子机器的离散性。

提出的方法

• 为具有有限状态分子机器（σ ∈ Σ）与无限状态小分子（n ∈ ℕ^N）的系统构建混合主方程（ME），使用差分算子与马尔可夫链生成元。
• 对ME应用连续极限，将其转化为含小参数ε的福克-普朗克方程（FPE），ε代表分子机器动力学与小分子跃迁之间的时间尺度分离。
• 通过ε → 0的渐近展开实施慢变量近似，得到以马尔可夫链不变测度为平均的主导阶确定性动力学，表现为常微分方程组。
• 将平均动力学表示为由通量函数A_i^(σ)(x)加权的不变测度μσ(x)的凸组合，从而得到浓度x_i的确定性常微分方程组。
• 引入微观跃迁速率的时间缩放过程，以生成宏观功能响应，而无需依赖人为的时间尺度分离假设。
• 将该框架应用于酶动力学与多室系统建模，展示多链马尔可夫过程中产物形式不变测度如何导致耦合动力学的出现。

实验结果

研究问题

• RQ1 如何从具有混合有限与无限自由度的随机分子系统中严格推导出确定性动力学？
• RQ2 经典酶动力学（如米氏方程与希尔动力学）能否通过微观跃迁速率缩放而非宏观时间尺度假设来推导？
• RQ3 控制分子机器的有限状态马尔可夫链的不变测度如何影响最终的确定性宏观动力学？
• RQ4 多个分子机器之间的耦合（如在多室系统中）对信号分子的功能响应有何影响？
• RQ5 如何通过该框架系统性地将噪声与非平衡效应纳入分子机器宏观模型？

主要发现

• 确定性极限被表示为常微分方程组，其中小分子浓度的动力学在分子机器马尔可夫链的不变测度上取平均。
• 米氏方程与希尔型动力学自然地从框架中涌现，源于微观跃迁速率的时间缩放，而非宏观假设。
• 对于两个独立分子机器（如O_p与O_q）的系统，信号分子X的生成速率由饱和函数之和给出：ẋ = -δ_X x + γ_p (k_p a_p / (h_p + k_p a_p)) + γ_q (k_q a_q / (h_q + k_q a_q))。
• 当X的生成依赖于两个分子机器的联合状态（如γ_i ≠ γ_k）时，动力学无法分解为a_p与a_q的独立函数，表明存在耦合信号传导。
• 当马尔可夫链为独立链的乘积时，该框架允许解耦贡献，从而在最终动力学中保持模块性。
• 该方法为建模复杂分子机器（包括基因回路与离子通道）提供统一且数学严谨的途径，且具有明确的微观假设。