在平衡网络中支持固定点和多稳定性的单调布尔模型的特性分析
《PLOS Complex Systems》:Characterization of monotone Boolean models supporting fixed points and multistability in balanced networks
【字体:
大
中
小
】
时间:2026年05月08日
来源:PLOS Complex Systems
编辑推荐:
摘要
基因调控网络(GRN)控制细胞中蛋白质的表达水平,理解其动态对于潜在地控制疾病过程至关重要。GRN的稳态被解释为细胞表型,理解GRN动态的第一步是描述该网络在不同条件下可以支持的稳态集合。我们考虑了一组与给定GRN兼容的所有单调布尔函数模型,并询问哪些稳态被大多数模型所
摘要
基因调控网络(GRN)控制细胞中蛋白质的表达水平,理解其动态对于潜在地控制疾病过程至关重要。GRN的稳态被解释为细胞表型,理解GRN动态的第一步是描述该网络在不同条件下可以支持的稳态集合。我们考虑了一组与给定GRN兼容的所有单调布尔函数模型,并询问哪些稳态被大多数模型所支持。我们发现,对于平衡的网络,单个稳态的普遍性以及双稳态和多稳态的普遍性存在明确的层次结构。我们使用的关键见解是,支持给定平衡状态的单调布尔模型是单调布尔函数格的素理想和素 filtr 的乘积。为了说明我们的结果,我们展示了与癌症转移相关的EMT网络中,最常见的平衡状态对应于上皮(E)和间质(M)状态,而它们之间的双稳态是在所有与网络兼容的单调布尔模型中最常见的双稳态。
作者总结
细胞通过相互调节表达的基因网络对外部输入作出反应,直到达到一个新的稳态。每个基因网络可以根据内部和外部细胞条件以不同的方式运作。在本文中,我们考虑了给定网络的某一特定类型模型(单调布尔模型)的完整集合,这些模型代表了网络可能表现的所有不同方式。然后,对于网络可能处于的任何给定状态,我们描述了具有该状态的所有单调布尔模型。我们认为由更多模型支持的那些状态更有可能代表网络实际上会处于的状态。我们将我们的方法应用于在癌症转移中重要的EMT网络。我们展示了最常见的稳态对应于上皮和间质状态,而这两种状态之间的双稳态是最常见的双稳态。这证实了实验结果,即这些是最常见的EMT网络状态。
1 引言
单细胞生物和多细胞生物中的细胞能够快速高效地解决与资源分配、分裂等相关的复杂控制问题。这些任务大多数涉及新蛋白质的激活、失活或表达。化学信号如何导致这些变化的主要概念模型采用有向交互网络的形式,其中一个信号的存在会导致下游信号的活动/丰度增加或减少。已经为从大肠杆菌到人类的各种生物和任务构建了许多调控网络[1–8]。一个具有明显生物学意义的重要问题是理解给定网络可以支持的动力学范围。特别是,第一步是描述网络可以支持的稳态,因为这些稳态被解释为网络可以支持的不同表型。从实验上讲,这是一个难以解决的问题,因为答案取决于外部条件和细胞的内部状态。使用数学模型来回答这个问题很困难,因为答案可能取决于模型的选择、参数化以及初始条件的选择。未知参数可以通过参数采样方法[9]或使用具有陡峭非线性的所有ODE模型的组合参数化[10,11]来解决,但在处理大型网络时,这两种方法都会迅速达到其极限。另一种建模方法是使用布尔网络模型[12–15],其(表面上的)优势在于不需要任何参数,但更新函数的选择也是一种参数化形式。通常,这些模型只分析了与网络兼容的单一或少数布尔模型,这就引发了是否遗漏了一些潜在动力学的问题。我们提出了一种不同的方法[16],即构建与网络兼容的所有单调布尔模型(MBM)的有限集合[17]。这些模型包括其影响图是网络有向图严格子图的单调布尔函数(MBF)。这些模型是通过集合单调布尔函数[18]构建的,这些函数根据其输入更新每个节点的状态。布尔函数的单调性反映了网络的激活与失活边。可以通过归纳法构建单调布尔函数,但它们的数量增长迅速[19,20]。在这种方法中,网络动态是所有单调布尔模型支持的所有动力学的集合,并根据其普遍性进行加权。也就是说,如果某个特定稳态被80%的所有MBM支持,那么它比只被10%的所有MBM支持的稳态更重要。由于给定网络的MBM数量是有限的,因此原则上可以计算出所有动力学的普遍性。然而,MBM的数量增长非常迅速,即使是为单个MBM计算稳态也是NP完全的[21–23]。在本文中,我们专注于没有负循环(环路)且任意两个节点之间都有有向路径的平衡强连通网络。