Optimal Inference of Asynchronous Boolean Networks

تخيل أنك محقق يحاول حل لغز داخل مدينة صغيرة صاخبة تسمى "الخلية". تُدار هذه المدينة بواسطة آلاف العمال الصغار المسمين "الجينات". في بعض الأحيان، يعمل الجين (مثل قلب مفتاح الضوء للأعلى) ليقوم بمهمة ما، وفي أحيان أخرى ينطفئ. هؤلاء العمال لا يعملون بمفردهم فحسب؛ بل يتحدثون مع بعضهم البعض، مكونين شبكة معقدة من التعليمات. إذا اشتغل الجين (أ)، فقد يخبر الجين (ب) بأن ينطفئ، والذي بدوره يخبر الجين (ج) بأن يبدأ العمل. هذه الشبكة من التعليمات هي ما يسميه العلماء "شبكة تنظيم الجينات".

التحدي الكبير الذي يواجه العلماء هو معرفة من يتحدث إلى من بالضبط. لديهم كومة من الأدلة: لقطات للمدينة في أوقات مختلفة، تُظهر أي الأضواء تعمل وأيها منطفئة. ولكن هناك عقبة؛ فالمدينة فوضوية. العمال لا يتبعون دائمًا جدولًا زمنيًا صارمًا؛ فأحيانًا يخبر الجين (أ) الجين (ب) بأن يتحرك، لكن الجين (ب) ينتظر لحظة قبل قلب مفتاحه. يُسمى هذا السلوك "غير متزامن" (asynchronous). بالإضافة إلى ذلك، فإن اللقطات ضبابية بعض الشيء؛ فأحيانًا يبدو الجين وكأنه يعمل بينما هو في الواقع منطفئ، فقط لأن الكاميرا (التجربة) ارتكبت خطأً. يُسمى هذا "الضجيج" (noise). الهدف هو بناء خريطة للمدينة تشرح كل هذه اللقطات بشكل مثالي، دون جعل الخريطة معقدة للغاية أو التخمين أكثر مما ينبغي.

هنا يأيد الباحث غاي كارليباخ (Guy Karlebach) بطريقة جديدة لحل هذا اللغز. في ورقته البحثية، يقترح طريقة لمعرفة قواعد هذه المدينة الخلوية، حتى عندما يتصرف العمال بشكل غير متزامن وعندما تكون الصور ضبابية. إنه يعامل المشكلة كأنها لعبة "ضغط" (compression). تخيل أن لديك قصة طويلة مكتوبة بشفرة سرية، وتريد كتابة دليل تعليمات قصير يخبر الكمبيوتر كيف يولد هذه القصة بالضبط. إذا كانت القصة عشوائية، فسيكون عليك كتابة دليل طويل يقارب طول القصة نفسها. ولكن إذا كانت القصة تتبع نمطًا معينًا، فيمكن لدليلك أن يكون قصيرًا جدًا. فكرة كارليباخ هي إيجاد أقصر دليل ممكن (أبسط شبكة) يمكنه شرح البيانات، مع قبول حقيقة أن بعض الحروف في القصة قد تكون أخطاء مطبعية (ضجيج) أو أن القصة قد تحتوي على بعض لحظات "ربما" حيث يكون التوقيت مرنًا (عدم التزامن).

تقدم الورقة خوارزمية جديدة تسمى MEDSI (مسافة التحرير الدنيا من حالة الجهل) لإيجاد هذا الدليل المثالي. بدلًا من مجرد التخمين حول من يتحدث إلى من بناءً على من يتغير في نفس الوقت، تبحث هذه الطريقة عن التفسير الأكثر كفاءة. إنها تسأل: "ما هي أبسط مجموعة من القواعد التي، عند السماح ببعض الأخطاء وبعض التأخيرات، تنتج نمط الأضواء الذي نراه بالضبط؟". اختبر الباحثون هذه الطريقة على بيانات حقيقية من خلايا الخميرة تحت الإجهاد وعلى بيانات محاكاة حيث عرفوا "القواعد الحقيقية". في تجربة الخميرة، توقع نموذجهم بيانات جديدة بشكل أفضل من الصدفة العشوائية. وفي عمليات المحاكاة، حيث كانت القواعد الحقيقية معروفة، كانت طريقتهم أفضل بكثير في إيجاد الروابط الصحيحة مقارنة بالأدوات الشهيرة الأخرى، خاصة عندما كانت البيانات فوضوية أو التوقيت غير منتظم.

ومع ذلك، تحذر الورقة من أن هذا ليس عصا سحرية تحل كل شيء فورًا. إن إيجاد الخريطة الأفضل مطلقًا هو مسألة رياضية صعبة للغاية، لذا اضطر الباحث لاستخدام طرق مختصرة ذكية (heuristics) لجعل الكمبيوتر يعمل بسرعة كافية. كما يشيرون إلى أن طريقتهم تعمل بشكل أفضل عندما يكون لديك قائمة جيدة من "المتحدثين" المحتملين (المنظمين) للبدء بها، بدلًا من التخمين من الصفر. في النهاية، تقدم هذه الورقة طريقة جديدة وأكثر ذكاءً للاستماع إلى المحادثة الفوضوية داخل الخلية وكتابة القواعد التي تحكم حياتها.