雷尼特征熵:一种基于数据的方法,用于区分基因调控网络中的扰动效应

《Physica A: Statistical Mechanics and its Applications》:Rényi eigen-entropy: A data-based method for perturbation discrimination in gene regulatory networks

【字体: 大 中 小 】 时间:2026年07月09日 来源:Physica A: Statistical Mechanics and its Applications 3.1

编辑推荐:

  卢晓奇|薛卓真|王瑞琪 中国上海,上海大学数学系,200444 摘要 不同的扰动可能引发相同的表型结果,这一现象类似于不同药物干预可能产生同等治疗效果的观察结果。然而,在生物系统和数学系统中,区分那些导致定性上相似稳态的扰动仍是一个核心挑战。传统的分析方法,如分岔分

  卢晓奇|薛卓真|王瑞琪
中国上海,上海大学数学系,200444

摘要
不同的扰动可能引发相同的表型结果,这一现象类似于不同药物干预可能产生同等治疗效果的观察结果。然而,在生物系统和数学系统中,区分那些导致定性上相似稳态的扰动仍是一个核心挑战。传统的分析方法,如分岔分析和灵敏度分析,要么无法有效区分具有相似动态影响的不同扰动,要么需要依赖先验的数学模型。这些局限性极大地限制了它们在数据驱动研究中的应用。为了解决这一方法学难题,我们提出了一种名为雷尼特征熵(REE)的新框架。该框架基于近期提出的特征熵(EE)度量方法,并引入了雷尼序参量α,从而使该度量能够更灵活地重新加权弱谱模式与强谱模式,进而更精准地识别细微的扰动差异。REE通过分析稳态及分岔前的瞬态轨迹,有助于区分不同的扰动路径。我们在两个系统中验证了REE方法:一个用于模拟早期T细胞发育的简化三节点调控电路,以及上皮-间质转化网络。在这两种情况下,分岔分析均表明不同的扰动会导致定性上相似的稳态,而REE方法则成功区分了相应的分岔前轨迹。与EE相比,REE在不同扰动作用下能展现出更显著的差异,因此具有更强的区分能力。即便存在瞬态动态和附加噪声,这一优势依然存在。此外,我们还引入了一种称为AURCΔ的聚合分离度量指标,作为辅助度量工具,用于衡量在所测试的雷尼序范围内扰动路径的区分能力。

引言
基因调控网络是控制活细胞中基因表达的基本机制[1][2][3]。它们的拓扑结构与动态行为在维持细胞功能、决定细胞命运以及引发多种疾病方面起着关键作用[4][5][6]。在真实的生物环境中,基因调控网络往往表现出明显的非线性、高维性和多稳态性。因此,它们对包括基因突变、药物干预以及信号分子波动在内的各种扰动的响应可能极为复杂[7][8][9][10][11][12][13]。因此,扰动分析不仅对于识别关键的调控因子和核心通路至关重要,而且对于理解疾病机制[4][14][15]、开发针对性治疗策略[16][17][18],以及指导合成生物学系统的合理设计[19][20][21]也具有重要意义。

图1展示了扰动分析中的一个核心概念性问题。上图为一个基因调控网络的示意图,其初始状态对应表型A。当对不同的基因,如基因i或基因j施加不同扰动时,系统可能会从表型A转变为新的稳定状态——表型B。下图展示了相应的参数景观:控制参数p1或p2的微小变化都可能引发分岔,从而导致从A到B的类似表型转变。这立刻引出了一个根本性问题:如果在表型B状态下观测到系统,我们如何以简单而有效的方式确定是哪种扰动,或者说哪种参数变化导致了这种转变?这种不确定性反映了扰动不可区分性问题,即不同的扰动路径可能导致定性上相似的表型结果。

传统的分析方法,如分岔分析[22][23][24]和灵敏度分析[25][26][27],虽然能为系统行为提供有价值的机制性见解,但并不能直接解决这一问题。分岔分析在识别定性上的状态变化方面非常有效,但它本身并不能提供一种简洁的定量方法来区分不同的扰动来源[28][29]。灵敏度分析可以衡量系统对局部参数扰动的响应,但它并不适合用于分析大的状态转变,也不善于区分通过不同路径达到的定性上相似的最终表型[30][31]。此外,许多生物学研究主要依赖于观测数据或实验数据,而这些数据的控制方程往往是未知或无法获取的。这就需要一些在获得多变量轨迹数据后仍无需依赖特定模型的分析策略,从而可以直接从数据中区分不同的扰动,而非依赖预先指定的控制模型。

在此背景下,基于熵的方法显得尤为有用。近几十年来,熵已成为量化诸多科学领域中不确定性、异质性以及信息含量的重要工具[32][33][34][35]。香农熵为现代信息论奠定了基础[36][37]。随后,雷尼熵引入了一种参数化扩展方法,使得可以以可调节的方式强调分布中的不同部分[34][38],而察利斯熵则进一步通过非线性加权机制拓展了基于熵的分析方法,这类机制在复杂系统中十分有用[39]。对于本研究而言,这一发展脉络的关键意义不仅在于熵能够量化不确定性,更在于广义熵为调节描述符对不同结构组分的敏感度提供了一种自然的参数化机制。