我们展示对于这样的网络,支持特定平衡状态的MBM具有MBF格中的向下集和向上集的乘积结构。由于这种表征,我们能够完全描述任何此类网络的每个布尔稳态、双稳态和多稳态的普遍性。这导致了一种通用的计算程序,我们在具有k=1,2,3个输入的单调布尔函数MBF(k)以及由这些MBF组成的几个单调布尔模型的情况下进行了说明。我们首先展示了一种变量变换,该变换使得任何平衡网络的单调布尔模型与所有具有激活边的网络的单调布尔模型之间有一一对应关系[24,25]。然后我们分析正网络,并利用变量变换获得原始平衡网络的结果。平衡的有向有符号图(网络)与平衡的无向有符号图密切相关。平衡的有向有符号图在许多科学领域都非常重要[26–28]。实际上,在强连通的有向有符号图中,如果每个有向循环都是活跃的,那么每个无向循环也是活跃的[29]。因此,对于本文考虑的平衡有向网络,底层的无向有符号图也是平衡的。在用切换开关网络演示了我们的方法之后,我们考虑了最近描述的特殊团队结构的2团队网络[30,31]。在这里,连接同一团队节点的边是激活的,而连接相反团队节点的边是抑制的。我们展示了这样的网络是平衡的,最常见的表型是一个团队活跃而另一个团队不活跃,最常见的双稳态是这两个表型之间的双稳态。然后我们研究了两个EMT网络:一个六节点网络[1]和一个具有15个节点和59条边的网络[2]。我们展示了这两个网络最常支持的稳态是上皮和间质状态,而它们之间的双稳态是最常见的双稳态。这项工作还允许研究除间质和上皮状态之外的其他稳态的普遍性,这与所谓的中间稳态的讨论相关,这些中间稳态具有生物学意义[32]。本文的组织结构如下:在介绍基本定义之后,我们在“平衡网络”部分讨论了平衡网络。这一部分的主要结果是,平衡网络的所有单调布尔模型与正网络的单调布尔模型一一对应。在“正MBM的稳态”部分,我们描述了支持特定稳态的MBM,在“双稳态和多稳态”部分,我们分别描述了支持双稳态和多稳态的MBM。我们在文本中通过几个网络示例说明了我们的结果,包括切换开关、带有自环的切换开关、2团队网络以及具有6个和15个节点的两个EMT网络模型。在“方法”部分,我们使用格理论来描述MBF集合,这些集合用于构建支持稳态的MBM。我们在讨论中总结了本文的内容。
2 结果
定义2.1. 调节网络是一个有向图G = (V,E),其中节点V的数量为|V| = N,有向边为E,以及一个边符号函数。我们用 或 表示从节点vi到节点vj的边,不指明其符号。如果,则边 是激活的;如果,则是抑制的。在图形上,调节网络的激活边用 表示,抑制边用 表示。节点vi的来源和目标分别由 给出。此外,我们假设有向图是强连通的,因此任意两个节点之间都有有向路径。
定义2.2. 网络RN中的环路是一组边 ,满足 。如果边的符号乘积为1(–1),则该环路是正的(负的)。
定义2.3. 如果调节网络没有负循环,则称其为平衡的。
定义2.4. 如果对于任何输入j,布尔函数 关于j是增加的,则该函数关于j是增加的。如果至少存在一个输入 ,使得不等式严格成立,则该函数关于j是严格增加的。如果至少存在一个输入 ,使得不等式严格成立,则该函数关于j是严格减少的。
定义2.5. 如果布尔函数 关于每个输入都是增加或减少的,则该函数是单调的。在这种情况下,f被称为单调布尔函数。一组增加的单调布尔函数将表示为MBF(k)。在图1a中,我们展示了三个具有单个输入X的单调布尔函数MBF(1),分别是零函数0、恒等函数Id和单位函数1。我们将这三个函数表示为节点,如果它们在单个输入字符串上的真值不同,则通过边连接。在图1b中,我们列出了六个具有两个输入X和Y的增加单调布尔函数MBF(2)。它们的名称在表格的顶部行;函数X复制输入X的值,而函数Y复制输入Y的值。同样,我们以图的形式表示这些函数,如果它们在单个输入字符串上的真值不同,则通过边连接节点。
下载:PNG
更大的图像
TIFF
原始图像
图1. (a) 有三个具有单个输入MBF(1)的单调布尔函数;(b) 六个具有两个输入MBF(2)的单调布尔函数。
https://doi.org/10.1371/journal.pcsy.0000103.g001
正如我们将在3.1节中看到的,任何k的MBF(k)集合形成了一个称为格的数学结构。格语言和结果将有助于理解哪些布尔模型支持哪些稳态。现在我们讨论网络动力学的单调布尔模型,其中节点vi处的更新函数fi是一个单调布尔函数。
定义2.6. 如果对于每个i,函数fi都是单调的,则布尔模型 是单调的。如果对于每个i,函数fi都是单调增加的,则布尔模型 是正的。
