Dynamics of attractor transitions in Boolean networks under noise

Titel: Dynamik von Attraktor-Übergängen in Booleschen Netzwerken unter Rauschen

Autoren: Byungjoon Min, Jeehye Choi und Reinhard Laubenbacher

---

1. Problemstellung

Biologische Systeme (z. B. Genregulationsnetzwerke) operieren unter dem Einfluss persistenter stochastischer Fluktuationen (Rauschen). Diese Rauschquellen können den Zustand des Systems verändern und Übergänge zwischen verschiedenen funktionellen Zuständen, den sogenannten Attraktoren (Fixpunkte oder Grenzzyklen), induzieren.

Bisherige Analysen von Booleschen Netzwerken haben den dynamischen Einfluss von Rauschen oft vernachlässigt oder sich auf Methoden wie die Derrida-Analyse beschränkt, die auf der Ebene einzelner Knoten operieren und nicht explizit die Übergangsmuster zwischen Attraktoren erfassen. Es fehlte ein Rahmenwerk, um systematisch zu untersuchen, wie Rauschen die langfristige Dynamik, Stabilität und Dominanz von Attraktoren auf der Attraktor-Ebene beeinflusst. Ein zentrales Ziel war es, den Unterschied zwischen lokalem Rauschen (zufälliges Umschalten eines einzelnen Knotens) und globalem Rauschen (zufällige Neuverteilung aller Knoten) zu verstehen.

2. Methodik

Die Autoren schlagen ein neues Rahmenwerk vor, das die Dynamik von Booleschen Netzwerken unter Rauschen durch eine Übergangsmatrix zwischen Attraktoren beschreibt.

• Modellierung des Rauschens:

  • Lokales Rauschen: In einem gegebenen Attraktor-Zustand wird zufällig ein einzelner Knoten umgeschaltet (Bit-Flip). Das System entwickelt sich dann deterministisch weiter, bis es einen neuen Attraktor erreicht.
  • Globales Rauschen (Global Randomization): Der gesamte Systemzustand wird zufällig neu initialisiert (alle Knoten werden unabhängig auf 0 oder 1 gesetzt). Dies entspricht einem vollständigen Verlust des vorherigen Zustands.

• Berechnung der Übergangswahrscheinlichkeiten:
  Für jeden Attraktor $\alpha$ mit der Länge $\ell_\alpha$ (Anzahl der Zustände im Zyklus) wird für jeden Zustand jeder der $N$ Knoten einmal umgeschaltet. Die Anzahl der Übergänge von $\alpha$ zu einem Ziel-Attraktor $\beta$ wird gezählt ($\nu_{\alpha\beta}$).
  Die Übergangswahrscheinlichkeit $m_{\alpha\beta}$ wird definiert als:
  $$m_{\alpha\beta} = \frac{\nu_{\alpha\beta}}{N \cdot \ell_\alpha}$$
  Dies ergibt eine stochastische Matrix $M$, die eine Markov-Kette über den Raum der Attraktoren definiert.

• Analyse der Matrix:

  • Stationäre Verteilung: Der Haupt-Eigenvektor $\vec{v}$ der transponierten Matrix $M^T$ (mit Eigenwert $\lambda=1$) gibt die langfristige Wahrscheinlichkeit (Dominanz) an, mit der das System in einem bestimmten Attraktor verweilt.
  • Stabilität: Die Diagonalelemente $m_{\alpha\alpha}$ messen die Wahrscheinlichkeit, im selben Attraktor zu bleiben. Die Spur der Matrix $Tr(M)$ dient als Maß für die globale Stabilität des Netzwerks gegenüber Störungen.
  • Entropie: Die normalisierte Shannon-Entropie der stationären Verteilung quantifiziert die Vielfalt der besuchten Attraktoren (Exploration des Attraktor-Raums).

3. Wichtige Beiträge und Ergebnisse

A. Validierung der stationären Verteilung

Die Autoren zeigten durch Simulationen, dass die theoretisch berechnete stationäre Verteilung (Haupt-Eigenvektor von $M$) die empirisch gemessene Zeit, die das System in Attraktoren verbringt, mit einer Korrelation von über 0,99 exakt vorhersagt. Dies bestätigt, dass die Attraktor-Dynamik unter Rauschen als Zufallsprozess auf dem Netzwerk der Attraktoren modelliert werden kann.

