Two different modes of oscillation in a gene transcription regulatory network with interlinked positive and negative feedback loops
我们研究了一个由正负反馈环相连的基因调控网络的振荡行为。频率和振幅是振动的两个重要性质。所研究的网络产生两种不同的振荡模式。在一种模式（模式1）中，频率在宽范围的振幅上保持恒定，而在另一种模式（模式2）中，振荡的振幅在宽范围的频率上保持恒定。我们的研究再现了单个基因调控网络中振荡的两个特征，并表明基因调控网络中的负加正反馈回路提供了额外的优势。我们确定了负责不同振荡模式的关键参数/变量。通过适当地选择所需的参数/变量，网络在不同模式之间的切换是灵活的。
2015-09-12 q-bio.MN
A Network Science Approach to Driver Gene Detection In Human Regulatory Network Using Genes Influence Evaluation
癌症的发生是由于细胞调节机制的紊乱，导致细胞畸形.启动畸形的基因被称为癌症驱动基因（CDG）。目前已经有许多计算方法被用来识别使用突变概念的癌症驱动基因。关于人类细胞和肿瘤发展中的异常传播，CDG可能是网络中具有高影响力的潜在基因类型。这增加了影响扩散概念对于识别CDG的重要性。最近开发了一种基于影响最大化的识别癌症驱动基因的方法。在这些类型的网络中的挑战之一是发现边缘之间的调控相互作用的力量。目前的研究开发了一种技术来识别癌症驱动基因并预测转录调控网络中调控相互作用的影响。该技术利用影响扩散的概念，并基于影响扩散对超链接诱导的主题搜索算法进行优化。结果表明，我们提出的技术比其他计算和基于网络的方法更好的性能。
2020-01-26 q-bio.MN
Cancer driver gene detection in transcriptional regulatory networks using the structure analysis of weighted regulatory interactions
启动细胞异常和导致人类癌症的基因的鉴定是肿瘤学研究的重要领域之一。这些基因中的突变和异常发展然后转移到细胞中的其他基因，从而破坏细胞的正常功能。这些基因被称为癌症驱动基因（CDG）。已经提出了用于预测CDG的各种方法，其中大多数基于基因组数据和基于计算方法。因此，一些研究人员开发了新的生物信息学方法。在这项研究中，我们提出了一个算法，这是能够计算每个基因的有效性和强度，并通过使用基因调控网络和基因之间的调控连接结构的随机分析排名。为此，我们首先使用基因表达数据和调控相互作用列表构建了调控网络。然后，利用网络的生物学和拓扑学特征，我们对调节相互作用进行加权。在此基础上，将得到的调控作用权重用于相互作用结构分析过程。相互作用的分析，实现了使用两个单独的马尔可夫链的二分图从主图的基因网络。要做到这一点，随机方法的链接结构分析已实施。所提出的算法分类较高排名的基因作为驱动基因。所提出的算法的效率，关于F-测量值和识别的驱动基因的数量，与其他23个计算和基于网络的方法进行了比较。
2021-01-19 q-bio.BM q-bio.MN
Modeling of gap gene regulatory networks in Drosophila with the account of the gene modular structure (in Russian)
基因经常以复杂的方式进行调控，需要建模方法，超越简单的（线性）基因-基因相互作用，并解决顺式调控区和替代转录起始位点的模块化。特别是，尖锐的表达模式（峰或条纹）表明，基因调控涉及非线性转录因子动力学（超过一阶）。我们提出了一种方法来解决这个问题，使用的例子中发现的多个顺式调控模块（CRM）和两个转录本（P1和P2）在果蝇驼背（HB）和（CD 1和CD 2）在Kruppel（Kr）基因，沿前后轴的胚胎表达的基因。的mRNA表达模式的位置特征进行了研究，其灵敏度的输入因素和初始条件的变化。
2018-01-10 q-bio.MN
Regulatory motifs: structural and functional building blocks of genetic computation
发展和维持生命需要大量的计算。这是由基因调控网络完成的。但我们对这种计算是如何组织的知之甚少。我表明，调控网络的结构和功能之间存在直接的对应关系，我称之为调控基序。我得出一个简单的约束的范围内的功能，这些图案可以执行，在本地网络结构。我证明了这个范围是所有可能函数的一小部分，这严重限制了全局网络的行为。这种限制的部分原因是调节基序可以实现的功能冗余-有很多方法可以执行相同的任务。调控基序帮助我们理解遗传计算是如何组织的，以及它能实现什么。
2022-08-31 cond-mat.stat-mech 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
Dynamics of gene expression and the regulatory inference problem
