逻辑基因调控网络:超越希尔函数的建模框架

《Mathematical Biosciences》:Logistic Gene Regulatory Networks: A Modeling Framework Beyond Hill Functions

【字体: 大 中 小 】 时间:2026年08月29日 来源:Mathematical Biosciences 2.6

编辑推荐:

  摘要 布尔网络模型是一种广泛用于描述多种生物系统中的基因调控网络的框架,从哺乳动物细胞周期到癌症信号传导和发育决策回路。布尔模型已经能够识别网络的吸引子及其影响范围;但它无法提供连续描述所包含的渐变表达水平、转换时机、参数敏感性以及对连续变化输入的响应。要获得这些定量细化信息

  摘要
布尔网络模型是一种广泛用于描述多种生物系统中的基因调控网络的框架,从哺乳动物细胞周期到癌症信号传导和发育决策回路。布尔模型已经能够识别网络的吸引子及其影响范围;但它无法提供连续描述所包含的渐变表达水平、转换时机、参数敏感性以及对连续变化输入的响应。要获得这些定量细化信息,需要将逻辑更新规则转化为常微分方程系统,而选择用于这种转换的S型核函数是一个具有直接生物学后果的建模决策。几乎普遍选择的是希尔函数(Hill function),当激活因子缺失时,该函数会将生成率设置为零;然而基因永远不会完全沉默,因此这种理想化引入了一个没有生物学对应物的虚假吸收态。我们开发了一个通用的逻辑积框架,在该框架中,递增的逻辑函数代表激活,递减的逻辑函数代表抑制,并且递归的德摩根(De Morgan)乘积公式可以将任意布尔规则(合取、析取和否定)转换为连续的调控函数。这种转换是自动的,将每个调控函数限制在单位区间内,并保持严格正的基线速率。我们的核心结果是一个恢复定理:对于足够陡峭的调控响应,布尔网络的每个稳态都会在连续模型中重新出现为一个指数稳定的平衡点,其中离散标签0和1分别对应基线和饱和浓度,因此这种转换可以精确细化而非扭曲原始的布尔分析。我们建立了该框架所需的分析基础——全局适定性、前向不变性、明确的Lipschitz常数,以及对两种典型双基因基序的全局渐近稳定性(负反馈振荡器)和遗传开关的二稳态阈值(封闭形式),并表明每个调控因子阈值都是一个正的、可通过实验测量的浓度,这与将抑制因子阈值置于生物学上无意义的负值的加权求和逻辑公式不同。十一基因的Traynard哺乳动物细胞周期网络被自动转换并整合:在增殖阶段,其轨迹会稳定在一个持续的极限环上,再现了底层布尔模型的循环吸引子。第二个更大的建模网络——一个二十五个节点的2型糖尿病变体基因转化模型——也通过相同的自动程序转换,并且收敛到一个与布尔固定点相对应的稳定平衡点,证明了在真实固定点吸引子上的恢复定理;移除源模型中识别为糖尿病特异性的单一反馈边后,可以恢复同一网络的第二个不相交的固定点,即增殖表型,表明这种转换对单个调控边上的最小机制性修改非常敏感。由于这种转换纯粹是结构上的,因此可以不经修改地应用于现有的癌症信号传导和发育转变的布尔模型,该框架还进一步支持用于控制设计的精确反馈线性化。

引言
基因调控网络(GRNs)构成了 living 细胞的控制架构,协调基因表达的时空模式,这些模式是发育、稳态和适应环境变化的基础。对于许多具体的生物系统,这些网络的结构可以通过布尔模型来捕捉,其中每个基因对其调控因子都有一个逻辑更新规则。这种离散形式已经产生了经过验证的、具有预测性的描述,涵盖了从哺乳动物细胞周期 [1]、乳腺癌信号传导 [2]、ERBB调控的G1/S转换 [3]、S期进入和衰老 [4]、上皮到间充质转换 [5]、急性淋巴细胞白血病的促炎微环境 [6] 到发育模式 [7] 等多种过程。布尔模型可以识别网络的吸引子——即其动态最终会稳定到的状态或重复集,包括固定点(稳态)和循环吸引子(周期性的状态序列)——但它本身无法解决渐变表达水平、转换时机、参数敏感性或对连续变化输入的响应问题;要获得这些信息,需要将逻辑更新规则转化为常微分方程系统,而这种转换选择的是S型核函数,这是一个具有直接生物学后果的建模决策。几乎普遍的选择是希尔函数(Hill function),当激活因子缺失时,该函数会将生成率设置为零;然而基因永远不会完全沉默,因此这种理想化引入了一个没有生物学对应物的虚假吸收态。我们开发了一个通用的逻辑积框架,在该框架中,递增的逻辑函数代表激活,递减的逻辑函数代表抑制,递归的德摩根乘积公式可以将任意布尔规则(合取、析取和否定)转换为连续的调控函数。这种转换是自动的,将每个调控函数限制在单位区间内,并保持严格正的基线速率。我们的核心结果是一个恢复定理:对于足够陡峭的调控响应,布尔网络的每个稳态都会在连续模型中重新出现为一个指数稳定的平衡点,其中离散标签0和1分别对应基线和饱和浓度,因此这种转换可以精确细化而非扭曲原始的布尔分析。我们建立了该框架所需的分析基础——全局适定性、前向不变性、明确的Lipschitz常数,以及对两种典型双基因基序的全球渐近稳定性(负反馈振荡器)和遗传开关的二稳态阈值(封闭形式),并表明每个调控因子阈值都是一个正的、可通过实验测量的浓度,这与将抑制因子阈值置于生物学上无意义的负值的加权求和逻辑公式不同。十一基因的Traynard哺乳动物细胞周期网络被自动转换并整合:在增殖阶段,其轨迹会稳定在一个持续的极限环上,再现了底层布尔模型的循环吸引子。第二个更大的建模网络——一个二十五个节点的2型糖尿病变体基因转化模型——也通过相同的自动程序转换,并且收敛到一个与布尔固定点相对应的稳定平衡点,证明了在真实固定点吸引子上的恢复定理;移除源模型中识别为糖尿病特异性的单一反馈边后,可以恢复同一网络的第二个不相交的固定点,即增殖表型,表明这种转换对单个调控边上的最小机制性修改非常敏感。因为这种转换是纯粹结构上的,所以同样的程序可以不经修改地应用于现有的癌症信号传导和发育转变的布尔模型,该框架还进一步支持用于控制设计的精确反馈线性化。

