A Model of Sequential Branching in Hierarchical Cell Fate Determination
多能干细胞或祖细胞经历一系列连续的二元命运决定,最终产生分化细胞的多样性。理解细胞命运控制的努力集中在简单的基因调控回路上,这些回路预测了多个稳定状态、分叉和开关样转变的存在。然而,现有的基因网络模型不能解释更复杂的性质的细胞命运动态,如层次分支的发展路径。在这里,我们构建了一个通用的最小模型的遗传调控网络控制细胞命运的决定,表现出细胞分化的五个基本特征:稳定性,方向性,分支,排他性和混杂表达。我们认为,一个模块化的架构,包括重复的网络元素再现这些功能的差异,依次抑制选定的模块,从而限制了高维状态空间的低维子空间的动态。我们实现我们的模型与常微分方程(ODEs),探讨分歧的作用,在生产的单向特性的分化,并与随机微分方程(SDEs),以证明系统上的噪声的影响。我们进一步认为,二进制细胞命运的决定是普遍存在的细胞分化由于基本的动力系统的一般特征。这种最小模型对定向的、离散的和多样化的细胞表型发育的结构基础进行了可测试的预测,从而可以指导对支配分化的真实基因调控网络的评估。
2009-09-14 q-bio.MN
Optimizing information flow in Gene Regulatory Networks: a geometric perspective
本研究从几何视角优化基因调控网络的信息流,发现最优传递为KL散度梯度流,需各向同性衰减率,噪声强度决定分化潜力,为合成网络设计提供几何原理。
2025-09-09 cs.IT math.IT q-bio.MN
Bridging physiological and evolutionary time scales in a gene regulatory network
基因调控网络(GRN)控制着表型适应,反映了在不同时间尺度上作用的生理反应和进化适应之间的权衡。为了识别GRNs的分子功能和遗传多样性模式,我们研究了常见向日葵的干旱响应,向日葵,以及潜在的GRN如何与其进化相关。我们研究了32,423个表达序列对干旱和脱落酸的反应,并选择了145个共表达转录本。我们的特点是他们的监管关系,在9个动力学研究的基础上,不同的激素。在此基础上,我们通过对高斯图模型和随机森林算法的元分析,推断出一个GRN,并研究了节点处种群间的遗传分化。我们确定了网络中的两个主要枢纽,它们在保卫细胞中运输硝酸盐。这表明,硝酸盐运输是向日葵对干旱的生理反应的一个重要方面。我们观察到优良向日葵品种中网络基因的分化与它们的位置和连接性相关。这种系统生物学方法结合了不同时间尺度的分子数据,并确定了重要的生理过程。在进化水平上,我们提出,网络拓扑结构可能会影响人类选择的反应,并可能适应干燥的环境。
2014-03-19 q-bio.MN
A self-organized model for cell-differentiation based on variations of molecular decay rates
活细胞的系统特性是由所谓的遗传调控网络(GRN)控制的分子动力学的结果。这些网络捕捉细胞的所有可能特征,并负责生命系统特有的巨大适应水平。在任何时间点,只有这些网络的一小部分是活跃的。GRN的任何活性子集导致特定分子组的表达(表达模式)。活跃网络的子集随着时间的推移而变化,导致观察到的表达模式的复杂动态。对这种动力学的理解在系统生物学和医学中变得越来越重要。虽然转录速率和催化相互作用的重要性已被广泛认识到在建模遗传调控系统,降解的生化试剂(mRNA,蛋白质)在监管动态的作用的理解仍然有限。最近的实验数据表明,mRNA和蛋白质的衰变率和表达模式之间存在函数关系。在本文中,我们提出了一个模型的动态序列的活动子网络的GRN。该模型能够再现分子动力学的关键特征,包括稳态、多稳定性、周期动力学、交替活动、可微性和自组织临界动力学。此外,该模型允许自然地理解衰变率和表达模式之间关系背后的机制。该模型解释了最近的实验观察,衰变率(或营业额)在一般的系统水平分化的组织类之间的变化,并突出了细胞内衰变率控制机制在细胞分化的作用。
2012-02-03 cond-mat.other q-bio.MN
Approaches for benchmarking single-cell gene regulatory network inference methods
Penn State College of Medicine(宾夕法尼亚州立大学医学院)
本文综述了单细胞基因调控网络推断方法的评估方法,定义了成功指标,并指出了该领域的发展方向和不足。
2023-07-17 q-bio.GN q-bio.MN
Inference of dynamical gene regulatory networks from single-cell data with physics informed neural networks