从对外界刺激的反应到细胞分裂和死亡，活细胞的动力学是基于特定基因在特定时间的表达。何时表达基因的决定是通过转录因子分子与调节DNA的结合和解结合来实现的。在这里，我们构建随机模型的基因表达动力学和信使RNA浓度的实验时间序列数据进行测试。该模型用于推断基因转录的生物物理参数，包括转录因子-DNA结合的统计和由给定的转录因子控制的靶基因。
2008-03-05 q-bio.MN
SIREN Cytoscape plugin: Interaction Type Discrimination in Gene Regulatory Networks
将表达数据与网络中的基因相互作用相结合对于理解细胞的功能组织至关重要。因此，在生物网络中的相互作用类型的知识是重要的数据解释。Signing of Regulatory Networks（SIREN）plugin for Cytoscape是一个开源Java工具，用于区分基因调控网络中的相互作用类型（激活或抑制）。SIREN利用基于信息论的概念，试图通过检查它们相应的基因表达谱来识别基因对的相互作用类型。我们介绍SIREN，一个快速和内存高效的工具，具有低计算复杂度，使用户可以很容易地将其视为许多网络重建方法的补充方法。SIREN允许生物学家使用独立的表达数据来预测已知基因调控网络的相互作用类型，其中重建方法不提供关于其相互作用类型的性质的任何信息。SIREN Cytoscape插件是用Java实现的，可以在http://baderlab.org/Software/SIRENplugin和Cytoscape应用程序管理器上免费获得。
2015-12-16 q-bio.MN
Is prokaryotic complexity limited by accelerated growth in regulatory overhead?
生物复杂性的增加通常与新的遗传信息的增加有关，这些信息必须整合到细胞内运行的现有调控网络中。关于网络控制的一般论点，以及最近的几个基因组观察表明，调控基因的数量随着基因组大小的增加而快速增长。我们提出了两个模型的增长调控网络。两者都预测转录调节因子的数量将与总基因数成二次方关系。这似乎与来自89个完全测序的原核生物的基因组数据在定量上一致。此外，经验曲线预测，任何新的非调控基因将伴随着超过一个额外的调节基因组大小的约20，000个基因，在所观察到的上限的两倍内。我们的分析将转录调控网络归入加速网络一类。我们认为，原核生物的复杂性可能已被限制在整个进化过程中的监管开销，相反，复杂的真核生物必须绕过这一限制的新策略。
2003-11-15 q-bio.GN q-bio.MN
Inferring stochastic regulatory networks from perturbations of the non-equilibrium steady state
调控网络描述了分子或细胞调控因子之间的相互作用，如基因调控网络中的转录因子和基因，信号网络中的激酶及其受体，或神经网络中的神经元。定量生物学的一个长期目标是在大规模数据的基础上重建这样的网络。我们的目标是利用非平衡稳态周围的波动进行网络推理。为此，我们使用一个随机模型的基因调控或神经动力学和解决它近似在高斯平均场理论。我们开发了一个可能性估计的基础上，这个随机理论来推断监管的相互作用，从扰动数据的网络节点。我们将这种方法应用于人工扰动数据以及磷酸化蛋白质组数据从细胞系实验和比较我们的结果推理计划限制在稳态的平均活动。
2022-12-27 q-bio.MN
Information transmission in genetic regulatory networks: a review
遗传调控网络使细胞能够通过动态协调其基因表达谱来响应内部和外部条件的变化。我们在这些生化回路中进行定量测量的能力加深了我们对基因调控网络可以执行何种计算以及具有何种可靠性的理解。这些进展促使研究人员寻找遗传调控网络的结构和功能之间的联系。在网络的输入和输出之间传输信息已经被提出作为一种可能的功能度量，在某些生物学背景下相关。在这里，我们总结了信息论在基因调控网络中应用的最新进展。我们首先回顾信息论中的基本概念，以了解最近的工作。然后，我们讨论了基因调控的功能复杂性所产生的调控相互作用的分子性质。最后，我们回顾了一些实验支持的观点，负责多细胞生物的早期发展的遗传网络可能会最大限度地提高传输的“位置”信息。
2011-01-21 physics.bio-ph 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
Modeling Dynamics, Cell Type Specificity, and Perturbations in Gene Regulatory Networks
Wisconsin Institute for Discovery, University of Wisconsin-Madison（威斯康星发现研究所，威斯康星大学麦迪逊分校）；Department of Biostatistics and Medical Informatics, University of Wisconsin-Madison（威斯康星大学麦迪逊分校生物统计与医学信息学系）
