Connectivity-dependent effects of depth-1 canalisation on attractor dynamics in small-world Boolean networks

जीवन निर्देशों के एक विशाल, जटिल जाल पर बना है। प्रत्येक कोशिका के भीतर, जीन स्विच की तरह कार्य करते हैं, जो जीव को यह बताने के लिए चालू या बंद होते हैं कि उसे कैसे बढ़ना है, अपने वातावरण के प्रति कैसे प्रतिक्रिया देनी है, और अपने स्वास्थ्य को कैसे बनाए रखना है। ये स्विच अलगाव में काम नहीं करते; वे एक नेटवर्क बनाते हैं जहाँ एक जीन की गतिविधि दूसरे को सक्रिय या शांत कर सकती है। वैज्ञानिक लंबे समय से यह समझने की कोशिश कर रहे हैं कि इस नेटवर्क का आकार—जिस तरह से जीन एक साथ जुड़े हुए हैं—पूरे सिस्टम की स्थिरता को कैसे निर्धारित करता है। यदि नेटवर्क बहुत अराजक है, तो कोशिका विफल हो सकती है; यदि यह बहुत कठोर है, तो यह अनुकूलित नहीं हो सकती। इसका अध्ययन करने के लिए, शोधकर्ता अक्सर 'बुलियन नेटवर्क' (Boolean networks) नामक सरल कंप्यूटर मॉडल का उपयोग करते हैं। इन मॉडलों में, प्रत्येक जीन को एक सरल बाइनरी अवस्था में बदल दिया जाता है: या तो चालू या बंद। नियम जो इन जीनों की अवस्था बदलने को नियंत्रित करते हैं, एक सर्किट के तर्क की तरह होते हैं, जहाँ पड़ोसी जीनों से प्राप्त संयुक्त इनपुट अगले कदम का निर्णय लेता है।

वास्तविक जैविक प्रणालियों की एक प्रमुख विशेषता यह है कि उनमें अक्सर "कैनालाइजिंग" (canalising) नियम होते हैं। इसका अर्थ है कि कभी-कभी, एक एकल प्रभावी संकेत अन्य सभी इनपुट को दरकिनार कर सकता है और एक जीन को एक विशिष्ट अवस्था में मजबूर कर सकता है, चाहे नेटवर्क में बाकी सब कुछ कुछ भी कर रहा हो। यह एक मास्टर स्विच की तरह है जिसे, जब घुमाया जाता है, तो वह घर के अन्य सभी लाइट स्विचों की स्थिति की अनदेखी करते हुए पूरे कमरे की बिजली काट देता है। वैज्ञानिक काफी समय से जानते हैं कि ये प्रभावी नियम नेटवर्क को अधिक स्थिर बनाने की ओर झुकाव रखते हैं, जिससे अक्सर सिस्टम को एक दोहराव वाले पैटर्न, जिसे 'अट्रैक्टर' (attractor) कहा जाता है, में स्थिर होने में लगने वाला समय कम हो जाता है। हालाँकि, क्वीन्सलैंड विश्वविद्यालय और बिशा विश्वविद्यालय के शोधकर्ताओं द्वारा किया गया एक नया अध्ययन बताता है कि यह स्थिरता एक सार्वभौमिक नियम नहीं है। इसके बजाय, एक प्रभावी स्विच होने का प्रभाव पूरी तरह से इस बात पर निर्भर करता है कि नेटवर्क कैसे जुड़ा हुआ है।