定义2.7. 单调布尔函数 的影响图是一个有向图,其中每个变量都有节点 ,并且当且仅当fi关于j严格增加或严格减少时,有有向边 。由于我们对单调性的定义不是严格的,对于给定的有向图G = (V,E)的调节网络RN,如果其影响网络 是有向图G的子网络,则认为单调布尔模型f是网络动态的有效模型。由于 和G的顶点集相同,这等同于包含边 。包含函数f与 使得MBF(k)成为一个格。这反过来允许紧凑地描述支持特定不动点的函数集合。
2.1 平衡网络
考虑一个单调布尔模型,其中每个 。应用变量变换,对于每个i,要么满足某个条件,要么不满足。设i为满足条件的索引。那么对于任何输入,我们有…另一方面,对函数fi应用否定操作,我们得到…我们有以下定理。定理2.8。考虑一个平衡网络RN和一个与RN兼容的单调布尔模型。那么存在一个变量变换,以及一个正布尔模型,使得以下图表交换。证明可以在第3.1节找到。注意,上述交换图表意味着在f下的任何轨迹存在当且仅当在g下有一个对应的轨迹。特别地,x是f下的不动点当且仅当在g下是不动点。这表明每个平衡网络都具有与所有边都是正的正网络相同的动态特性。由于所有边都是正的MBM的所有函数fi都是递增的MBFs,因此研究正网络的稳态和多稳定性就足够了。我们在图2中展示了变量变换。下载:PNG(更大图像)| TIFF(原始图像)图2. 变量变换的示意图,用以获得一个正网络。青色节点表示在...中包含?的节点。(a):切换开关(左:无自我调节;右:有自我激活),(b):具有3个节点的2队网络,以及(c):EMT网络。https://doi.org/10.1371/journal.pcsy.0000103.g002在图2a中是一个切换开关[33],它是基本网络示例之一。使用定理2.8,注意到映射...使得gB(A)和gA(B)都是递增的。因此,变换f为一个正布尔模型g(图2a)。变量变换并不唯一;可以很容易地看出变换...也能将f转换为正布尔模型g。类似地,具有自我激活的切换开关也可以使用相同的变换转换为正布尔模型。在图2b中,我们考虑了一个在[34]中研究的2队网络的简单示例。我们将2队网络定义为一个节点集V可以分为两个不相交的集合A和B的网络,这样同一队的节点会相互激活,同时抑制相反队的节点。换句话说,...当且仅当...,或者...当且仅当...。这里节点A属于一个队,而B和C属于另一个队。可以很容易地看出变换...或变换...将f转换为正布尔模型g(图2b)。最后,我们考虑生物学上重要的EMT网络,它控制着上皮-间质转化(EMT)[1,35],在这里我们不考虑原始网络的输入和输出节点,并排除了SNAI1上的自我抑制。那么... = (TGF, ?miR200, SNAI1, ?OVOL2, ZEB1, ?miR34a)将f转换为正模型g(图2c)。2.2 正MBMs的稳态我们现在准备解决本文提出的主要问题:与平衡网络兼容的MBMs有多少个支持特定的稳态?由于定理2.8,只需针对正单调布尔模型来解决这个问题。为此,我们定义以下集合:定义2.9。考虑集合MBF(k),一组单调布尔函数。对于任何输入...换句话说,U(b) (L(b))是评估为1(0)的函数集合。作为示例,我们展示了正单调布尔函数集合MBF(2)的这些区间(见图1b)和表1。下载:PNG(更大图像)| TIFF(原始图像)表1. 在MBF(2)中评估为0(左)和1(右)的函数集合。每一部分的第三列列出了相应集合中的函数数量。https://doi.org/10.1371/journal.pcsy.0000103.t001我们现在准备好得到主要结果了。定理2.10。考虑一个正网络RN和网络RN的任意布尔状态e。那么e是任何单调布尔模型...的稳态,其中...其中eS(i)是在状态e时对vi的输入节点进行的评估。证明。向量...是在单调布尔模型...下的平衡状态,当且仅当...也就是说,fi在限制为节点i的源的值上评估为ei。由于...是在输入eS(i)上评估为1的函数集合,而...是在输入eS(i)上评估为0的函数集合,因此结论随之得出。在第3.1节中,我们展示了集合U是格中的理想(下集)和过滤器(上集)。此外,我们还展示了最大集合U和最大集合L的以下特征。引理2.11。最大集合...是长度为k的全1向量,其中...最大集合...是长度为k的全0向量,其中...证明可以在第3.1节找到。引理2.11的下一个推论描述了大多数单调布尔模型支持的平衡状态。