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
Adaptive gene regulatory networks
基因之间的调控相互作用显示出大量的跨物种变异性，即使潜在的功能是保守的：有许多方法可以实现相同的功能。在这里，我们调查的能力，调控网络重现给定的表达水平在一个简单的模型中的基因调控。我们发现一个指数级大的调控网络空间与一组给定的表达水平兼容，从而产生了广泛的网络熵。调控网络的典型实现被发现共享一个偏向对称的相互作用，在符合经验证据。
2009-02-17 q-bio.MN
From time-series transcriptomics to gene regulatory networks: a review on inference methods
基因调控网络的推断已经成为一个活跃的研究领域约20年，导致基于各种假设和方法的复杂推断算法的发展。随着对更精确和更强大的模型的需求不断增加，推理问题仍然具有广泛的科学兴趣。生物系统通过基因调控网络的抽象表示代表了研究此类系统的强大方法，编码不同数量和类型的信息。在这篇综述中，我们总结了不同类型的推理算法，特别是基于时间序列转录组学，给出了基因调控网络在计算生物学中的主要应用的概述。这篇综述旨在为生物学家和研究人员提供调控网络推理工具的最新概述，并指导他们选择最适合他们的问题，目标和实验数据的适当推理方法。
2022-11-02 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
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
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
Unsupervised learning of transcriptional regulatory networks via latent tree graphical models
Microsoft Research（微软研究院）；Massachusetts Institute of Technology（麻省理工学院）；University of California Irvine（加州大学尔湾分校）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Morgridge Institute for Research（莫格里奇研究所）
基因表达是转录活性和细胞状态的易于观察的定量，其使得能够恢复调节子与其靶基因之间的关系。从基因表达数据重建转录调控网络是一个备受关注的问题，但以往的工作往往作出简化（但不切实际）的假设，即调控活性由mRNA水平表示。我们使用潜在树图形模型来分析基因表达，而不依赖于转录因子表达作为调节活性的代理。潜在树模型是一种马尔可夫随机场，包括观察到的基因变量和潜在（隐藏）变量，它们在马尔可夫树上分解。通过有效的无监督学习方法，我们确定哪些基因组由隐藏的调节因子共同调节，以及这些调节因子的活性水平。后处理将这些发现的潜在变量中的许多注释为特定的转录因子或转录因子组。其他潜变量不一定代表物理调节因子，而是揭示了基因表达中的隐藏结构，例如共享的生物学功能。我们将潜在树图形模型应用于酵母应激反应数据集。除了新的预测，如条件特异性结合的转录因子Msn 4，我们的模型恢复了许多已知的方面的酵母调控网络。这些包括共调节基因组、条件特异性调节因子活性和转录因子之间的组合调节。潜在树图形模型是用于分析基因表达数据的通用方法，其不需要关于存在哪些可能的调控因子、调控因子活性或转录因子物理结合的先验知识。
2016-09-20 cs.LG q-bio.MN
The role of incoherent microRNA-mediated feedforward loops in noise buffering
MicroRNA是一类内源性非编码RNA，在植物和动物体内负调控蛋白质编码基因的表达。已知它们在若干生物过程中起重要作用，并且与转录因子一起形成复杂且高度互连的调控网络。观察该网络的结构，可以识别出一些代表性过高的基序，这些基序预计将执行重要的基本调节功能。其中，microRNA介导的前馈环发挥着特殊的作用，在该前馈环中，主转录因子调节microRNA，并与其一起调节一组靶基因。在本文中，我们通过分析和模拟表明，该模体的不连贯的版本可以耦合的目标蛋白质水平的微调与有效的噪声控制，从而赋予精度和稳定性的整体基因表达程序，特别是在上游监管机构的波动的存在下。在其他结果中，我们的模型的一个重要预测是，波动的最佳衰减与目标表达的适度抑制相一致。这一特征与预期的微调功能一致，并且与广泛类别的microRNA对其靶蛋白输出的实际影响的实验观察一致。最后，我们描述了如果microRNA介导的电路不被认为是孤立的，而是嵌入在一个更大的监管网络中，那么microRNA靶点之间的串扰对噪声缓冲效率的影响。
2011-09-12 q-bio.MN q-bio.QM