Leiden University(莱顿大学);IMT;University of Bonn(波恩大学);New York Stem Cell Foundation Research Institute(纽约干细胞基金会研究所)
本文提出用物理信息神经网络从单细胞数据推断可预测的动态基因调控网络参数,在分岔与细胞分化建模中优于常规前馈网络,并验证了轨迹和快照两类实验场景。
2024-01-14 cs.AI cs.LG physics.bio-ph
Partial Order on the set of Boolean Regulatory Functions
逻辑模型已成功地用于描述监管和信号网络,而不需要定量数据。然而,现有的数据不足以充分定义一个独特的模型,使得给定模型的参数化成为一项困难的任务。在这里,我们专注于与给定的监管结构,即所有单调的非退化布尔函数的集合兼容的布尔函数集的表征。然后,我们提出了一套原始的规则,以本地探索在这个集合中的任何函数的直接相邻函数,而不显式地生成整个集合。此外,我们提供的监管职能和相应的动态之间的关系。最后,我们通过重新审视Mendoza和Xenarios的T辅助细胞分化模型的概率布尔网络来说明这种方法的有用性。
2019-01-22 cs.DM q-bio.MN
The Inferred Cardiogenic Gene Regulatory Network in the Mammalian Heart
心脏发育是一个复杂的、多尺度的过程,包括细胞命运的适应、分化和形态发生。为了阐明这一过程的基础途径,最近开发的算法,逆向工程基因调控网络被施加到从发育中的小鼠心脏获得的时程微阵列数据。该算法生成了许多不同的假定网络拓扑结构,能够通过模型仿真来解释实验数据。为了剔除似是而非的网络交互,成千上万的拓扑结构被合并和过滤,以生成一个无标度的分层网络。该网络与已知的基因相互作用进行了验证,并用于识别对发育中的哺乳动物心脏至关重要的调控途径。使用语义相似性和基因谱唯一性度量对预测的基因相互作用进行优先级排序。使用这些指标,该网络被扩展到包括所有已知的小鼠基因,以形成最可能的心源性基因调控网络。本文概述的方法提供了一种信息丰富的网络推理方法,并导致与基因调控相关的明确的可检验假设。
2013-10-28 q-bio.MN
Dynamical and Structural Modularity of Discrete Regulatory Networks
生物调节网络可以被建模为包含关于网络组件相互作用的所有可用信息的离散函数。从这个函数中,我们可以导出网络结构以及系统动力学的图形表示。在本文中,我们介绍了一种方法来识别模块的网络,使我们能够构建给定的功能从模块的动态行为。在这里,它被证明是有用的,以区分动态和结构模块,并定义网络模块结合两者的方面。作为一个关键概念,我们建立了符号稳态的概念,它基本上代表了一组状态,其中给定函数的行为在某种意义上是可预测的,并产生了合适的网络模块。我们将该方法应用于参与T辅助细胞分化的调控网络。
2009-10-08 cs.CE cs.DM q-bio.MN
Generalization of the construction method for multistability-equivalent gene regulatory networks to systems with multi-input multi-output loopbreaking
Schittler et al.(2013)最近解决了不同维度的基因调控网络模型之间多稳定性方面的等价性问题。作者在这项工作中提出了一个高维动力系统的建设规则,当给定一个低维动力系统和高维网络结构。然而,其中的证明仅限于所有内部反馈回路都可以通过产生单输入单输出(SISO)系统的回路破坏方法来破坏的系统类。在这份报告中,我们提出了推广的证明,任何数量的内部反馈回路,这将被打破了一个广义的破环的方法,从而在一个多输入多输出(MIMO)系统的系统。这种方法的推广使得构建方法适用于广泛的一类基因调控网络模型,从而促进了从核心基序模型到更现实的高维基因调控模型的结果转移。我们通过将其应用于间充质干细胞分化中的基因调控网络的一个例子来证明我们的方法的潜力和价值。
2014-01-02 math.DS q-bio.MN q-bio.QM
Reverse enGENEering of regulatory networks from Big Data: a guide for a biologist
组学技术通过大规模并行序列采集或分子测量实现对生物系统的无偏见调查,将生命科学带入大数据时代。这类组学数据集提出的一个核心挑战是如何将这些数据转化为生物学知识。例如,如何利用这些数据来回答诸如:哪些功能通路参与了细胞分化?我们应该针对哪些基因来阻止癌症?网络分析是解决这一问题的一种强有力的通用方法,包括两个基本阶段,网络重构和网络询问。在这里,我们提供了网络分析的概述,包括如何执行和使用这种方法来研究生物学问题的分步指南。在本指南中,我们还包括我们和其他人在网络分析工作流程的每个步骤中使用的软件包。