本文综述了利用单细胞组学数据推断基因调控网络的方法，重点探讨动态性和扰动，并指出该领域需解决的关键挑战。
2026-02-21 q-bio.MN
Inference on the structure of gene regulatory networks
本文对基因调控网络结构的推断进行了理论分析。根据实验方法和数据类型，推理问题被分为20个不同的场景。对于每一种情况，我们讨论的问题，有足够的数据，在什么样的假设下，什么可以推断的结构。对于文献中已经涉及的场景，我们提供了一个简短的回顾。对于文献中没有涉及的场景，如果结构可以推断，我们提出了新的数学推理方法，并在模拟数据上进行评估。否则，我们证明结构不能被推断。
2022-02-17 q-bio.MN
Robustness and fragility of Boolean models for genetic regulatory networks
基因和基因产物之间的相互作用产生了复杂的电路，使细胞能够处理信息并对外部信号做出反应。理论研究通常使用连续、随机或逻辑方法描述这些相互作用。我们提出了一个新的建模框架基因调控网络，结合了直观的吸引力的定性描述基因状态的高度灵活性，将随机性在细胞过程的持续时间。我们将我们的方法应用到片段极性基因的调控网络中，从而获得了对基因表达模式发展的新见解。例如，我们表明，非常短的合成和衰变时间可以扰乱野生型模式。另一方面，翻译前和翻译后过程之间的时间尺度的分离和最小的prepattern确保收敛到野生型表达模式，而不管波动。
2005-01-27 q-bio.MN
Modeling Stochasticity and Variability in Gene Regulatory Networks
基因调控网络的随机性建模是分子系统生物学中一个重要而复杂的问题。为了阐明固有噪声，已经成功地使用了几种建模策略，如Gillespie算法。本文提供了一种替代这些经典设置的方法。在离散范式中，基因、蛋白质和基因调控网络的其他分子组分被建模为离散变量，并被分配为描述其通过与其他组分的相互作用进行调控的逻辑规则。在生物功能水平上对随机性进行建模，假设即使更新规则的输入节点的表达水平保证激活或退化，由于随机效应，该过程也有可能不会发生。这种方法允许对离散模型进行更精细的分析，并为细胞群模拟提供了一个自然的设置，以研究细胞间的变异性。我们将我们的方法应用于两个研究最多的调控网络，λ噬菌体感染细菌和p53-mdm 2复合物的结果。
2012-03-26 q-bio.MN
Time-delayed models of gene regulatory networks
在这篇综述中，我们讨论了不同的数学模型的基因调控网络相关的癌症的发生和发展。在讨论了替代建模方法后，我们使用了一个范例的两个基因网络集中在基因调控网络的动态中的时间延迟所发挥的作用。我们对比的动力学减少模型中出现的快速mRNA动力学的限制与完整的模型。审查的结论与一些开放的问题的讨论。
2015-10-28 q-bio.MN q-bio.QM
Reliability of regulatory networks and its evolution
在具有连续时序和噪声的广义布尔网络模型框架下，研究了生物调控网络动力学的可靠性问题。使用著名的人工遗传网络，如repressilator，我们讨论的概念的可靠性的节奏吸引。在一个简单的演化过程中，我们研究了整体网络结构如何影响动力学的可靠性。在进化过程中，网络被选择为可靠的动态。我们发现，大多数网络可以很容易地朝着可靠的功能，同时保持原有的功能。
2008-05-27 q-bio.MN
Fluctuations in Gene Regulatory Networks as Gaussian Colored Noise
将对基因调控网络波动的研究推广到高斯色噪声的情况。首先，相应的兰之万方程的色噪声的解决方案表示的Ito积分。然后，两个重要的引理有关的Ito积分的方差和两个Ito积分的协方差。在引理的基础上，我们给出了调控网络在稳定平衡点附近分子浓度的方差和协方差的一般公式。并以基因自动调控网络和拨动开关为例进行了详细介绍。在一般情况下，它被发现，有限的相关时间的噪音减少的波动和增强的相关性之间的波动的分子组分。
2009-12-22 physics.bio-ph q-bio.MN
CdtGRN: Construction of qualitative time-delayed gene regulatory networks with a deep learning method
背景：基因调控经常随时间变化而不是恒定不变。但从数据库中提取的基因调控网络大多是静态的。肿瘤抑制基因$P53$参与许多肿瘤的发病机制，其抑制作用在一定时间后才会发生。因此，阐明其随时间变化的调控机制具有重要意义。结果：建立了一种描述动态基因调控网络的定性方法CdtGRN。它采用卷积神经网络（CNN）和全连接网络（DNN）的组合作为预测的核心机制。在ArrayExpress上获得电离辐射Affyscore数据集（E-MEXP-549），通过微阵列基因表达水平预测调控之间的关系。CdtGRN针对具有与$P53$相关的$22,284$基因的时间延迟基因调控网络进行测试。CdtGRN对保守验证集分类的准确度达到92.07 $\%$，kappa系数达到$0.84$，平均AUC准确度为94.25 $\%$。这导致了建筑。结论：本研究所开发的算法和程序可用于识别动态基因调控网络，并通过分析不同时间点的基因表达水平，客观分析调控关系的延迟性。对$P53$的延时基因调控网络也进行了推断和定性表征，有助于理解肿瘤的病理机制。