定理2.12。考虑一个具有N个节点的正网络RN。那么...中的每个状态都是某个单调布尔模型的平衡状态。对于所有状态中,状态...和...最为普遍,即被大多数MBMs支持。与RN兼容的所有MB模型的集合是...其中...支持...的MB模型集合具有形式...其大小为(1)...支持...的MB模型集合具有形式...其大小也为(1)。证明可以在第3.1节找到。备注2.13。定理2.12的第一个结论在很大程度上取决于我们选择考虑的非严格单调性定义,因为单调布尔函数类总是包括常数函数,并且任何不动点至少被一组常数函数支持,这些常数函数的值与不动点的成分相匹配。我们现在准备将这一理论应用于图2中的示例。在切换开关中,变量变换允许我们考虑正切换开关中两个边都是正的等价平衡问题。由于每个节点只有一个输入,MBMs集合f的形式为f = (f1, f2),其中...因此有3×3=9个单调布尔模型f = (f1, f2),参见图1a中的MBF(1)和图3a中的模型集合。可以很容易地看出...下载:PNG(更大图像)| TIFF(原始图像)图3. 参数图(f1, f2)及其支持的稳态(a):和(b):。每个方框中标记了支持的稳态。红色虚线、蓝色点划线和青色粗线分别划定了支持稳态(00)、(11)和(01)的模型集合。填充的颜色表示相应布尔模型f = (f1, f2)支持的精确多稳定性类型。https://doi.org/10.1371/journal.pcsy.0000103.g003因此...稳态(00)由4个模型支持;稳态(10)由1个模型支持;稳态(01)由1个模型支持;稳态(11)由4个模型支持。将变量变换函数应用于此列表中的平衡状态集,我们对切换开关得到以下结果:稳态(10)由4个模型支持;稳态(00)由1个模型支持;稳态(11)由1个模型支持;稳态(01)由4个模型支持。对于具有自我激活的切换开关,与切换开关中的相同变量变换将模型变为g = (g1, g2),其中每个...都有两个输入,见图1b。MBMs集合有6×6=36个模型,参见图3b中的模型集合和表1中的区间列表。主导的稳态与切换开关网络中的相同,但它们被更多的模型支持:稳态(00)由25个模型支持;稳态(11)也由25个模型支持。对于图2b中的2队网络,任何MBM f = (f1, f2, f3)都可以变为g = (g1, g2, g3),其中...同样,所有状态都由某些模型支持,但最普遍的稳态是...稳态(000)由53=125个模型支持;稳态(111)也由53=125个模型支持。应用...后,具有自我激活的切换开关中最普遍的稳态是...稳态(10)由25个模型支持;稳态(01)由25个模型支持。对于图2b中的2队网络,任何MBM f = (f1, f2, f3)都可以变为g = (g1, g2, g3),其中...再次,所有状态都由某些模型支持,但最普遍的稳态是...稳态(000)由53=125个模型支持;稳态(111)也由53=125个模型支持。应用...后,最常见的稳态是...(100)由125个模型支持;(011)由125个模型支持。最后,对于图2c中的EMT网络,变量变换将f转换为正模型g(图2c)。对于正EMT(P-EMT)网络,MBMs集合是...,其中数字对应于相应节点的输入数量。集合MBF(3)显示在图6中,包含20个函数。因此,总共有...下载:PNG(更大图像)| TIFF(原始图像)图4. 变量变换的示意图,用以从[2]中获得一个正EMT网络。青色节点表示在...中包含?的节点。https://doi.org/10.1371/journal.pcsy.0000103.g004下载:PNG(更大图像)| TIFF(原始图像)图5. (a) 偏序集P;(b) U(P)的上集格;(c) 具有两个输入的单调布尔函数集合MBF(2)通过映射...与U(P)同构。(d) 偏序集P;(e) J(P)的下集格;(f) 具有反顺序的两个输入的单调布尔函数集合MBFa(2)通过映射...与J(P)同构。https://doi.org/10.1371/journal.pcsy.0000103.g005下载:PNG(更大图像)| TIFF(原始图像)图6. 单调布尔函数MBF(3)的格。水平对齐的节点具有相同的真值集大小,从底部的0到顶部的8=23。每个节点都有函数的DNF描述,其中0和1是常数函数。满足不可约节点(红色)的下集是L(*);而连接不可约元素(虚线)的上集是U(*)。