2014-11-03 q-bio.MN
Pluripotency, differentiation, and reprogramming: A gene expression dynamics model with epigenetic feedback regulation
多能性状态的表征,其中细胞可以自我更新和分化,以及多能性的不可逆丧失是发育生物学的重要研究领域。特别是,理解这些过程对于生物医学应用的细胞重编程是必不可少的,即,分化细胞中多能性的实验恢复。基于基因表达动力学系统理论的最新进展,我们提出了一个由多个多能基因和分化基因组成的基因调控网络模型。我们的研究结果表明,随着细胞数量的增加,从多能状态和多能基因的振荡表达开始,细胞状态转变为分化的细胞类型。细胞-细胞信号转导介导对噪声具有鲁棒性的分化过程,而影响基因表达动力学的表观遗传修饰固定细胞状态。这些修饰确保细胞状态受到保护免受外部干扰,但它们也作为多能性恢复的表观遗传屏障。我们发现,几个基因的过度表达导致细胞的重编程,与建立诱导多能干细胞的方法一致。我们的模型,其中包括基因表达动态和表观遗传修饰之间的相互关系,提高了我们的细胞分化和重编程的基本理解。
2015-08-04 physics.bio-ph q-bio.MN
Cell phenotypic transition proceeds through concerted reorganization of gene regulatory network
表型转换发生在许多生物学过程中,如分化,理解细胞如何重新编程其整体基因表达谱是一个速率理论的问题。细胞表型转变伴随着基因簇表达率的转换,类似于伊辛系统中的结构域翻转。在此,我们通过分析单细胞RNA测序的数据在转换路径理论的框架,我们着手研究这样的全基因组表达程序切换如何进行在三个不同的细胞转换过程。对于每个过程,在细胞状态空间中重建马尔可夫转移模型后,我们形成了一个最短路径连接的初始和最终的细胞状态的集合,重建一个反应坐标描述的过渡进程,并推断沿反应坐标的基因调控网络(GRN)。在这三个过程中,我们观察到一个共同的模式,即基因调控网络(GRN)的挫折,定义为基因所接受的调控和它们的表达状态之间的总体冲突,首先增加,然后减少,当接近一个新的表型。这些结果支持了一种机制,即在初始表型中有活性的基因的协同沉默和在最终表型中有活性的基因的激活。
2021-07-08 q-bio.MN
Decoding the mechanisms underlying cell-fate decision-making during stem cell differentiation by Random Circuit Perturbation
干细胞可以精确和稳健地经历细胞分化和谱系定型,称为干细胞。然而,干细胞调控的基因网络如何可靠地指定细胞命运还没有得到很好的理解。为了解决这个问题,我们采用了最近开发的计算方法,随机电路扰动(RACIPE),九个组件的基因调控网络(GRN)管理的干,从中我们确定了15个强大的基因状态。其中,五个最可能的基因状态中的四个表现出在32细胞和64细胞阶段的单个小鼠胚胎细胞中观察到的基因表达模式。这些基因的状态可以鲁棒地预测的干性GRN,但不是由随机版本的干性GRN。引人注目的是,我们发现了GRN的层次结构,其中Oct 4/Cdx 2基序作为第一个决策模块,其次是Gata 6/Nanog。我们建议,干细胞群体,而不是被视为所有具有特定的细胞状态,可以被视为一个异质的混合物,包括在各种状态的细胞。在受到外部信号干扰时,干细胞失去进入某些细胞状态的能力,从而分化。研究结果表明,茎GRN的功能主要是由其良好的网络拓扑结构,而不是由详细的动力学参数。
2020-03-31 q-bio.CB q-bio.MN q-bio.QM
Methods for Characterizing the Epigenetic Attractors Landscape Associated with Boolean Gene Regulatory Networks
基因调控网络(GRN)模型是研究发育过程中细胞命运特化的一个成熟的理论框架。最近,GRN的动力学模型已被视为Waddington的表观遗传景观的隐喻模型的形式化的基础上,GRN建模的一般协议提供了一个自然的扩展。在这篇文章中,我们提出了一个连贯的框架,一个新的实现两个先前提出的一般框架建模的表观遗传吸引景观与布尔GRNs:吸引子间和状态间转换的方法。我们实现了新的算法来估计吸引子间的转移概率,而不一定依赖于密集的单事件模拟。我们分析的性能和敏感性参数选择的算法估计吸引子间的转移概率使用三个真正的GRN模型。此外,我们提出了一个并排的下游分析工具,如吸引子的时间和全球的EAL排序分析。总的来说,我们展示了如何使用一个真实的案例研究的方法相互补充:上皮癌变的细胞水平的GRN模型。我们希望这里提出的工具包和比较分析是一个有价值的额外资源,系统生物学社区有兴趣在正常和病理发育过程中建模细胞分化和重编程。