2021-10-30 q-bio.GN q-bio.MN
Stochastic Hybrid Models of Gene Regulatory Networks - A PDE Approach
描述基因调控网络动力学的一种广泛使用的方法是基于化学主方程，该方程考虑了分子计数的所有可能组合的概率分布。这种模型的分析是非常具有挑战性的，由于其大的离散状态空间。因此，我们提出了一种混合近似方法的基础上，系统的偏微分方程，在那里我们假设一个连续的确定性的蛋白质计数的演变。我们讨论了两种建模方法的有效分析方法，并比较它们的性能。我们表明，混合的方法产生足够大的分子计数的准确结果，同时减少计算工作量从一个常微分方程为每个状态的一个偏微分方程为每个模式的系统。此外，我们给出了一个自我调节基因的情况下的混合模型的解析稳态解。
2018-09-20 q-bio.MN
On Hybrid Gene Regulatory Networks
本文研究了混合基因调控网络（HGRNs）中的不规则行为，提出了关于可达性问题的可判定性、不确定行为概率以及2维HGRNs中混沌的理论结果。
2024-04-24 cs.CE q-bio.MN
Design of a dynamic model of genes with multiple autonomous regulatory modules by evolution in silico
提出了一种利用计算机模拟进化设计多自主调控模块基因动态模型的新方法。该方法是基于遗传算法，执行新的交叉算子，特别是为这些目的。该方法利用子盆地门户架构的适应度函数适合这种进化建模。一系列的基准测试证明了该方法的有效性。
2009-02-28 q-bio.MN q-bio.QM
Patterns of subnet usage reveal distinct scales of regulation in the transcriptional regulatory network of Escherichia coli
由转录因子介导的基因间的调控相互作用形成了物种的转录调控网络（TRN）。通过将该网络与测量的基因表达数据进行比较，可以识别TRN的功能特性并获得对转录控制的一般了解。我们定义一个节点的子网为子图，由该节点拓扑下游的所有节点组成，包括它自己。利用大肠杆菌的大量微阵列表达数据，我们发现不同大肠杆菌中的基因表达在响应环境变化和基因型突变时表现出结构化的模式。表达模式变化较小的亚群具有较高比例的前馈环基序和较低比例的小RNA靶标。我们的研究表明，TRN由几个规模的调节组织：1）与更多的不同的基因表达控制的转录因子和转录后RNA调控，和2）与较少的变化基因表达有更多的前馈环和较少的转录后RNA调控的TRN。
2010-05-24 q-bio.MN
Fan-out in Gene Regulatory Networks
在合成生物学中，基因调控回路通常通过组合较小的回路组件来构建。通过作用于启动子的转录因子实现组分之间的连接。如果单个元件表现为真正的模块，并且满足某些模块接口条件，则原则上可以预测复合电路的功能。在本文中，我们研究的接口条件之一：扇出。我们量化扇出，一个广泛应用于电气工程的概念，以指示上游输出转录因子可以调节的下游输入的最大数量。我们发现，扇出是密切相关的追溯研究Del Vecchio等人。我们提出了一种有效的操作方法来测量扇出，可应用于各种类型的模块接口。我们还表明，扇出可以通过对输出的自抑制调节来增强。我们讨论了在基因调控网络和蛋白质信号通路中发现的抑制性调节的潜在作用。所提出的扇出估计方法不仅提供了一个实验有效的方式来量化基因调控电路的模块化水平，但也有助于表征和设计模块接口，使基因电路的模块化建设。
2010-09-28 q-bio.MN
Causal Discovery for Gene Regulatory Network Prediction
Carnegie Mellon University（卡内基梅隆大学）
生物系统和过程是核酸、蛋白质和代谢物之间复杂的非线性调节相互作用的网络。表示这些交互网络的一种自然方式是使用图。在该公式中，每个节点代表核酸、蛋白质或代谢物，边缘代表分子间相互作用（抑制、调节、促进、共表达等）。在这项工作中，一个新的算法发现的潜在图结构的实验数据。
2023-01-03 cs.AI q-bio.MN
A computational scheme connecting gene regulatory network dynamics with heterogeneous stem cell regeneration