基因调控网络(GRNs)构成了 living 细胞的控制架构,协调基因表达的时空模式,这些模式是发育、稳态和适应环境变化的基础。对于许多特定的生物系统,这些网络的结构可以通过布尔模型来捕捉,在该模型中,每个基因对其调控因子都有一个逻辑更新规则。这种离散形式已经产生了经过验证的、具有预测性的描述,涵盖了从哺乳动物细胞周期 [1]、乳腺癌信号传导 [2]、ERBB调控的G1/S转换 [3]、S期进入和衰老 [4]、上皮到间充质转换 [5]、急性淋巴细胞白血病的促炎微环境 [6] 到发育模式 [7] 等多种过程。布尔模型可以识别网络的吸引子——即其动态最终会稳定到的状态或重复集,包括固定点(稳态)和循环吸引子(周期性的状态序列)——但它本身无法解决渐变表达水平、转换时机、参数敏感性或对连续变化输入的响应问题;要获得这些信息,需要将逻辑更新规则转化为常微分方程系统,这一步在定量系统生物学中已经成为常规操作。这两种形式之间的区别不仅仅是分辨率问题:它反映了可以表示和分析的内容的根本差异。连续模型比布尔模型提供了更丰富的基因调控网络表示方式。虽然布尔模型已经能够识别网络的吸引子及其影响范围,但它本身无法解决渐变表达水平、转换时机、参数敏感性或对连续变化输入的响应问题——而这正是在连续描述中新增的内容。微分方程模型自然地包含了动力学参数,包括合成和降解速率、调控阈值和协同性,能够忠实地表征分子浓度的时间演变。它们的数学表述还提供了一系列分析工具,包括平衡和稳定性分析以及分岔理论,这些工具可以用来研究在纯布尔框架内无法表征的动态现象,如振荡和多稳态。此外,连续模型非常适合于预测模拟和在系统和合成生物学中设计反馈控制策略 [8], [9], [10],在这些情况下需要精确调控基因表达。当缺乏定量信息时,布尔模型对于大规模调控网络的定性分析仍然很有价值;连续微分模型为基因调控的渐变、动态和可控方面提供了互补的框架。我们将多基因系统表述为逻辑乘积映射;命题4.1确立了递归德摩根映射的三个结构特性——值域、布尔一致性和德摩根对偶性——命题4.2确立了全局适定性、前向不变性和一个明确的全局利普希茨常数,而定理4.3证明了对于足够陡峭的调节响应,布尔网络的每个稳态都可以作为连续系统的指数稳定平衡状态被恢复。11基因的Traynard哺乳动物细胞周期网络[1]自动转换为连续的常微分方程(ODE)系统,并且在该系统中可以无障碍地进行积分。在增殖阶段,该系统会稳定在一个极限环上,这重现了布尔模型的循环吸引子。另一个更大的精心设计的网络——25节点的Verlingue性转化模型[4]在其2型糖尿病变体中,也通过相同的自动程序达到了一个与布尔不动点一致的稳定平衡状态,这样这两个例子一起在实数网络上恢复了两种吸引子类型——一个极限环和一个不动点。移除源模型中认为是糖尿病特异性的单个胰岛素抵抗反馈边,重新应用相同的转换方法,可以恢复同一个25节点网络的第二个不相交的布尔不动点——即增殖型的胰岛素敏感表型——这表明恢复结果对于单个调节边上的最小、机制上合理的编辑是敏感的(第5.7节)。由于德摩根转换纯粹是结构上的,因此同样的自动程序可以不加修改地应用于上述其他记录的布尔基因调控网络(GRN)模型,从癌症信号网络到发育决策电路。第4.4节证明了在参数重新缩放后,引入显式的交互权重不会产生任何变化,第6节比较了逻辑乘积表述与Samilik加权求和表述在AND、OR和NOR逻辑门中的应用。最后,第7节转向控制设计:它表明始终为正的逻辑生产率消除了基于Hill模型在浓度为零时展现出的可控性差距,并且封闭形式的logit逆可以支持具有可证明的指数跟踪能力的反馈线性化构造(命题7.1)。一篇伴随论文[33]基于这里建立的框架,探讨了逻辑选择的生物学和计算后果:在低表达水平上防止表达关闭,以及相对于具有非整数指数的Hill函数,布尔派生的ODE积分的数值可靠性。总的来说,这两篇论文将逻辑函数不仅仅视为一个已建立主题的次要变体,而是将其确立为一个原理上可处理的、分析上可行的、生物学上忠实于实际情况的GRN建模基础。