Stochastic fluctuations can reveal the feedback signs of gene regulatory networks at the single-molecule level
了解自发随机波动与潜在基因调控网络拓扑结构之间的关系对于研究单细胞随机基因表达具有重要意义。通过求解具有非线性反馈调节的随机基因表达动力学模型中蛋白质拷贝数的稳态分布，揭示了单分子水平上随机波动与反馈拓扑结构之间的关系，为反馈环如何以及在多大程度上增强或抑制分子波动提供了新的见解.基于这种关系，我们还开发了一种有效的方法来提取的基因调控网络的拓扑信息从单细胞基因表达数据。通过数值模拟证明了该理论，更重要的是，通过对整合在人肾细胞中的合成基因电路的单细胞数据分析定量验证了该理论。
2017-10-24 cond-mat.stat-mech physics.bio-ph 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
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
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
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
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
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
Hierarchical cell identities emerge from animal gene regulatory mechanisms
本研究通过发展预测性数学理论，揭示了细胞身份的层级结构是动物特异性表观遗传基因调控机制的基本涌现特性，并定量预测了谱系关系、祖细胞状态及癌症中的细胞身份失调机制。
2025-04-05 q-bio.CB q-bio.MN
Mapping disease-regulatory flux through eQTL-based causal gene networks: a complex-trait framework applied to coronary artery disease
University of Bergen（卑尔根大学）；Karolinska Institutet（卡罗林斯卡学院）
GRN-TWAS通过整合基因调控网络拓扑结构，提升冠状动脉疾病基因-疾病关联研究的发现和解释能力。
2026-09-21 q-bio.GN q-bio.MN q-bio.QM
On prediction of regulatory genes by analysis of C.elegans functional networks
连接网络最近已成为生物学中广泛使用，由于越来越多的信息的物理和功能之间的联系，个别蛋白质。这种连接性数据提供了有价值的材料，扩展我们的知识远远超出了实验验证通过数学分析和理论预测的新的功能相互作用。在本文中，我们展示了几种算法的应用程序开发的潜在的基因表达调控的背景下，相关的网络的排名。我们分析了基因和蛋白质之间不同类型的连接如何影响完整的秀丽隐杆线虫功能网络的拓扑结构，从而验证算法性能。我们证明了可能的定义，共表达基因簇的网络背景下，从他们的特定的基序分布签名。我们还表明，基于最短路径函数（SPF）的方法应用于共表达基因簇的基因相互作用子网络，有效地预测新的调控转录因子（TF）。同时应用其他方法，包括只与邻近基因的相互作用，允许快速排名的潜在监管机构，可以在功能上与一组共表达的基因。预测一组核糖体/mRNA代谢基因的调节器的功能，我们强调了mRNA翻译和衰减的生物体寿命中的作用。
2013-02-14 q-bio.GN 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
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
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
A Nonparametric Multi-view Model for Estimating Cell Type-Specific Gene Regulatory Networks
Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心）
我们提出了一个贝叶斯分层多视图混合模型，称为Symphony，它通过整合来自两个视图的数据来同时学习代表细胞类型及其基础基因调控网络的细胞簇：单细胞基因表达数据和成对的表观遗传数据，这是基因-基因相互作用的信息。该模型通过解释基因-基因协方差与调节基因表达的生物机制，改善了对具有相似表达模式的细胞类型以及驱动表达的调控网络的聚类的解释。我们展示了多视图学习方法的理论优势，并提出了一个变分EM推理过程。与其他方法相比，我们在外周血细胞亚型的合成数据和真实基因组数据上表现出优越的性能。
2019-02-21 cs.LG q-bio.GN q-bio.MN