B. Stabilität: Lokal vs. Global

• Lokales Rauschen: Die Spur der Übergangsmatrix $Tr(M)$ liegt konsistent über 1. Dies zeigt, dass Boolesche Netzwerke eine inhärente Resilienz gegenüber lokalen Störungen besitzen. Die durchschnittliche Stabilität pro Attraktor ($Tr(M)/n_{attractors}$) nimmt mit steigender durchschnittlicher Sensitivität $s$ des Netzwerks ab.
• Globales Rauschen: Hier ist $Tr(M)$ per Definition immer 1, da der Zustand vollständig zufällig neu gesetzt wird. Die Stabilität hängt nur von der Größe der Einzugsgebiete (Basins) ab.
• Ergebnis: Lokales Rauschen führt zu einer strukturierten Dynamik, die nicht allein durch die Größe der Einzugsgebiete bestimmt wird, während globales Rauschen die Dynamik fast ausschließlich durch die relativen Größen der Einzugsgebiete diktiert.

C. Entropie und Exploration des Attraktor-Raums

Die Analyse der Shannon-Entropie $H$ der stationären Verteilung ergab:

• Bei niedriger Sensitivität $s$ ist die Entropie unter lokalem Rauschen höher als unter globaler Randomisierung (positives $\Delta H$). Das System erkundet einen breiteren Teil des Attraktor-Raums als erwartet.
• Bei hoher Sensitivität ($s > 1,5$) nähert sich das Verhalten unter lokalem Rauschen dem unter globaler Randomisierung an ($\Delta H \to 0$).
• Asymmetrie: Bei niedriger Sensitivität neigen Übergänge dazu, Attraktoren mit kleineren Einzugsgebieten zu bevorzugen ($R_>/R_< < 1$). Dies bedeutet, dass lokale Störungen das System häufiger in "schwierigere" (kleinere Basin) Attraktoren treiben können, als es die reine Basin-Größe vorhersagen würde.

D. Anwendung auf reale biologische Netzwerke

Die Methode wurde auf 17 reale Boolesche Netzwerke (z. B. Zellzyklus, T-Zell-Differenzierung, Herzentwicklung) aus der Cell Collective-Datenbank angewendet.

• Ergebnis: Auch in realen Netzwerken war $Tr(M) > 1$, was auf eine hohe Stabilität gegenüber lokalen Störungen hinweist.
• Diskrepanz: Die stationäre Verteilung unter lokalem Rauschen weicht signifikant von der Verteilung basierend auf den Basin-Größen ab. Einige Attraktoren mit großen Basin-Größen werden unter Rauschen kaum besucht (verwaiste Attraktoren), was auf komplexe topologische Barrieren hindeutet.

4. Bedeutung und Fazit

Die Studie liefert ein leistungsfähiges Werkzeug, um die langfristige Dynamik biologischer Systeme unter dem Einfluss von Rauschen zu verstehen. Die Hauptbeiträge sind:

1. Neue Perspektive: Der Wechsel von der Knoten-Ebene (Derrida-Analyse) zur Attraktor-Ebene ermöglicht eine direkte Quantifizierung von Stabilität und Dominanz funktioneller Zustände.
2. Unterscheidung von Rauschtypen: Es wird gezeigt, dass biologische Systeme unter realistischem (lokalem) Rauschen ein deutlich anderes Verhalten zeigen als unter idealisiertem (globalem) Rauschen. Lokales Rauschen erzeugt strukturierte Übergangsmuster, die nicht durch einfache Basin-Größen erklärt werden können.
3. Biologische Implikationen: Die erhöhte Stabilität und die spezifischen Übergangsmuster unter lokalem Rauschen deuten darauf hin, dass biologische Netzwerke so evolviert sind, dass sie trotz stochastischer Fluktuationen robuste funktionelle Zustände beibehalten, aber dennoch flexibel genug sind, um notwendige Zustandswechsel (z. B. bei Differenzierung) zu ermöglichen.
4. Methodischer Fortschritt: Die vorgestellte Methode erlaubt die Vorhersage des asymptotischen Verhaltens von Netzwerken und identifiziert "dominante" Attraktoren, was für das Verständnis von Krankheitszuständen (z. B. Krebs als Fehlfunktion in Attraktor-Dynamik) und für therapeutische Interventionen relevant sein könnte.

Zusammenfassend demonstriert das Paper, dass das Verständnis der Übergangsmuster unter Rauschen entscheidend ist, um die wahre Dynamik und Stabilität biologischer Regulationsnetzwerke zu erfassen.