### 逻辑建模框架
基因调控网络在多个耦合组件上表现出内在的非线性动态,其特征是S型激活和抑制函数、产生双稳态和振荡的反馈回路、实现二元细胞决策的阈值激活开关,以及反映有限分子资源的饱和响应[8]、[22]、[23]、[24]。现实模型通常涉及数百到数千个相互作用的基因,其动态涵盖了分子结合事件。

#### 两基因振荡器:一个示例性例子
作为逻辑框架的一个典型示例,考虑生物网络中最基本的motif之一:两基因负反馈振荡器,它涵盖了从昼夜节律到细胞周期进展的各种现象。在其最简单的形式中,第一个基因激活第二个基因,后者又抑制第一个基因,从而形成表达的循环模式(图1)。应用我们的逻辑公式,该系统的动态由耦合的常微分方程控制。

#### 多基因调控网络
基于逻辑的表述可以自然地扩展到任意大的网络,在高维环境中仍保持其分析和计算优势。我们建模哲学的一个显著特点是明确区分递增和递减的逻辑函数:我们在生物学上适当的地方精确使用每种形式,从而保持清晰的调控可解释性。这与某些其他表述方法形成对比。

#### 应用于精心设计的网络:细胞周期和性转化
我们首先在一个具体的、生物学上基于实际的网络——Traynard哺乳动物细胞周期模型[1]上展示这个框架,这是一个包含十一个基因的成熟布尔网络:Cdc20、Cdh1、CycA、CycB、CycD、CycE、E2F、p27、Rb、Skp2和UbcH10。

#### 与Samilik加权求和表述的比较
一种广泛使用的基因调控网络建模替代方法是将其所有调控输入聚合到一个通过每个基因的一个递增逻辑函数得到的单一加权和:
$$
x^REDENTIAL = \sum_{i=1}^{n} w_i x_i - \theta_i e^{-\mu_i} \sum_{j=1}^{n} w_j x_j
$$
其中 $\mu_i$ 是特定于基因的陡峭参数,$\theta_i$ 是基因i的单一共享阈值(而不是特定于调节因子的阈值 $\theta_j$),权重 $w_j$ 是实数值且有符号:正值为激活,负值为抑制,两者都通过逻辑函数进行处理。

#### 始终为正的生产率和解耦参数
逻辑函数在控制生物网络方面相比Hill函数具有根本优势,这源于其在最小表达水平上的非零响应和分析上的可处理性。逻辑函数 $f^{+(x, \theta, \lambda) = 1/(1 + e^{-\lambda}(x - \theta))$ 保证了 $f^{+(0, \theta, \lambda) = 1/(1 + e^{\lambda \theta}) > 0$,即使基因表达降至零也能维持连续的调控控制,而Hill函数 $h^{+(x, \theta, n) = x^n/(x^n + \theta^n)$ 在 $x=0$ 时完全消失,从而产生会危及反馈控制的可控性差距。

### 结论
本文开发了一个完整的逻辑乘积框架,用于建模基因调控网络,并确立了其核心的分析属性。该框架在生物学上适当的地方使用递增的逻辑函数进行激活,使用递减的逻辑函数进行抑制,从而保留了两种调控模式的独特S型动态,同时继承了逻辑形式的结构优势。

### 代码和数据可用性
复制本文结果所需的所有代码均公开发布在GitHub上(https://github.com/IsmailBelgacem/logistic-grn),此处报告的版本永久存档在Zenodo上[53](doi:10.5281/zenodo.21321885)。存档中包含了实现布尔到逻辑转换(BooleanMinimize预处理)和我们的BooleanToOdeSystem例程的Mathematica笔记本,以及生成的十一基因Traynard ODE系统;还有一个独立的R语言实现。

### 作者贡献声明
Ismail Belgacem:写作——审阅与编辑,撰写——原始草稿,可视化,验证,软件开发,调查,形式分析,概念化。

### 竞争利益声明
作者声明他没有可能影响本文工作的竞争性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