这两个集合都与偏序集同构。https://doi.org/10.1371/journal.pcsy.0000103.g006在这个MBMs集合中,最常见的稳态是...,它由5×5×5×2×19×5=23750个模型中的模型支持;(000000)也由23750个模型支持。应用变量变换后,可以得出原始EMT网络中最常见的稳态是...每种状态都由23750个中的77760个与EMT网络兼容的MBMs支持。这两个状态分别代表间质状态和上皮状态,其中间质状态由TGF、SNAI1和ZEB1高水平特征化,而上皮状态由miR200、OVOL2和miR34a高水平特征化。同样,定理2.10可以用来计算支持正网络其他状态的MBMs数量,如表2所示。这些状态对应于具有混合表达式的典型上皮和间质标记的中间状态。下载:PNG(更大图像)| TIFF(原始图像)表2. 支持前12个最常见稳态的模型数量。P-EMT状态代表正EMT网络中的状态,而EMT状态代表变换后的原始网络中的状态。计算我们是使用包含在存储库[36]中的代码完成的。https://doi.org/10.1371/journal.pcsy.0000103.t002现在考虑图4中描述的更大的EMT网络,它有15个节点和59条边(不包括输入/输出节点和自我抑制)。由于像ZEB1和ZEB2这样的节点有许多输入(分别为12和10),因此集合的描述在计算上具有挑战性。然而,利用定理2.12可以通过使用...转换正网络中最常见的状态...来识别最常见的状态。可以看出,这个网络是平衡的,存在某种平衡状态。因此,图4中网络中最常见的状态是:(1)TGF、ZEB1、ZEB2、SNAI1、SNAI2、FOXC2、TWIST1、TWIST2、GSC处于高状态,以及miR141、miR100、miR34a、miR200a、miR200b、miR200c处于低状态,这些状态分别对应于间充质状态;(2)第一组节点处于低状态,第二组节点处于高状态,这两种状态对应于上皮状态。这一数学结果支持了生物学观点,即该模型的主要作用是调节这两种状态之间的转换。同时,MB模型中最普遍存在的状态确实是上皮状态和间充质状态,这一事实也支持了这样一个观点:通过寻找MB模型中最普遍存在的状态,可以揭示该网络的生物学意义。
2.3 双稳态性
正如我们在定理2.12中所示,任何平衡网络中最常见的平衡状态具有相同的出现频率。一个自然的问题是,这两种平衡状态之间的双稳态性是否也是最常见的双稳态形式。请注意,在我们的工作中,我们将两个或更多稳态的存在称为双稳态性。我们将确切有两个稳态的存在称为精确双稳态性。具体来说,当我们说一个模型支持状态d和e之间的双稳态性时,我们意味着d和e是其中的稳态,但除了d和e之外还可能存在其他稳态。以下定理通过描述在正MB模型集合中支持两个稳态之间双稳态性的MBMs来扩展定理2.10。
定理2.14:考虑一个正网络RN和两个任意的布尔状态d和e。那么状态d和e之间的双稳态性由任何正单调布尔模型支持,其中vi在状态d和e时的输入节点值分别为a_d和a_e。这种描述有几个重要的后果。如果d和e的第i个分量相同,即d_i = e_i,则它们可能是双稳态状态;然而,如果d_i和e_i至少有一个分量不同,则它们的交集可能是空的。由于d和e必须在至少一个分量上不同,并非所有状态对d, e都可能是MBM的双稳态状态。例如,在正切换开关中,状态d= (00)和e= (11)之间的双稳态性由一组MBMs f = (f1, f2)支持,这些MBMs满足特定的条件。这些交集是非空的,并且包含一个单一的模型(见图3a),这对应于切换开关中支持状态(01)和(10)之间的双稳态性的单个MBM。然而,在切换开关中,状态(00)和(10)之间的双稳态性由满足特定条件的MBMs f = (f1, f2)支持。应用这些条件后,我们可以得出结论:在切换开关中没有其他状态对可以是双稳态的,除了(01)和(10)(见图3a)。在具有自激活功能的切换开关中,一组更大的MBMs支持状态(00)和(11)之间的双稳态性(见图3b)。因此,对于具有自激活功能的切换开关,状态(01)和(10)之间的双稳态性由16个MBMs支持。然而,与切换开关不同,其他状态对之间的双稳态性也是被支持的。
2.4 多稳态性