本研究提出一种计算框架，通过数据驱动的遗传函数构建，结合跨细胞周期基因调控网络混合模型与单细胞建模，连接基因调控动力学与异质性干细胞再生，可推广至多种调控网络以深化相关机制理解。
2024-04-17 q-bio.CB q-bio.MN
Quantitative ergodicity for gene regulatory networks with transcriptional bursting
Université de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）；Inria（法国国家计算机科学与控制研究所）；IECL（洛林计算与控制系统实验室）
研究两类分段确定性马尔可夫过程的长期行为，证明在交互基因数和交互强度任意时，平稳分布的存在性和唯一性，并通过耦合方法提供收敛到平衡的Wasserstein距离上界。
2026-05-08 math.PR q-bio.MN
Motifs emerge from function in model gene regulatory networks
基因调控网络出现在所有活细胞中，允许控制基因表达模式。对它们拓扑结构的研究表明，某些相互作用或“基序”的子图出现的频率非常高。我们在此要问的是，这种现象是否会因为这些网络所发挥的功能而出现。给定一个描述监管互动和动态的框架，我们考虑在所有调控网络的空间中，那些有规定的功能。然后使用蒙特卡罗抽样来确定这些功能网络如何导致相互作用中的特定基序统计。在这种情况下，调控网络的约束，表现出多稳定性，我们发现一个高频率的基因对，是相互抑制和自我激活。相比之下，被限制为具有周期性基因表达模式（例如模仿细胞周期）的网络具有高频率的bifan样基序，涉及四个基因，至少一个激活和一个抑制相互作用。
2011-04-22 cond-mat.stat-mech q-bio.MN
Regulatory patterns in molecular interaction networks
理解分子相互作用网络的设计原理是分子系统生物学的一个重要目标。通过发现约束网络动态的图论模式，已经对它们的网络拓扑结构的特征有了一些了解。本文有助于识别模式的机制，管理网络动态。基因调控、信号传导和代谢网络中节点的控制受多种生化机制支配，来自其他网络节点的输入起叠加或协同作用。本文重点讨论了一种经常作为调节模式出现的逻辑规则。在多态离散模型范例的背景下，引入了一种规则类型，该规则类型在布尔网络情况下简化为嵌套canalysing函数的概念。结果表明，采用这种类型的多值逻辑的网络表现出更强大的动态比随机网络，吸引子少，极限环短。它也表明，大多数的调控功能，在许多已发表的模型的基因调控和信号网络是嵌套canalyzing。
2011-06-27 q-bio.MN
Evolving Boolean Regulatory Networks with Variable Gene Expression Times
基因表达所需的时间变化很大，因为蛋白质的长度变化很大。本文使用一个抽象的、可调的布尔调控网络模型来研究基因表达的时间变化。特别是，它示出了如何不均匀的表达时间可以出现在一定条件下，通过模拟进化。也就是说，基因表达时间变化似乎有利于调控网络的动态行为的形成，而不明确考虑蛋白质功能。
2016-03-15 cs.NE q-bio.BM q-bio.MN
Potential for regulatory genetic networks of gene expression near a stable point
构造了一种基于广义势能的调控遗传网络描述。从线性化Fokker-Plank方程的定态解导出了势能，并证明了该结果等价于耦合振子系统。建立了力学图像中的量与稳态波动之间的对应关系。对于与蛋白质度相关的力常数很弱的自调节网络，给出了显式计算。负反馈不仅抑制了波动，而且增加了电位的陡度。涨落的结果与线性噪声Fokker-Planck方程的结果完全一致。
2007-10-20 physics.bio-ph q-bio.MN
Logic and connectivity jointly determine criticality in biological gene regulatory networks
活细胞中基因表达的复杂动力学可以使用布尔网络很好地近似。平均灵敏度是衡量这些系统稳定性的自然指标：低于1的值表示与有序相关联的典型稳定动态，而高于1的值表示混沌动态。这就产生了一个理论上的自适应优势，接近临界值1，在秩序和混乱之间的边界。在这里，我们测量了66个公开可用的布尔网络模型的平均灵敏度，这些模型描述了基因调控回路在不同生活过程中的功能。我们发现这些网络的平均灵敏度值聚集在一个点附近，表明它们接近临界。在许多类型的随机网络中，平均连通性<K>和逻辑函数的平均活动偏差<p>被认为是确定平均灵敏度的最重要的网络属性，并通过扩展网络的临界性。令人惊讶的是，这些基因调控网络中的许多达到了接近临界状态，<K>与<p>临界系统的预测相差甚远：共享生物网络的局部因果结构和局部逻辑的随机网络比单独控制宏观尺度属性（如和）更好地再现了它们的临界行为<K><p>。这表明调控网络内相互作用的基因的局部性质被选择为集体接近临界，并且基因调控网络动力学的这种非局部性质不能单独使用相互作用的密度来预测。