2015-10-14 q-bio.MN
Simultaneously Infer Cell Pseudotime,Velocity Field and Gene Interaction from Multi-Branch scRNA-seq Data with scPN
本文提出 scPN 高维分段网络方法,从多分支 scRNA-seq 数据中联合推断拟时间、速度场与基因调控网络,并在合成及真实数据中验证其优势。
2024-10-24 q-bio.GN q-bio.MN q-bio.QM
Coherent organization in gene regulation: a study on six networks
生物网络中进化优化的结构和动力学指纹仍然不清楚。在这里,我们分析了负责调节细胞周期和细胞分化在三种生物体或细胞类型的遗传调控网络的动态,并表明它们遵守一个版本的赫布规则,我们称之为一致性。更确切地说,我们发现,同时表达的基因与一个共同的目标是不太可能冲突的吸引力的监管动态。然后,我们调查的依赖性的连贯性的结构参数,如输入每个节点的平均数和激活/阻遏的相互作用比,以及动态确定的数量,如盆地的大小和表达的基因的数量。
2015-07-29 q-bio.MN
Multi-modality in gene regulatory networks with slow promoter kinetics
在缺乏遗传变异的情况下,表型变异通常反映了与潜在的基因调控网络(GRNs)相关的复杂能量景观。在这种观点中,不同的表型与复杂非线性系统的替代状态相关联:确定性模型中的稳定吸引子或随机描述中的平稳分布模式。我们提供了这些景观的理论和实践特征,特别是专注于随机慢启动子动力学,相关的时间尺度时,转录因子的绑定和解绑定的表观遗传过程,如DNA甲基化和染色质重塑。在这种情况下,很大程度上未经探索,除了数值模拟,绝热近似的促进剂动力学是不合适的。在现有的文献相比,我们提供了严格的分析表征的多种模式。一般的形式化方法可以洞察参数的影响,并预测GRN布线的变化,例如通过突变或人工干预,影响可能的数量,位置和替代状态的可能性。我们适应的工具,从数学领域的奇异摄动理论,代表固定分布的化学主方程的GRNs的泊松分布的混合物,并获得明确的公式的亚稳态的位置和概率作为一个函数的参数描述的系统。作为例证,该理论是用来梳理出的随机模型中的合作绑定的作用相比,确定性模型,和应用程序给出了各种模型系统,如切换开关隔离或在通信的人口,合成振荡器和trans-differentiation网络。
2018-06-26 q-bio.MN
Lévy noise-induced transitions in gene regulatory networks
噪声对一维单基因基因表达模型的重要影响已被广泛讨论。然而,很少有工作一直致力于在二维模型,其中包括基因的相互作用的过渡。因此,我们在这里,一个定量的二维模型(MeKS网络)的基因表达动态描述的能力发展的B。subtilis的影响下的Lévy以及布朗运动,其中噪声可以做B。枯草芽孢杆菌有利于养分的消耗。为了分析其中的植物和感受态区域之间的过渡,两个确定性的量,平均第一次退出时间(MFET)和第一次逃逸概率(FEP)从微观的角度来看,以及从宏观的角度来看,它们的平均版本,应用。相对贡献因子(RCF),非高斯和高斯噪声强度的比值,被用来实现这些过渡的最优控制。示意图表明,存在一个最佳选择,使过渡发生在最高的概率。此外,我们使用一个几何概念,吸引力的随机盆地,表现出一个形象的理解力的能力状态的盆地稳定性的Lévy运动的影响。
2017-05-10 math.DS q-bio.MN
Identifying the Attractors of Gene Regulatory Networks from Expression Data under Uncertainty: An Interpretable Approach
University of Neyshabur(内沙布尔大学)
针对基因调控网络在不确定性下吸引子识别难题,本文提出基于Zadeh计算词汇的可解释方法,从时间表达数据中稳健识别吸引子,并以遗传双稳态开关验证了其有效性。
2024-03-16 cs.AI cs.SY eess.SY
A scalable gene network model of regulatory dynamics in single cells
Mila, the Quebec AI Institute(米拉魁北克人工智能研究所);Université de Montréal(蒙特利尔大学);Institute of Computational Biology, Helmholtz Munich(亥姆霍兹慕尼黑计算生物学研究所);Technical University of Munich(慕尼黑工业大学);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心);TUM School of Life Sciences Weihenstephan, Technical University of Munich(慕尼黑工业大学魏恩施蒂芬生命科学学院)
