مدل‌‌سازی شبکه‌‌های تنظیم ژنی: مدل‌های کلاسیک، اختلال بهینه برای شناسایی شبکه

ارتقای عمق و گستره درک ما از دانش زیست شناسی ملکولی، از یک سو امکان بهره ‌برداری از آن را در توسعه فناوری هایی مانند رمزگشایی فراهم ساخته است و از سوی دیگر، مداخله در سیستم ژنتیکی را امکان ‌پذیر می سازد که نویدبخش آینده ای روشن برای علوم زیستی و پزشکی است. دست‌‌یابی به این هدف با مداخله در شبکه تنظیم ژنی (grn) امکان پذیر می شود؛ زیرا grn کنترل‌کننده فعالیت های زیستی در سطح ملکولی است. در این مسیر، شناسایی grn، شامل شناسایی مرز، ساختار و گره‌ های شبکه اهمیت به سزایی دارد. در این مقاله به دو جنبه ساختار و گره در مدل سازی و شناسایی grn در شبکه های بزرگ (با بیش از پنجاه گره) پرداخته می شود. نخست محدودیت ‌های کاربست مدل‌های احتمالاتی برای گره (ژن) مورد بررسی قرار می ‌گیرد. همچنین محدودیت ‌های کاربست مدل چنددرختی برای ساختار grn مورد بررسی قرار می ‌گیرد. در بخش اصلی مقاله، مساله شناسایی grn با مدل بولی مورد بحث قرار گرفته و نشان داده می ‌شود که بر‌خلاف تصور معمول، آزمایش بهینه از دید شناسایی ساختار grn، آزمایش تک‌اختلال است.

Modeling gene regulatory networks: Classical models, optimal perturbation for identification of network

Deep understanding of molecular biology has allowed emergence of new technologies like DNA decryption. On the other hand, advancements of molecular biology have made manipulation of genetic systems simpler than ever; this promises extraordinary progress in biological, medical and biotechnological applications. This is not an unrealistic goal since genes which are regulated by gene regulatory networks (GRNs) are the core governors of life processes at the molecular level. In fact, manipulation of GRNs would be the ultimate strategy for optimal purposeful control of cell rsquo;s life. GRNs are in charge of regulating the amounts of all the intercellular as well as intracellular molecular species produced all the time in all living organisms. Manipulation of a GRN requires comprehensive knowledge about nodes and interconnections. This paper deals with both aspects in networks having more than fifty nodes. In the first part of the paper, restrictions of probabilistic models in modeling node behavior are discussed, i.e.: 1) unfeasibility of reliably predicting the next state of GRN based on its current state, 2) impossibility of modelling logical relations among genes, and 3) scarcity of biological data needed for model identification. These findings which are supported by arguments from probability theory suggest that probabilistic models should not be used for analysis and prediction of node behavior in GRNs. Next part of the paper focuses on models of GRN structure. It is shown that the use of multitree models for structure for GRN poses severe limitations on network behavior, i.e. 1) increase in signal entropy while passing through the network, 2) decrease in signal bandwidth while passing through the network, and 3) lack of feedback as a key element for oscillatory and/or autonomous behavior (a requirement for any biological network). To demonstrate that, these restrictions are consequences of model selection, we use information theoretic arguments. At the last and the most important part of the paper we look into the gene perturbation experiments from a networktheoretic perspective to show that multiperturbation experiments are not as informative as assumed so far. A generally accepted belief among researches states that multiperturbation experiments are more informative than singleperturbation ones, i.e., multiple simultaneously applied perturbations provide more information than a single perturbation. It is shown that singleperturbation experiments are optimal for identification of network structure, provided the ultimate goal is to discover correct subnet structures.