Optimal Inference of Asynchronous Boolean Networks

Imagina que eres un detective intentando resolver un misterio dentro de una ciudad diminuta y bulliciosa llamada célula. Esta ciudad es dirigida por miles de trabajadores diminutos llamados genes. A veces, un gen se enciende (como si se subiera un interruptor de luz) para hacer un trabajo, y otras veces se apaga. Estos trabajadores no actúan solos; se comunican entre sí, formando una compleja red de instrucciones. Si el Gen A se enciende, puede decirle al Gen B que se apague, lo que luego le dice al Gen C que empiece a trabajar. Esta red de instrucciones es lo que los científicos llaman una "red de regulación génica".

El gran desafío para los científicos es descubrir exactamente quién habla con quién. Tienen un montón de pistas: instantáneas de la ciudad en diferentes momentos, que muestran qué luces están encendidas y cuáles están apagadas. Pero hay un inconveniente: la ciudad es caótica. Los trabajadores no siempre siguen un horario estricto; a veces, el Gen A le dice al Gen B que actúe, pero el Gen B espera un momento antes de accionar su interruptor. Esto se llama comportamiento "asincrónico". Además, las instantáneas son un poco borrosas: a veces un gen parece estar encendido cuando en realidad está apagado, solo porque la cámara (el experimento) cometió un error. Esto se llama "ruido". El objetivo es construir un mapa de la ciudad que explique perfectamente todas estas instantáneas, sin que el mapa sea demasiado complicado o se presuma demasiado.

Aquí es donde entra en escena un investigador llamado Guy Karlebach con una nueva forma de resolver el rompecabezas. En su artículo, propone un método para averiguar las reglas de esta ciudad celular, incluso cuando los trabajadores actúan de forma desincronizada y las fotos son un poco difusas. Trata el problema como un juego de "compresión". Imagina que tienes una historia larga escrita en un código secreto. Quieres escribir un manual de instrucciones corto que le diga a una computadora cómo generar exactamente esa historia. Si la historia es aleatoria, tu manual tiene que ser casi tan largo como la historia misma. Pero si la historia sigue un patrón, tu manual puede ser muy corto. La idea de Karlebach es encontrar el manual más corto posible (la red más simple) que pueda explicar los datos, aceptando que algunas letras en la historia podrían ser erratas (ruido) o que la historia podría tener algunos momentos de "tal vez" donde el tiempo es flexible (asincronía).

El artículo presenta un nuevo algoritmo llamado MEDSI (Distancia de Edición Mínima desde un Estado de Ignorancia) para encontrar ese manual perfecto. En lugar de simplemente adivinar quién habla con quién basándose en quién cambia al mismo tiempo, este método busca la explicación más eficiente. Pregunta: "¿Cuál es el conjunto de reglas más simple que, al permitir algunos errores y algunos retrasos, crea el patrón exacto de luces que vemos?". Los investigadores probaron esto con datos reales de células de levadura bajo estrés y con datos simulados donde conocían las reglas "reales". En el experimento con la levadura, su modelo predijo nuevos datos mejor que el azar. En las simulaciones, donde conocían la verdad de base, su método fue mucho mejor para encontrar las conexiones correctas que otras herramientas populares, especialmente cuando los datos eran desordenados o el tiempo era irregular.

Sin embargo, el artículo también advierte que esto no es una varita mágica que lo soluciona todo instantáneamente. Encontrar el mapa absoluto es un problema matemático muy difícil, por lo que el investigador tuvo que usar atajos ingeniosos (heurísticas) para que la computadora funcionara lo suficientemente rápido. También señalan que su método funciona mejor cuando se tiene una buena lista de posibles "habladores" (reguladores) para empezar, en lugar de adivinar desde cero. Aunque los resultados son prometedores y sugieren que este enfoque captura la caótica comunicación del mundo real de las células mejor que los métodos anteriores, el autor admite que se necesita más trabajo para manejar conjuntos de datos aún más grandes y para determinar la mejor manera de convertir mediciones continuas y borrosas en interruptores claros de "encendido/apagado". En última instancia, este artículo ofrece una forma nueva y más inteligente de escuchar la caótica conversación dentro de una célula y escribir las reglas que gobiernan su vida.