Optimal Inference of Asynchronous Boolean Networks

Immagina di essere un detective che cerca di risolvere un mistero all'interno di una città minuscola e frenetica chiamata cellula. Questa città è gestita da migliaia di piccoli lavoratori chiamati geni. A volte, un gene si accende (come un interruttore della luce che viene tirato su) per fare un lavoro, e a volte si spegne. Questi lavoratori non agiscono solo; parlano tra di loro, formando una complessa rete di istruzioni. Se il Gene A si accende, potrebbe dire al Gene B di spegnersi, il quale poi dice al Gene C di iniziare a lavorare. Questa rete di istruzioni è ciò che gli scienziati chiamano "rete di regolazione genica".

La grande sfida per gli scienziati è capire esattamente chi parla con chi. Hanno un mucchio di indizi: istantanee della città in diversi momenti, che mostrano quali luci sono accese e quali sono spente. Ma c'è un problema: la città è caotica. I lavoratori non seguono sempre un programma rigido; a volte il Gene A dice al Gene B di agire, ma il Gene B aspetta un momento prima di azionare il suo interruttore. Questo è chiamato comportamento "asincrono". Inoltre, le istantanee sono un po' sfocate: a volte un gene sembra acceso quando in realtà è spento, solo perché la fotocamera (l'esperimento) ha commesso un errore. Questo è chiamato "rumore". L'obiettivo è costruire una mappa della città che spieghi perfettamente tutte queste istantanee, senza rendere la mappa troppo complicata o tirare troppo a indovinare.

È qui che entra in gioco un ricercatore di nome Guy Karlebach con un nuovo modo per risolvere l'enigma. Nel suo articolo, propone un metodo per scoprire le regole di questa città cellulare, anche quando i lavoratori agiscono fuori sincrono e le foto sono un po' sfocate. Tratta il problema come un gioco di "compressione". Immagina di avere una lunga storia scritta in un codice segreto. Vuoi scrivere un breve manuale di istruzioni che spieghi a un computer come generare esattamente quella storia. Se la storia è casuale, il tuo manuale dovrà essere lungo quasi quanto la storia stessa. Ma se la storia segue un modello, il tuo manuale può essere molto breve. L'idea di Karlebach è trovare il manuale più breve possibile (la rete più semplice) che possa spiegare i dati, accettando che alcune lettere nella storia possano essere errori di battitura (rumore) o che la storia possa avere alcuni momenti di "forse" dove la tempistica è flessibile (asincronia).

L'articolo introduce un nuovo algoritmo chiamato MEDSI (Minimum Edit Distance from a State of Ignorance) per trovare questo manuale perfetto. Invece di limitarsi a indovinare chi parla con chi basandosi su chi cambia nello stesso momento, questo metodo cerca la spiegazione più efficiente. Chiede: "Qual è l'insieme più semplice di regole che, permettendoci di commettere alcuni errori e alcuni ritardi, crea esattamente il modello di luci che vediamo?". I ricercatori hanno testato questo metodo su dati reali di cellule di lievito sotto stress e su dati simulati dove conoscevano le regole "vere". Nell'esperimento sul lievito, il loro modello ha previsto i nuovi dati meglio del caso casuale. Nelle simulazioni, dove conoscevano la verità fondamentale, il loro metodo è stato molto più bravo a trovare le connessioni corrette rispetto ad altri strumenti popolari, specialmente quando i dati erano disordinati o la tempistica era irregolare.

Tuttovia, l'articolo avverte che questo non è una bacchetta magica che risolve tutto istantaneamente. Trovare la mappa assolutamente migliore è un problema matematico molto difficile, quindi il ricercatore ha dovuto usare scorciatoie intelligenti (euristiche) per far sì che il computer girasse abbastanza velocemente. Notano anche che il loro metodo funziona meglio quando si ha una buona lista di potenziali "parlanti" (regolatori) da cui iniziare, piuttosto che indovinare partendo da zero. In definitiva, i risultati sono promettenti e suggeriscono che questo approccio cattura meglio la tempistica disordinata e reale delle cellule rispetto ai metodi precedenti, ma l'autore ammette che è necessario ulteriore lavoro per gestire dataset ancora più grandi e per capire il modo migliore per trasformare misurazioni continue e sfocate in interruttori "on/off" chiari. In ultima analisi, questo articolo offre un modo nuovo e più intelligente per ascoltare la conversazione caotica all'interno di una cellula e scrivere le regole che ne governano la vita.