शोधकर्ताओं ने इस विचार का परीक्षण करने के लिए लाखों आभासी नेटवर्क बनाए। उन्होंने डिजिटल सिस्टम बनाए जहाँ नोड्स (nodes), जो जीनों का प्रतिनिधित्व करते थे, एक विशिष्ट पैटर्न में जुड़े हुए थे जिसे 'स्मॉल-वर्ल्ड नेटवर्क' (small-world network) कहा जाता है। यह संरचना वास्तविक जैविक प्रणालियों की नकल करती है जिसमें अधिकांश कनेक्शन स्थानीय स्तर पर क्लस्टर होते हैं, और कुछ लंबी दूरी के लिंक होते हैं जो नेटवर्क के दूरस्थ हिस्सों को जोड़ते हैं। फिर उन्होंने इन नेटवर्कों को दो प्रकार के तर्क के साथ प्रोग्राम किया: मानक नियम जहाँ सभी इनपुट समान रूप से तौले जाते हैं, और कैनालाइजिंग नियम जहाँ एक इनपुट हावी हो सकता है। उन्होंने इन सिमुलेशन को विभिन्न स्थितियों में चलाया, जिसमें नेटवर्क का आकार, कनेक्शन का घनत्व, और एक अवरोधक (inhibitor - एक संकेत जो जीन को बंद कर देता है) होने की संभावना के बजाय एक सक्रियकर्ता (activator) होने की संभावना को बदला।

परिणामों ने एक आश्चर्यजनक मोड़ दिखाया। अधिकांश परिदृश्यों में, जिनमें उन्होंने परीक्षण किया, प्रभावी/प्रभावी (canalising) नियमों को जोड़ने से वास्तव में नेटवर्क को एक स्थिर लूप में सेट होने में लगने वाला समय कम हो गया, जो इस पारंपरिक दृष्टिकोण की पुष्टि करता है कि ये नियम व्यवस्था को बढ़ावा देते हैं। हालाँकि, बहुत कम कनेक्टिविटी वाले नेटवर्कों में—जहाँ प्रत्येक जीन केवल एक या दो पड़ोसियों से जुड़ा था—प्रभाव पूरी तरह उलट गया। इन विरल (sparse) नेटवर्कों में, प्रभावी नियमों ने वास्तव में सिस्टम को स्थिर होने में अधिक समय लिया, जिससे दोहराव वाले चक्र की लंबाई लगभग बीस से छब्बीस प्रतिशत बढ़ गई। इस उलटफेर ने दिखाया कि एक मास्टर स्विच होने का लाभ पूर्ण नहीं है; यह आसपास के कनेक्शनों के जाल पर निर्भर करता है। यदि नेटवर्क बहुत विरल है, तो प्रभावी नियम सूचना के प्रवाह को बाधित करता है, जिससे स्थिरता की ओर सिस्टम की यात्रा लंबी हो जाती है।

अध्ययन ने यह भी देखा कि व्यवधान उत्पन्न होने पर ये नेटवर्क कैसे उबरते हैं। वास्तविक दुनिया में, कोशिकाएं लगातार आंतरिक और बाहरी झटकों से घिरी रहती हैं। शोधकर्ताओं ने अपने मॉडलों में एक एकल जीन की अवस्था को बदलकर और उसके बाद क्या होता है, यह देखकर इसका अनुकरण किया। उन्होंने पाया कि प्रभावी/कैनालाइजिंग नियमों वाले नेटवर्क उबरने में बहुत बेहतर थे। जब एक एकल जीन को बदला गया, तो ये नेटवर्क कम समय में अपने मूल स्थिर पैटर्न में लौटने में अधिक सक्षम थे, और व्यवधान सिस्टम में बहुत दूर तक नहीं फैला। यह सुझाव देता है कि हालांकि प्रभावी नियम बहुत विरल नेटवर्कों में स्थिर होने के समय को कभी-कभी बढ़ा सकते हैं, वे आम तौर पर सिस्टम को त्रुटियों के प्रति अधिक मजबूत बनाते हैं और इसे अपनी इच्छित अवस्था में लौटने में बेहतर बनाते हैं।

शोधकर्ताओं ने यह भी जांचा कि अवरोधक संकेतों का संतुलन परिणामों को कैसे प्रभावित करता है। उन्होंने पाया कि अवरोधक कनेक्शनों की उपस्थिति महत्वपूर्ण थी। जब नेटवर्क में अवरोधक लिंक की उच्च संभावना थी, तो प्रभावी नियम स्थिर होने के समय को कम करने में बहुत अधिक प्रभावी थे। हालाँकि, जब अवरोधक लिंक दुर्लभ थे, तो प्रभावी नियमों का प्रभाव कमजोर था, और कम कनेक्टिविटी के मामले में, यह उल्टा हो गया। यह इंगित करता है कि नियम के प्रकार और कनेक्शन के प्रकार के बीच का परस्पर संबंध जटिल है। प्रभावी नियम शून्य में काम नहीं करता है; इसका प्रभाव नेटवर्क की समग्र वास्तुकला और माध्यम से बहने वाले संकेतों के संतुलन द्वारा आकार लेता है।