针对单细胞转录动力学建模的挑战,提出可扩展的FLeCS模型,结合基因网络与微分方程,在多种实验数据中准确推断细胞动态并揭示基因敲除的调控功能。
2025-03-25 cs.LG q-bio.MN
Oscillations and Spatial Patterns in Large-Scale Stochastic Gene Regulatory Networks
Benemérita Universidad Autónoma de Puebla(普埃布拉自治大学)
研究负反馈与扩散的循环基因调控网络,通过确定性和随机方法分析其稳定性,发现随机波动可诱导图灵失稳,为理解发育中的模式形成提供新视角。
2026-06-19 q-bio.MN
Synthesising Executable Gene Regulatory Networks from Single-cell Gene Expression Data
生物学的最新实验进展使研究人员能够同时获得数百甚至数千个细胞的单细胞分辨率的基因表达谱。这些单细胞测量提供了组成组织的细胞状态的快照,而不是传统高通量实验提供的群体水平平均值。因此,这些新数据为计算建模提供了一个令人兴奋的机会。在本文中,我们介绍的想法,查看单细胞基因表达谱的异步布尔网络的状态,和框架模型推理的布尔网络从其状态空间重建的问题。然后我们给出了一个可扩展的算法来解决这个综合问题。我们将我们的技术应用于模拟和真实数据。我们首先将我们的技术应用于从一个完善的骨髓祖细胞分化模型模拟的数据。我们表明,我们的技术是能够恢复原来的布尔网络规则。然后,我们将我们的技术应用于胚胎发育期间采集的包含数千个细胞测量值的大型数据集。我们的技术合成了匹配的布尔网络,对这些模型的分析产生了关于血液发育的新预测,我们的实验合作者能够验证这些预测。
2018-01-17 cs.CE cs.LO q-bio.MN
Interpretable Neural ODEs for Gene Regulatory Network Discovery under Perturbations
Department of Computer Science, Columbia University, New York, U.S.(哥伦比亚大学计算机科学系);Department of Industrial Engineering and Operations Research, Columbia University, New York, U.S.(哥伦比亚大学工业工程与运筹学系);Department of Applied Mathematics and Applied Physics, Columbia University, New York, U.S.(哥伦比亚大学应用数学与应用物理系);New York Genome Center, New York, U.S.(纽约基因组中心);Irving Institute of Cancer Dynamics, New York, U.S.(伊万·罗伯特癌症动力学研究所);Institute of Computational Biology, Helmholtz Munich, Munich, Germany(海德堡医学院计算生物学研究所);Department of Mathematics, Technische Universität München, Munich, Germany(慕尼黑技术大学数学系)
提出PerturbODE框架,利用可解释神经常微分方程建模扰动下的细胞状态轨迹,从ODE参数中推导因果基因调控网络,实现未见遗传干预的模拟。
2026-05-29 cs.AI cs.CE cs.LG
Rare-Event Sampling of Epigenetic Landscapes and Phenotype Transitions
随机模拟已经成为研究基因调控网络动力学的有力工具,特别是在理解细胞表型稳定性和命运转变如何受到噪声基因表达的影响方面。然而,基因网络通常具有多个吸引子的动力学特征。随机模拟对于这样的系统通常是低效的,因为大部分模拟时间都花在等待罕见的跨越障碍的事件发生上。我们提出了一种基于稀有事件模拟的方法,用于计算亚稳态基因网络中的表观遗传景观和表型转换。我们的计算流水线的灵感来自于蛋白质折叠中的亚稳态和障碍交叉的研究,并提供了一种自动化的方法来计算和可视化基本的静态和动态信息,这些信息通常是传统模拟无法获得的。应用于胚胎干细胞多能性的网络模型,我们的模拟揭示了罕见的表型和表型状态之间的近似马尔可夫转换,发生在广泛的时间范围内。表型的相对概率和连接多能性和分化的过渡路径对控制转录因子-DNA结合动力学的全局动力学参数敏感。我们的方法显著扩展了随机模拟研究基因调控网络动态的能力,这可能有助于指导合理的细胞重编程策略。我们的方法也可以推广到其他类型的分子网络和随机动力学框架。