2018-05-03 q-bio.MN
QWENDY: Gene Regulatory Network Inference by Quadruple Covariance Matrices
提出 QWENDY 方法，利用四个时间点的单细胞表达数据和协方差矩阵变换推断 GRN，避免非凸优化并获得唯一解，在实验数据上表现最优。
2025-09-29 q-bio.MN
Restoring information in aged gene regulatory networks by single knock-ins
University of Pittsburgh（匹兹堡大学）；Harvard Medical School（哈佛医学院）；Schoen Adams Research Institute at Spaulding（斯波尔丁肖恩亚当斯研究所）
通过单基因敲入技术恢复衰老基因调控网络中的信息，发现可提升网络信息量达10%，为网络信息流动研究和抗衰老提供了新方向。
2026-01-07 physics.bio-ph q-bio.MN
Gene Regulatory Network Inference with Latent Force Models
University of Cambridge（剑桥大学）；Computer Laboratory（计算机实验室）
当从RNA测序时间序列数据构建基因调控网络（GRNs）时，蛋白质合成的延迟会导致混淆效应。准确的GRN在建模发展、疾病途径和药物副作用时非常有见地。我们提出了一个模型，其中包括翻译延迟相结合的机械方程和贝叶斯方法，以适应实验数据。这使得更大的生物可解释性，并且高斯过程的使用使得能够通过内核实现非线性表达以及自然地解释生物变异。
2020-10-06 cs.LG q-bio.MN
Signal Propagation in Nonlinear Stochastic Gene Regulatory Networks
通过研究随机非线性基因调控网络对输入信号发生器的响应，揭示了该网络的结构。详细研究了四个应用：两个线性系统的非线性连接，逻辑脉冲的设计，分子放大器和E2F1调节元件中三个信号发生器的干扰。基因的相互作用是使用分子图，有一个精确的数学结构，并保留生物意义的过程。
2005-10-29 q-bio.MN q-bio.QM
Evolutionary algorithms in genetic regulatory networks model
遗传调控网络（GRNs）在理解复杂的生物过程中起着至关重要的作用。为了揭示基本的细胞过程，研究基因功能并理解它们之间的复杂关系，建模GRNs非常重要。了解基因之间的相互作用可以开发更好的药物发现和疾病诊断方法，因为许多疾病的特征在于基因的异常行为。在本文中，我们已经审查了各种基于进化算法的方法来建模GRNs，并讨论了各种机遇和挑战。
2012-05-09 cs.CE q-bio.MN
The influence of decay in dynamic models of gene regulatory networks
Kyiv-Mohyla Academy（基辅莫希拉学院）；Institute of Mathematics, NAS of Ukraine（乌克兰国家科学院数学研究所）；Institute of Mathematics and Computer Science, University of Latvia（拉脱维亚大学数学与计算机科学研究所）；Daugavpils University（道加夫皮尔斯大学）
该研究分析了衰减率对三维基因调控网络动态的影响，推导了中心平衡点的解析表达式与线性化系统特征多项式，揭示了衰减率变化可改变平衡点特性、振荡动态及混沌行为，为相关研究提供了分析框架。
2026-10-14 math.DS q-bio.MN
Simulation of Gene Regulatory Networks
这个有限的审查是为了介绍快速增长的细胞代谢及其生化途径的数学建模的主题，更确切地说，与癌细胞凋亡的途径。介绍了化学动力学的一些基本数学模型，重点介绍了随机模型。
2013-10-02 math.PR q-bio.MN q-bio.QM
Design of artificial genetic regulatory networks with multiple delayed adaptive responses
具有适应性反应的遗传调控网络在生物学中被广泛研究。通常，只考虑由几个节点组成的模型。它们提供一个用于激活的输入受体和一个计算自适应响应的输出节点。在这项工作中，我们设计了遗传调控网络与许多受体和许多输出节点能够产生延迟的适应性反应。该设计通过使用突变和选择的进化算法来执行，该算法最小化由信号形状中的自适应响应定义的误差函数。我们提供了几个具有预定义的自适应延迟响应集的网络构建示例。我们表明，一个输出节点可以有不同种类的响应作为激活的受体的函数。此外，复杂的网络结构，因为处理节点可以参与几个输入输出路径。
2016-06-02 physics.bio-ph q-bio.MN