正如我们对双稳态性的评论所说,如果一个MB模型有n≥q个稳态,我们就说它支持q多稳态性。我们将精确支持q个稳态的MBM称为精确q多稳态性模型。为了确定支持精确q多稳态性的MBMs集合,只需知道所有n≥q的情况下支持q多稳态性的MBMs即可。更确切地说,设mn(E)为支持状态i和j之间n多稳态性的MB模型集合,对于某些n≥q;设emq(A)为支持状态i和j之间精确q多稳态性的MB模型集合。那么定理2.10和2.14的扩展对于多稳态性也是直接的。
定理2.16:考虑一个正网络RN和q个布尔状态d_j。那么这些稳态之间的多稳态性由任何正单调布尔模型支持,其中vi在状态d_j和e_j时的输入节点值分别为a_d_j和a_e_j。这些乘积非空的条件仍在研究中。例如,在图3b中,有一组函数(f1, f2)支持所有4个状态(00, 10, 01, 11)之间的多稳态性,有4个模型支持状态(00, 01, 11)之间的三稳态性,还有4个模型支持状态(00, 10, 11)之间的三稳态性。关于网络支持的最高多稳态性的问题与网络中正循环的数量有关,目前只有部分的解决方案和估计[37]。
3 方法
3.1 格理论
定义3.1 ([38]):偏序集P(或称为poset)是一个集合P以及一个表示为≤的二元关系,满足以下三个公理:
1. 对于所有x, y ∈ P,有x ≤ y(自反性)。
2. 如果x ≤ y且y ≤ x,则x = y(反对称性)。
3. 如果x ≤ y且y ≤ z,则x ≤ z(传递性)。
如果P中的两个元素x和y要么相等,要么不等,我们说x和y是可比较的;否则它们是不可比较的。
定义3.2:偏序集P的一个子集D是下降集或顺序理想,如果对于所有x, y ∈ D,都有x ≤ y。我们将P中的下降集表示为J(P)。相反,如果对于所有x, y ∈ D,都有x ≥ y,则D是上升集或顺序过滤器,我们将P中的上升集表示为U(P)。
定义3.3:设P是一个具有两个二元运算∨(称为并)和∧(称为交)的偏序集。如果P中的每一对元素都有并和交,那么P是一个格。在本文中,我们只考虑有限的偏序集和格。在有限的格中,所有的理想(过滤器)都是主理想[39],因此具有特定的形式。
定义3.4:设P是一个格。一个非零元素a是并不可约的,如果a不是两个较小元素的并;相反,一个非单位元素b是交不可约的,如果b不是两个较大元素的交。
定义3.5:设P是一个格。一个适当的理想J是素的,如果J不能被P中的任何其他理想商;同样,一个适当的过滤器F是素的,如果F不能被P中的任何其他过滤器商。
定义3.6(定理3.37,[39]):一个理想I是素的当且仅当I不是P中的任何其他理想的商;一个过滤器F是素的当且仅当F不是P中的任何其他过滤器的商。素理想和素过滤器的性质是互补的,即I是素的当且仅当I不是F的商。
定义3.7:如果格P有一个最小元素(我们称之为0),并且P和另一个格L是相似的(即存在一个格同态f: P → L),那么格同态f的核I_L是L的一个理想。给定一个格P,选择0作为布尔格,我们可以定义子集S的指示函数f_S(x),如果x属于S,则f_S(x) = 1,否则f_S(x) = 0。一般来说,指示函数不需要是格同态。然而,一个素理想的指示函数是一个格满射。
定义3.8:一个格L是分配格,如果对于L中的任意元素x和y,都有a ∧ b = (a ∨ b) ∧ (a ∧ c) = a ∧ (b ∧ c)。有限分配格的基本定理由Birkhoff[40]提出。定理3.9(Birkhoff定理):任何有限分配格都同构于其并不可约元素的下降集格。这种表示对于理解并不可约元素和素理想之间的关系至关重要。
定理3.10:在有限分配格中,并不可约元素的下降集是素理想。
定理3.11:在有限分配格中,下降集是素理想。
定理3.11(定理3.41,[39]):在格中,素理想正是指示满射的核。通过对偶性,素过滤器正是那些在指示满射下映射到1的集合。
3.2 单调布尔函数的格
考虑在每个分量上由0 < 1诱导的顺序下的布尔向量构成的偏序集。上升单调布尔函数集MBF(k)是一组保持顺序的映射。
定义3.12(真值集和零集):布尔函数f的真值集T(f)是f所有可能的输入值组成的集合,而零集Z(f)是f所有可能的输入值都不满足f的真值的集合。注意,f是一个偏序集,其顺序由定义3.13给出。偏序集P是一个分配格,其运算包括并和交。
定义3.13:设f: P → Q是一个映射。那么f的指示函数f_S(x)是定义为f_S(x) = 1如果x属于P的上升集,否则f_S(x) = 0的函数。此外,我们定义了一个反顺序≤_上f的映射,它是在f的上升集上的一个顺序理想。
