[论文解读] Stochastic fluctuations can reveal the feedback signs of gene regulatory networks at the single-molecule level

Chen Jia, Peng Xie+2 more|arXiv (Cornell University)|Mar 19, 2017

Gene Regulatory Network Analysis参考文献 33被引用 6

一句话总结

本文提出了一套理论框架，利用单分子基因表达中的随机波动，推断基因调控网络的反馈拓扑结构（正反馈、负反馈或无反馈）。通过推导非线性反馈下蛋白表达的解析稳态分布，揭示了噪声分解——特别是反馈系数与开关噪声——可唯一确定反馈符号，且该结论已通过人细胞中合成回路的实验数据验证。

ABSTRACT

Understanding the relationship between spontaneous stochastic fluctuations and the topology of the underlying gene regulatory network is of fundamental importance for the study of single-cell stochastic gene expression. Here by solving the analytical steady-state distribution of the protein copy number in a general kinetic model of stochastic gene expression with nonlinear feedback regulation, we reveal the relationship between stochastic fluctuations and feedback topology at the single-molecule level, which provides novel insights into how and to what extent a feedback loop can enhance or suppress molecular fluctuations. Based on such relationship, we also develop an effective method to extract the topological information of a gene regulatory network from single-cell gene expression data. The theory is demonstrated by numerical simulations and, more importantly, validated quantitatively by single-cell data analysis of a synthetic gene circuit integrated in human kidney cells.

研究动机与目标

• 理解基因表达中的内在随机波动如何与基因调控网络的拓扑结构相关联。
• 解决从噪声单细胞基因表达数据中推断反馈拓扑结构（正反馈、负反馈或无反馈）的挑战。
• 开发一种从单细胞数据中提取拓扑信息的方法，且无需预先知晓动力学参数。
• 通过人肾细胞中合成基因回路的实验数据验证理论框架。

提出的方法

• 推导具有非线性反馈调控的三阶段马尔可夫模型中随机基因表达的解析稳态蛋白分布。
• 提出一种噪声分解公式，将总蛋白噪声分解为无反馈噪声、启动子开关噪声（ηs）和反馈系数（ηf），该公式在快速启动子开关条件下有效。
• 利用有效转录率的函数形式 cn = (an s + bn r)/(an + bn) 编码反馈拓扑结构：正反馈时递增，负反馈时递减。
• 将该分解方法应用于单细胞数据，通过从实验分布中估计 ηf 和 ηs 来推断反馈符号。
• 通过在不同反馈强度和开关速度下进行数值模拟验证该方法。
• 采用 Gillespie 算法进行随机模拟，并分析人细胞中合成基因回路的真实单细胞数据。

实验结果

研究问题

• RQ1 单分子基因表达中的随机波动能否揭示基因网络中反馈调节的符号？
• RQ2 非线性反馈调控如何影响蛋白拷贝数的稳态分布？
• RQ3 能否通过噪声分解从单细胞表达数据中推断出基因调控网络的拓扑结构（正反馈、负反馈或无反馈）？
• RQ4 启动子开关噪声（ηs）和反馈系数（ηf）在区分反馈类型中起什么作用？
• RQ5 该方法对实验噪声和反馈调控中的非线性有多大的鲁棒性？

主要发现

• 反馈系数 ηf 在正反馈时为正，在负反馈时为负，使得仅通过噪声分解即可直接推断反馈符号。
• 理论预测在负反馈网络中，蛋白噪声的下限为 1/q⟨n⟩，且在强抑制区域该下界比以往近似更紧密。
• 数值模拟证实，正反馈中总噪声随反馈强度增加而增加，负反馈中则减少，与解析预测一致。
• 该方法成功识别出人肾细胞中合成基因回路单细胞数据的反馈拓扑结构，实现定量验证。
• 分解公式即使在高非线性条件下，也能稳健估计全部三种噪声分量（无反馈噪声、开关噪声和反馈噪声）。
• 该方法在快速启动子开关条件下依然有效，为先前工作中使用的扩散近似提供了一种非微扰、解析的替代方案。