Limit theorems for generalized density-dependent Markov chains and bursty stochastic gene regulatory networks
具有突发动力学的随机基因调控网络可以在中观上建模为广义密度依赖马尔可夫链（GDDMC）或在宏观上建模为分段确定性马尔可夫过程（PMDMC）。在这里，我们证明了一个极限定理表明，每个家庭的GDDMC将收敛到一个PSDs的系统大小趋于无穷大。在简单的耗散条件下，利用耦合方法，证明了平稳分布的存在唯一性和Pestival极限的指数遍历性。进一步的扩展和应用到单细胞随机基因表达动力学和突发随机基因调控网络进行了讨论，并证明了平稳分布的GDDMC模型的收敛性的Pestrian模型。
2019-08-30 math.PR q-bio.MN q-bio.QM
Synchronization and clustering of synthetic genetic networks: A role for cis-regulatory modules
详细研究了通过顺式调节模块（CRMs）的信号整合对群体感应耦合的双组分遗传振荡器群体同步化和聚类的影响。我们发现，标准物质发挥了重要作用，在实现同步和聚类。为此，我们研究了6种可能的顺式调节输入功能（CRIF），其中AND、OR、ANDN、ORN、XOR和EQU类型的响应在两种可能的细胞间通信中：激活物调节的通信（即，自诱导物调节激活物）和阻遏物调节的通讯（即，自诱导物调节阻遏物）。理论分析和数值模拟都表明，不同的标准参考模型驱动不同的蜂窝模式，如完全同步、不同的簇平衡状态和多个簇非平衡状态。
2009-04-03 q-bio.MN q-bio.QM
Deep learning-based virtual perturbation reveals increasing heterogeneity of gene regulatory responses with aging
Bar-Ilan University（巴伊兰大学）；Beijing Normal University（北京师范大学）；Brigham and Women’s Hospital（布莱根和妇女医院）；Harvard Medical School（哈佛医学院）
该研究利用深度学习框架DKO分析多物种单细胞转录组数据，发现衰老会使基因调控响应异质性增加，且与分子损伤、衰老状态相关，揭示了衰老的保守调控特征。
2026-10-15 q-bio.GN q-bio.MN q-bio.TO
An Onsager-Machlup approach to the most probable transition pathway for a genetic regulatory network
我们研究了一个描述枯草芽孢杆菌感受态发育的基因表达动力学定量网络。首先，我们引入了Onsager-Machlup方法来量化最可能的兴奋和兴奋动力学的过渡途径。然后，我们应用机器学习方法通过欧拉-拉格朗日方程计算最可能的过渡路径。最后，我们分析了噪声强度对跃迁现象的影响。
2022-03-02 math.DS q-bio.MN
MapReduce Algorithms for Inferring Gene Regulatory Networks from Time-Series Microarray Data Using an Information-Theoretic Approach
基因调控是控制基因表达及其程度的一系列过程。基因和它们的调控分子（通常是转录因子）之间的联系，以及这种联系的描述性模型，被称为基因调控网络（GRNs）。阐明GRNs对于理解细胞的内部运作和基因相互作用的复杂性至关重要。迄今为止，已经开发了许多算法来推断基因调控网络。然而，随着已识别基因数量的增加以及它们相互作用的复杂性被揭示，网络及其调控机制变得难以测试。此外，通过实验结果进行分析需要大量的计算，导致数据处理缓慢。因此，需要新的方法来快速分析大量的实验数据，从细胞GRNs。为了满足这一需求，云计算是有前途的，如文献中所报道的。在这里，我们提出了新的MapReduce算法，用于在云环境中的Hadoop集群上推断基因调控网络。这些算法采用信息理论的方法来推断GRNs使用时间序列微阵列数据。实验结果表明，我们的MapReduce程序比现有的工具快得多，同时实现略好的预测精度比现有的工具。
2017-03-15 cs.CE q-bio.GN q-bio.MN
Coevolving Boolean and Multi-Valued Regulatory Networks
随机布尔网络已被广泛用于探索基因调控网络的各个方面。一个修改后的形式的模型，通过它来系统地探索基因状态的数量增加的影响，以前已经介绍。在本文中，这些离散的动力学网络的耦合，崎岖的适应度景观，以探索他们的行为。结果表明，布尔模型的一般属性仍然与更高值的逻辑，无论更新方案或健身采样方法。在共同进化的网络中引入拓扑不对称性被认为会改变行为。
2023-02-03 cs.NE q-bio.MN
Are scale-free regulatory networks larger than random ones?
