Dynamics of attractor transitions in Boolean networks under noise

1. Planteamiento del Problema

Los sistemas biológicos, como las redes de regulación génica, operan inherentemente bajo condiciones ruidosas debido a fluctuaciones estocásticas en las reacciones bioquímicas y variaciones ambientales. Aunque las redes booleanas son un marco teórico fundamental para modelar estos sistemas, la mayoría de los análisis existentes han pasado por alto el impacto dinámico del ruido en la transición entre estados funcionales (atractores).

El problema central abordado es la falta de un marco metodológico que analice cómo el ruido induce transiciones entre atractores y cómo esto afecta la estabilidad, dominancia y diversidad de los estados a largo plazo. Métodos anteriores, como el análisis de Derrida, se centran en la sensibilidad a nivel de nodo y no capturan explícitamente los patrones de transición entre atractores inducidos por el ruido estocástico.

2. Metodología

Los autores proponen un marco basado en probabilidades de transición entre atractores para estudiar la dinámica de redes booleanas bajo dos tipos de ruido:

• Ruido Local: Se modela como la inversión aleatoria (flip) del estado de un solo nodo seleccionado al azar en un estado del atractor. Esto simula perturbaciones externas que alteran mínimamente el sistema.
• Ruido Global (Randomización Global): Se modela como la reasignación aleatoria de los estados de todos los nodos simultáneamente, borrando la memoria del estado anterior.

Procedimiento Analítico:

1. Identificación de Atractores: Se simula la evolución temporal de la red para identificar todos los atractores posibles (puntos fijos o ciclos límite).
2. Cálculo de Probabilidades de Transición ($m_{\alpha\beta}$): Para cada estado dentro de un atractor $\alpha$, se aplica un ruido local (flip de un nodo) y se simula la dinámica hasta que el sistema converge a un nuevo atractor $\beta$. La probabilidad de transición se define como:
   $$m_{\alpha\beta} = \frac{\nu_{\alpha\beta}}{N \ell_\alpha}$$
   Donde $\nu_{\alpha\beta}$ es el número de transiciones de $\alpha$ a $\beta$, $N$ es el número de nodos y $\ell_\alpha$ es la longitud del atractor.
3. Matriz de Transición y Cadenas de Markov: Se construye una matriz $M$ donde los elementos representan estas probabilidades. Esta matriz define una cadena de Markov sobre el espacio de atractores.
4. Análisis Espectral: Se utiliza el vector propio principal ($\vec{v}$) de la matriz transpuesta $M^T$ para determinar la distribución estacionaria (tiempo que el sistema pasa en cada atractor) y la dominancia.
5. Métricas de Estabilidad y Diversidad:
   • Estabilidad: Cuantificada por el elemento diagonal $m_{\alpha\alpha}$ y la traza de la matriz $Tr(M)$.
   • Entropía: Se calcula la entropía de Shannon normalizada de la distribución estacionaria para medir la diversidad de la exploración del espacio de atractores.

3. Contribuciones Clave

• Marco de Nivel de Atractor: Se introduce una metodología sistemática para cuantificar la dinámica de redes booleanas no a nivel de nodos, sino a nivel de atractores, permitiendo predecir comportamientos a largo plazo bajo perturbaciones.
• Distinción entre Ruido Local y Global: Se demuestra matemáticamente que el ruido global depende únicamente del tamaño de las cuencas de atracción (basins), mientras que el ruido local genera patrones de transición estructurados y no triviales que no pueden predecirse solo por el tamaño de la cuenca.
• Validación Empírica: El método se aplica tanto a redes booleanas aleatorias como a redes biológicas reales obtenidas de la base de datos Cell Collective.

4. Resultados Principales

A. Dominancia y Distribución Estacionaria

• El vector propio principal de la matriz de transición predice con alta precisión (>0.99 de correlación) la fracción de tiempo que el sistema pasa en cada atractor bajo ruido local.
• Bajo ruido global, la probabilidad de visitar un atractor es directamente proporcional al tamaño de su cuenca de atracción.
• Bajo ruido local, la dominancia de un atractor no está dictada únicamente por el tamaño de su cuenca, sino por su estructura interna y su respuesta a perturbaciones de un solo nodo.

B. Estabilidad de los Atractores

• Resiliencia Local: Para el ruido local, la traza de la matriz de transición $Tr(M)$ es consistentemente mayor que 1, lo que indica que las redes booleanas poseen una resiliencia intrínseca a perturbaciones locales. Los atractores tienden a ser más estables de lo que se esperaría si el sistema fuera puramente aleatorio.
• Dependencia de la Sensibilidad: La estabilidad promedio disminuye a medida que aumenta la sensibilidad promedio ($s$) de la red.
• En contraste, bajo ruido global, la estabilidad es simplemente $1/n_{attractors}$, independiente de la sensibilidad o la conectividad.

C. Diversidad y Entropía

• Exploración del Espacio: El ruido local permite una exploración más amplia del espacio de atractores en comparación con la predicción basada en el tamaño de las cuencas (ruido global), especialmente en regímenes de baja sensibilidad.
• Asimetría de Transiciones: Se observa que, para bajas sensibilidades, las transiciones tienden a favorecer atractores con cuencas más pequeñas ($R_>/R_< < 1$), lo que aumenta la ocupación de atractores minoritarios en comparación con lo que dictaría el ruido global. A medida que la sensibilidad aumenta, este patrón se desvanece y el comportamiento converge hacia la aleatorización global.

D. Aplicación a Redes Reales

• Al aplicar el marco a 17 redes biológicas reales (ciclo celular, diferenciación de células T, desarrollo cardíaco, etc.), se encontró que la traza $Tr(M)$ superó consistentemente 1, confirmando la alta estabilidad de estos sistemas biológicos frente a ruido local.
• Se identificaron "atractores no utilizados" en entornos ruidosos: atractores con cuencas de atracción grandes que, debido a su estructura interna, tienen una probabilidad de transición casi nula bajo ruido local, lo que sugiere anomalías interesantes para futuras investigaciones.

5. Significado e Implicaciones

Este trabajo proporciona una comprensión más profunda de la robustez y la variabilidad en sistemas biológicos.

• Biología de Sistemas: Sugiere que la estabilidad de los estados celulares (fenotipos) no depende solo de cuántos estados iniciales conducen a ellos (tamaño de la cuenca), sino de la topología específica de las transiciones inducidas por ruido.
• Diseño de Intervenciones: La capacidad de identificar atractores dominantes y sus patrones de transición bajo ruido es crucial para estrategias de intervención en enfermedades (como el cáncer), donde el objetivo podría ser forzar transiciones desde atractores patológicos hacia atractores sanos.
• Limitaciones y Futuro: El estudio se centra en actualizaciones síncronas y perturbaciones de un solo nodo. Futuras investigaciones deberían explorar actualizaciones asíncronas, perturbaciones de múltiples nodos y la influencia de características topológicas específicas (modularidad, redundancia) en estas dinámicas.

En resumen, el artículo establece que el ruido no es meramente una fuente de error, sino un motor estructurado que moldea la dinámica de los sistemas biológicos, revelando patrones de estabilidad y transición que son invisibles bajo modelos deterministas o bajo supuestos de ruido global.