2017-12-29 q-bio.MN
Stability and multi-attractor dynamics of a toggle switch based on a two-stage model of stochastic gene expression
拨动开关由两个相互抑制的基因组成。该调控基序在细胞分化期间是活跃的,并且被认为充当记忆装置,能够选择和维持细胞命运决定。在这方面的贡献,我们研究的稳定性和动力学的两个阶段的基因表达开关的概率框架内启发的性质的Pu/Gata切换开关在骨髓祖细胞。我们专注于低mRNA数量,高蛋白丰度和单体转录因子结合。与确定性描述的预期相反,该开关显示出复杂的多吸引子动力学,而没有自激活和协同性。最重要的是,该系统的四个吸引子,这只出现在一个概率的两阶段的描述,可以确定与承诺和启动状态的细胞分化。我们首先研究了系统的动力学,并利用系统的准势和概率流来推断在吸引子之间移动系统的机制。其次,我们证明了系统在其中一个承诺吸引子中的停留时间是几何分布的,并给出了该分布的解析表达式。最重要的是,我们发现平均停留时间随平均蛋白质水平线性增加。最后,我们研究了这种分布的开关的稳定性的影响,并讨论了一个特定的细胞分化机制的稳定性的影响。我们的模型解释了谱系启动,并提出需要高蛋白质数量或长期修饰,如染色质重塑,以实现稳定的细胞命运决定。值得注意的是,我们提出了一个系统,具有高的蛋白质丰度,但需要一个概率描述,表现出多稳定性,复杂的开关动态和谱系启动。
2011-12-01 q-bio.MN
Learning biophysical models of gene regulation with probability flow matching
Center for Computational Biology, Flatiron Institute, New York, NY, USA, 10010;Molecular \& Cellular Biology Department, Harvard University, Cambridge, MA 02138;Courant Institute of Mathematical Sciences, New York University, New York, NY, USA, 10012
本文提出概率流匹配方法,用于从单细胞测序数据中学习生物物理一致的基因调控过程,展示了其在造血分化数据集中的应用,能够准确捕捉细胞命运决定和基因扰动响应等机制。
2026-04-27 cs.LG physics.bio-ph q-bio.MN
Ensembles, Dynamics, and Cell Types: Revisiting the Statistical Mechanics Perspective on Cellular Regulation
遗传调控网络控制个体发育。50年来,布尔网络一直是这类系统的模型,从随机布尔网络的集合作为基因调控的一般特性的模型,到越来越多的真实细胞子网络的工作动力学模型。同时,对它们的统计力学也进行了深入的研究。在这里,我们概括了他们的原始动机的背景下,目前的理论和实证研究。我们讨论了随机布尔网络的动态吸引子模型细胞类型的合奏。子系综是临界系综。现在有强有力的证据表明,遗传调控网络是动态的关键,进化正在探索关键的子集合。该子系综的一般性质预测了细胞分化的基本特征。特别是,这种网络中吸引子的数量随着DNA含量的0.63次方而增加。作为每个细胞的DNA含量的函数的细胞类型的数量的数据显示0.88的比例关系。因此,该理论正确地预测了细胞类型的数量和每个细胞的DNA含量之间的幂律关系,以及可比较的斜率。我们讨论了这些新的标度值,并展示了布尔网络作为系统生物学基础模型的新研究路线的前景。
2019-02-01 cond-mat.dis-nn physics.bio-ph q-bio.MN
Comparing multiple networks using the Co-expression Differential Network Analysis (CoDiNA)
生物医学科学越来越认识到基因共表达网络对于分析复杂系统、表型或疾病的相关性。当目标是在不同条件下研究复杂的表型时,自然会采用比较网络方法。虽然存在用于比较两个网络的方法,但对于多个网络而言并非如此。在这里,我们提出了一种方法,用于系统地比较无限数量的网络:共表达差分网络分析(CoDiNA)检测链接和节点是共同的,特定的或不同的网络。将CoDiNA应用于神经发生研究,确定了神经元分化的基因。实验性地过度表达一个候选基因导致了潜在的神经发生基因调控网络的显著紊乱。我们比较了患有活动性结核病的成人和儿童的数据,以检测艾滋病毒的特征。我们还用CoDiNA确定了特定癌症类型的共同和独特的网络特征。这些研究表明,CoDiNA成功地检测到与疾病相关的基因。
2018-09-28 q-bio.MN stat.AP stat.CO