基于熵和信息论的度量方法也被广泛用于描述复杂系统中的临界转变、预警信号以及状态切换。多项研究表明,信息含量、相关性结构以及恢复行为的变化,能够在定性转变在视觉上变得明显之前提供有用的预警[40][41][42]。这些研究表明,即使在定性状态切换尚未完全实现之前,过渡前的数据往往已经包含了具有结构意义的信息。对于本研究所关注的问题而言,这一观察尤为重要:我们的目标不仅仅是识别转变的发生,还要从分岔前的多变量数据中已编码的结构特征中区分不同的扰动路径。

在生物网络和动态系统建模中,基于熵的方法已被用于描述状态多样性及稳定性、识别关键调控节点、分析时间序列结构以及评估系统鲁棒性[43][44][45]。从更广泛的方法论视角来看,近期的一些研究还表明,广义熵可以与基于矩阵谱的方法相结合,用于描述多变量间的依赖关系。例如,Contreras-Reyes基于雷尼熵构建了互信息矩阵,并利用其特征值谱来量化多变量系统中的全局依赖性[46]。Behera等人则在此基础上进一步提出了基于察利斯熵的互信息矩阵以及相应的全局度量指标[47]。这些研究为我们将广义熵与特征谱信息结合起来分析复杂多变量结构提供了重要的方法学借鉴。不过,他们的主要目标仍是依赖关系的量化,而我们的关注点有所不同。我们关注的是这样一种以任务为导向的场景:不同的扰动会导致定性上相似的最终表型,而我们的任务则是从分岔前的数据中区分这些扰动。

另一个相关但概念上更为宽泛的方向是基于雷尼熵的复杂性分析。例如,Guisande和Montani为序数模式时间序列提出了一个基于雷尼熵与复杂性的因果分析框架,表明熵、复杂性以及雷尼序之间的联合依赖关系,能够揭示出一维指标之外、具有尺度依赖性的动态结构[48]。这一视角与本研究相辅相成。我们并未试图构建序数时间模式的因果空间表示,也并不认为单一的标量熵能够涵盖复杂动力学中的所有结构信息。相反,我们的目标是更为具体:从跨特征相关性结构的特征谱中提取出一个简洁的标量度量指标,从而基于多变量分岔前数据区分不同的扰动。

在数据驱动的动态分析领域,最近也出现了一些互补的方法,如系统识别、基于Koopman的方法、动态模态分解、稀疏模型的发现,以及用于直接从观测数据中提取结构的数据驱动基因调控网络推断方法。典型的例子包括用于构建连贯动态表示的动态模态分解和基于Koopman的近似方法[49][50]、稀疏控制方程的发现[51],以及数据驱动的基因调控网络推断方法[16]。然而,在这一更为广泛的 Methodology框架中,本研究的作用有所不同。REE的目的并非重建控制方程、推断完整的网络拓扑结构,或提供完整的因果表示,而是作为一种基于谱的简洁工具,用于区分多变量扰动轨迹。

与本研究最直接相关的方法是Huang等人近期提出的特征熵(EE)[52]。EE是一种在分析阶段与模型无关的度量方法,它是由相关性系数幅值矩阵的特征谱构建而成的。已有研究表明,该方法在多变量采样决策方面十分有效。此后,Abhidnya等人将EE应用于多变量时间序列分类任务中[53],证明了这种基于谱熵的构造方法能够有效地捕捉多变量数据的结构特征。这些研究使得EE成为本研究最直接的方法学前身。不过,EE具有固定的函数形式,这在动态特性多样、谱成分较弱但仍有信息量,或存在大量噪声的系统中会限制其灵活性。而在扰动区分问题中,不同扰动路径之间的细微差异可能就隐藏在特征谱的不同部分之中,这一限制尤为重要。

为了解决这一局限,我们提出了一种广义框架——雷尼特征熵(REE),该框架既受到了EE框架的启发,也借鉴了上述关于广义熵的相关研究。REE通过引入雷尼序参量α对EE进行了扩展,这使得该方法能够重新加权弱谱模式与强谱模式,从而更灵活地捕捉细微的扰动差异。我们首先在用于模拟早期T细胞发育的简化三节点调控电路上验证了REE的有效性[54]。这一最小系统可作为概念验证的示例:它保留了核心的谱系调控相互作用,使得REE的扰动区分机制能够以直观的方式被可视化与解释。随后,我们将分析范围扩展到上皮-间质转化网络[55],以此在更高维度的网络层面进行验证。在包括稳态采样、瞬态增强、噪声以及随机分岔前数据等多种不同条件下,我们对EE与REE进行了系统比较。结果表明,尤其是在α<1的情况下,REE始终能展现出更强的扰动区分能力,而且在存在瞬态动态和噪声的情况下依然有效。此外,为了量化所测试的各个雷尼序值之间的区分程度,我们定义了一个基于雷尼序依赖的REE差值曲线下面积的辅助聚合度量指标AURCΔ,该指标可为多个α值下的区分强度提供一个简洁的度量标准。本研究的整体分析流程如图2所示。

总之,本研究将REE作为EE的广义扩展版本,用于扰动区分任务。通过利用可调的雷尼序参量,REE提供了一种灵活的、基于熵的谱分析框架,能够区分那些导致定性上相似最终表型的不同扰动。除了本研究中所评估的这两个基准系统外,这一框架在处理高维生物数据中的更广泛的扰动-响应分析方面也展现出巨大潜力,尤其是那些缺乏相应控制模型或难以识别模型背景的场景。王瑞琪:写作——审稿与编辑、概念构思。资金支持本项工作得到了中国国家自然科学基金的支持[项目编号:12371497]。利益冲突声明作者声明不存在任何可能影响本文所汇报工作的已知财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号