इनमें से एक सबसे महत्वपूर्ण निष्कर्ष यह था कि स्थिरता में परिवर्तन केवल इसलिए नहीं था क्योंकि नेटवर्क एक एकल, अपरिवर्तनीय अवस्था में स्थिर हो रहा था। शोधकर्ताओं ने यह भी मापा कि सिस्टम कितनी बार एक निश्चित बिंदु (fixed point) पर समाप्त होता है जहाँ कुछ भी नहीं बदलता है, और उन्होंने पाया कि प्रभावी नियमों ने वास्तव में इन स्थिर अवस्थाओं की आवृत्ति को कम कर दिया। इसके बजाय, नेटवर्क छोटे, अधिक कुशल दोहराव वाले चक्रों में स्थिर हो रहे थे। यह अंतर महत्वपूर्ण है क्योंकि यह दिखाता है कि सिस्टम केवल स्थिर नहीं हो रहा है; यह एक अधिक कुशल लय खोज रहा है। अध्ययन ने यह भी पाया कि नेटवर्क में यादृच्छिक लंबी दूरी के कनेक्शनों की संख्या बढ़ाने से आम तौर पर स्थिर होने का समय कम हो गया, लेकिन यह प्रभाव विशिष्ट नियमों और नेटवर्क के घनत्व के आधार पर भिन्न होता था।

इस कार्य के निहितार्थ कंप्यूटर मॉडल से परे हैं। शोधकर्ता सुझाव देते हैं कि ये निष्कर्ष बताते हैं कि क्यों कुछ जीन, जो वास्तविक जीवों में मजबूत स्थानीय नियामक के रूप में कार्य करते हैं, अलग-अलग आनुवंशिक पृष्ठभूमि में अलग प्रभाव डाल सकते हैं। एक जीन जो पौधों की एक किस्म में एक लक्षण को स्थिर करता है, वह दूसरी किस्म में तटस्थ या यहाँ तक कि अस्थिर प्रभाव डाल सकता है, जो अंतर्निहित नियामक नेटवर्क की कनेक्टिविटी पर निर्भर करता है। अध्ययन यह दावा नहीं करता है कि उसने जैविक स्थिरता के रहस्य को सुलझा लिया है, बल्कि यह एक स्पष्ट, सिम्युलेटेड प्रदर्शन प्रदान करता है कि नेटवर्क का संदर्भ मायने रखता है। एक ही नियम, कनेक्शनों के आधार पर, व्यवस्था या अराजकता की ओर ले जा सकता है।

अंततः, शोध पत्र यह निष्कर्ष निकालता है कि हम केवल नियमों को अलग से देखकर किसी नियामक प्रणाली के व्यवहार को नहीं समझ सकते। एक कोशिका की स्थिरता, या एक जटिल लक्षण का लचीलापन, स्थानीय तर्क और वैश्विक संरचना के संयोजन से उभरता है। चाहे एक प्रभावी संकेत एक स्टेबलाइजर (स्थिर करने वाला) के रूप में कार्य करे या एक डिसरप्टर (बाधक) के रूप में, यह नेटवर्क के घनत्व, सक्रिय करने वाले और रोकने वाले संकेतों के संतुलन और लंबी दूरी के कनेक्शनों की उपस्थिति पर निर्भर करता है। उन वैज्ञानिकों के लिए जो बेहतर फसलें विकसित करने या जटिल रोगों को समझने की कोशिश कर रहे हैं, इसका अर्थ यह है कि केवल एक प्रमुख नियामक की पहचान करना पर्याप्त नहीं है। उन्हें उस सिस्टम के वायरिंग डायग्राम को भी समझना होगा जिसमें वह नियामक कार्य करता है, क्योंकि एक एकल स्विच का प्रभाव उस नेटवर्क द्वारा लिखा जाता है जिसे वह नियंत्रित करता है।