定义3.14:MBF(k)是一个格,其运算包括并和交。让我们使用MBF(k)表示L中的元素,M_BF(k)表示L的所有子集。设S=2^P是P的所有子集的集合。映射G: MBF(k) → MBF(L)将L中的元素映射到L中的元素。映射G是一个格同构,因为并和交运算在L中是定义良好的。
定理3.15:MBF(k)是一个格,其运算包括并和交。设S=2^P是P的所有子集的集合,映射G: MBF(k) → MBF(L)将L中的元素映射到L中的元素。映射G诱导了两个格之间的同构,它将并不可约元素映射到并不可约元素,将交不可约元素映射到交不可约元素。根据引理3.14,对于任何两个函数f和g,它们的并满足M_BF(k)中的并律和交律,因此G是一个格满射。
定理3.16:对于每个x属于L,集合L(x)是MBF(k)中的素理想。存在一个唯一的并不可约元素g,使得L(x)是g的下降集。存在一个唯一的交不可约元素h,使得U(x)是g的上升集。首先,对于每一个映射P中所有包含x的上集到1、所有其他上集到0的有界格同态,注意这组满同态与某个集合一一对应。我们现在展示每个格满同态都可以表示为某种形式,即ux。考虑任意一个格满同态。那么,那些满足f(y)=0的元素,如果它们被映射到0,那么它们必定有一个唯一的极大元,这个极大元就是被映射到0的所有元素的最小并。这是根据同态性质得出的,即如果f(u)=0且f(v)=0,那么f(u∪v)也必须为0。重要的是,这个极大元必须是不可约的,因为它不能是任何f(u)=f(v)=1的元素u和v的最小并。由于这个极大元的存在,根据推论3.15,格之间的同构诱导了U(P)和J(P)之间的同构。根据引理3.14,U(P)中的不可约元被映射到J(P)中的不可约并元。我们用图5中的MBF(2)例子来说明这个映射。U(P)集合在图5b中表示,红色节点对应于J(P)中的不可约并元。注意,这些元素的下集在J(P)中是素理想。因此,对于每一个这样的满同态,我们可以找到一个对应的不可约元,并且这个不可约元可以表示为某种形式(3)中的某个元素。我们声称这一点成立。首先,我们注意到满同态f的核是所有属于最大上集的子集。根据构造,这个集合是S=2P中某个上集的补集,因此它与U(P)中所有小于该最大上集的子集不相交。此外,这个补集是一个由某些元素生成的素理想。因此,这个极大元是P中不属于该最大上集的最大元素。由此可知,如果某个元素属于这个最大上集,那么f(y)=1;但如果不属于,那么f(y)=0。这表明每个格满同态都可以表示为某种形式,即f=ux。考虑某种形式的x。那么P中不包含x的所有上集构成了MBF(k)中的一个下集,这些下集中的函数值都不包含x,因此f(x)=0。根据集合L(x)的定义,这些函数正好属于集合L(x)。MBF(k)中的这个下集被映射到0,因此是同态ux的核。根据定理3.11,L(x)是指示器满同态的核,因此是MBF(k)中的素理想。此外,存在一个唯一的极大元,它是不可约的,并且满足某个条件。这证明了定理中的陈述1和2。我们在图5c中展示了这一点。不可约元的下集(用红色标出)构成了J(P)中的不可约并元。同时,根据定理3.6,素理想的补集是素过滤器。这表明U(x)中的元素是J(P)中的不可约并元,从而证明了定理中的陈述3和4。为了说明这一点,注意在图5f中,MBFa(2)中的不可约元(用红色标出)的下集,在MBF(2)中是不可约并元的上集。
在本小节中,我们使用格论语言来描述这些集合。**引理2.11的证明**。根据定理3.16,每个集合U(x)在MBF(k)中是一个素过滤器。因为由某些逻辑函数定义的集合U(x)在k个参数Xi中具有唯一的前驱,所以m是MBF(k)中的不可约元。因此,U(x)是一个素过滤器,它包含了MBF(k)中的所有函数,除了函数0。因此,它是大小为k的最大的过滤器。最后,由于0是在输入x时值为0的唯一函数,所以U(x)的大小为k。类似地,根据定理3.16,每个集合L(x)在MBF(k)中是一个素理想。由某些逻辑函数定义的集合L(x)在k个参数Xi中具有唯一的后继,M是MBF(k)中的不可约元,而L(x)是一个素理想,它包含了MBF(k)中的所有函数,除了函数1。因此,L(x)的大小为k。最后,由于1是在输入x时值为1的唯一函数,所以L(x)的大小为k。**定理2.12的证明**。任何状态都由单调布尔模型支持,其中fi是一个常量函数fi=bi。因此,支持状态b的模型集合是非空的。定理的其余部分可以通过认识到大多数MB模型支持的平衡状态是这样的:对于每个组成部分i,单调布尔函数fi将来自最大的集合。