编译Debian GNU/Linux操作系统中具有调控交互（依赖和冲突）的软件包网络，并将其用作基因调控网络的类比。使用回溯算法，我们分别从真实模型数据和空模型数据的无标度拓扑和指数拓扑的潜在包池中组装网络。我们计算可以在系统中功能性安装的软件包的最大数量（即，活动网络大小）。我们发现，无标度调控网络允许一个更大的主动网络的大小比随机的。具有无标度调控拓扑结构的小基因组可以比具有指数拓扑结构的大基因组允许更多的功能，这对它的动力学，鲁棒性和进化有影响。
2005-01-19 q-bio.GN q-bio.MN
Reverse engineering gene regulatory networks using approximate Bayesian computation
基因调控网络是基因的集合，这些基因彼此相互作用，并与细胞中的其他物质相互作用。通过使用高通量技术测量随时间推移的基因表达，可以反向工程或推断特定细胞过程中涉及的基因网络的结构。这些基因表达数据通常具有高维度和有限数量的生物学重复和时间点。由于这些问题和生物系统的复杂性，从基因表达数据逆向工程网络的问题需要一套专门的统计工具和方法。我们提出了一个非标准的适应称为近似贝叶斯计算基于马尔可夫链蒙特卡罗采样的模拟为基础的方法。这种方法特别适合于从纵向数据推断基因调控网络。这种方法的性能进行了研究，通过模拟和使用纵向表达数据从大肠杆菌中的遗传修复系统。
2011-09-07 q-bio.MN stat.AP
Tensor Network based Gene Regulatory Network Inference for Single-Cell Transcriptomic Data
本研究提出基于张量网络和量子互信息的量子启发框架，从单细胞转录组数据推断基因调控网络，有效捕捉高阶非线性依赖，并在超过28,000个细胞的数据中恢复六基因网络及三元调控机制。
2025-09-08 q-bio.MN quant-ph
Robustness, Stability and Efficiency of Phage lambda Gene Regulatory Network: Dynamical Structure Analysis
基于我们的物理和生物学研究，我们最近开发了一个数学框架，用于分析非线性动力学。我们称这个框架为动态结构分析。它有四个动力要素：潜在景观、横向矩阵、后代矩阵和随机驱动。特别强调了潜在景观的重要性和存在性。通过对λ噬菌体最简单的基因调控网络的稳定性、鲁棒性和效率的研究，详细说明了动态结构分析。
2004-03-15 cond-mat.stat-mech nlin.AO q-bio.MN
Noise control in gene regulatory networks with negative feedback
基因和蛋白质通过复杂的生化反应回路调节细胞功能。这些调控网络的组件中的波动导致噪声，该噪声总是破坏信号，可能损害功能。在这里，我们创建了一个实用的形式主义的基础上介绍的想法维纳和Kolmogorov（WK）的过滤噪声在工程通信系统，以定量评估在何种程度上可以控制噪声的生物过程中，涉及负反馈。应用的理论，再现了先前证明的缩放的信号事件的数量方面的噪声抑制的下限，表明四环素抑制剂为基础的负调控基因电路的行为作为WK过滤器。对于类Hill-like非线性调节函数，这种类型的滤波器提供了最佳的噪声降低。我们的理论方法可以很容易地结合实验测量的响应函数在各种各样的遗传电路，阐明生物网络最小化噪声的一般原则。
2016-03-08 cond-mat.stat-mech physics.bio-ph q-bio.MN
Canalization as a stabilizing principle of gene regulatory networks: a discrete dynamical systems perspective
Iowa State University（爱荷华州立大学）
本文从离散动力系统角度探讨基因调控网络的稳定性原理，提出通道化作为稳定机制，并分析其数学基础、应用及面临的挑战。
2025-11-22 cs.DM math.DS q-bio.MN
Prediction of a Gene Regulatory Network from Gene Expression Profiles With Linear Regression and Pearson Correlation Coefficient
基因调控网络的重构是通过一定的计算技术从基因表达谱中识别基因依赖关系的过程。在我们的人体中，虽然所有细胞都具有相似的遗传物质，但激活状态可能有所不同。这种基因激活的变化有助于研究人员更多地了解细胞的功能。研究人员从微阵列技术中获得了对精神疾病、传染病、癌症疾病和心脏病等疾病的洞察。在这项研究中，使用简单而新颖的机器学习方法构建了癌症特异性基因调控网络。在第一步中，线性回归算法为我们提供了显著的基因，这些基因表达不同。接下来，使用Pearson相关系数计算了所鉴定的基因之间的调控关系。最后，所得到的结果进行了验证与现有的数据库和文献。我们可以识别枢纽基因，并可以作为癌症诊断的目标。
2018-05-02 cs.CE q-bio.GN q-bio.MN