这些集合在引理2.11中已经描述过。**引理2.15的证明**。根据定理2.14,支持状态b和状态c之间的双稳态的模型满足某些条件。由于某些条件,这个集合的大小是k。根据定理3.6中的互补性质,对于任何k和任何b,集合U(b)和L(b)满足某些条件。然而,请注意,如果某些条件成立,那么一般情况下情况会不同(见表3)。我们的研究结果与关于EMT网络稳态普遍性的研究结果一致。论文[43]发现EMT网络中的正循环得到了增强,这与ODE模拟中EMT模型双稳态的普遍存在是一致的。本文研究的两个EMT模型是平衡的,因此,在所有MBM模型中,E状态和M状态是最普遍的稳态。在[44]中进一步探讨了这种双稳态的鲁棒性。该论文研究了13个不同的EMT网络,发现虽然这些野生型网络在采样ODE模拟中显示E状态和M状态的最高普遍性,但对网络结构的小幅度扰动(即边方向的改变)会导致E状态和M状态的普遍性降低,而中间状态的普遍性增加。虽然我们的结果没有直接探讨网络扰动下的鲁棒性,但我们的研究表明,在具有相同节点数和边数的网络中,所有边都是正的网络将具有最高比例的恒定E状态和M状态。在SNAI1上移除自我抑制将使我们本文研究的EMT网络的分析简化为一个平衡网络。因此,E状态和M状态是最普遍的;任何改变边方向的扰动都将导致E状态和M状态的普遍性降低,中间状态的普遍性增加。与ZEB上的自我激活不同(实验上已经证明它可以维持M表型[45]),SNAI1上的自我抑制的作用尚未通过实验进行探索,在ODE模型中被视为噪声缓冲器[46]。尽管这种排除可能会限制我们模型的生物学准确性,但它对在这里考虑的没有噪声的布尔模型的预测应影响最小。认识到作为单输入单输出(SNAI1)的单调布尔函数集在具有k个输入的单调布尔函数格中评估为0或1的素理想或滤波器,使我们能够证明适用于所有k的一般结果。这一点很重要,因为MBF(k)的大小随着k的增加而迅速增长,目前只知道k≤9的情况,但是可以通过类似于从MBF(k-1)构造MBF(k)的归纳程序来构造MBF(k)中的满足冲突不可约元素[17]。这反过来将使得能够明确构造具有某些多稳态特性的单调布尔模型,或者证明某个特定网络不支持超过某种上限q的多稳态。我们注意到,我们允许单调布尔函数具有不影响函数输出的冗余输入。除了这种函数的存在使得单调布尔函数能够形成一个格之外,这些函数还代表了基因在某些组织中或在某些外部条件下可以被持续激活或抑制的参数范围。我们的方法可以与[47]进行比较,后者搜索满足部分观测数据所施加的一组约束的所有(局部)单调布尔模型。这些约束包括固定点行为,以及其他吸引子,以及状态对之间的可达性和不可达性。在我们的两种方法中,如果一个模型的影响图是给定网络图的子集,则认为该模型是有效的。Chevalier等人[47]将这组约束编码成Answer Set Programming,这是一种用于复杂、通常是NP难问题中的声明式编程,然后搜索满足这些约束的所有模型。我们的方法仅考虑由所需固定点给出的约束,但利用单调布尔模型集合的显式结构来显式计算具有所需行为的模型。未来,我们计划将我们的工作从平衡网络扩展到任意网络,希望能够包括在网络模型中出现的一般吸引子作为约束。单调布尔函数模型与具有陡峭非线性的ODE模型密切相关,在极限情况下,这些ODE模型变成具有分段常数非线性的Glass模型。每个这样的ODE模型生成一个有限状态转换图(STG)来编码其动态,只有一组有限的STG与给定网络兼容。这组STG被组织在一个DSGNR数据库中,该数据库以图的形式呈现[10,11]。由于MB网络模型是DSGNR集合的子集,这里介绍的工作应该描述了具有陡峭非线性的ODE网络模型中的多稳态。这种联系的确切性质是当前研究的主题。反应网络理论采取了一种不同的方法来使用质量作用动力学对网络动态进行建模。许多论文探讨了保证(或排除)多稳态的条件,例如参见[48–50]。我们方法的基本理念是描述完整的网络动态集合,即在这个集合中,重要的动态会更频繁地发生。特定网络动态的重要性是通过支持它的MBM的普遍性来权衡的。也就是说,我们认为被80%的所有MBM支持的稳态比只被10%的所有MBM支持的稳态更重要。当然,网络外部的生物控制可以保持网络在支持10%普遍性的MBM(集合)中,但在缺乏此类信息的情况下,我们将假设更普遍的动态更为重要。
致谢:本工作的部分内容是在最后一位作者访问印度班加罗尔的印度科学研究所生物工程系期间完成的。我们对那里的热情款待表示衷心的感谢。