Gene Regulatory Networks that support Multi-Fate Cellular Decisions

技術要約：多運命細胞決定を支える遺伝子制御ネットワーク

問題提起
遺伝子制御ネットワーク（GRN）は、細胞の運命決定、すなわち細胞が幹細胞様状態から、特定の「マスターレギュレーター」の排他的な発現を特徴とする分化状態へと移行する過程を制御している。相互抑制的なトグルスイッチは、二値的（二つの運命）な決定を効果的にモデル化できるが、これまでの研究では、3つ以上のノードを持つ完全結合された相互抑制ネットワークは、「マルチフェイト（多運命）」決定をサポートできないことが示されていた。具体的には、そのようなネットワークは、「シングルハイ状態（single high states）」（正確に一つのマスターレギュレーターが高発現（ON）し、他のすべてが低発現（OFF）である定常状態）の出現率を高めることができない。マスターレギュレーター間の具体的な制御リンクに関する実験的証拠が不足しているため、どのネットワーク構造がこのような多運命決定をサポートできるかを特定するための理論的アプローチが必要となっている。本論文は、以下の2つの主要な問いに取り組む。

1. すべての可能なシングルハイ状態の出現率を最大化するネットワーク構造はどれか？
2. どのネットワーク構造が「等能性（equipotency）」（すべてのシングルハイ状態の出現率が等しいこと）および「完全な多安定性（full multistability）」（すべてのシングルハイ状態が同時に安定するモデルが少なくとも一つ存在する状態）をサポートするか？

手法
著者らは、理論的枠組みとして**単調ブールモデル（Monotone Boolean Models: MBMs）**を利用する。制御ネットワークは、トポロジー（ノードとエッジ）を表す$G$と、エッジに符号（活性化は$+1$、抑制は$-1$）を割り当てる$\delta$からなる有向グラフ$N = (G, \delta)$として定義される。

• モデル空間： 本研究では、与えられたネットワーク構造と互換性のあるすべてのMBMの集合を検討する。モデルが互換性を持つとは、そのブール関数がエッジの符号によって規定される単調性（活性化に対して増加、抑制に対して減少）に従うことを意味する。
• 出現率（Prevalence）： 特定のシングルハイ状態の「出現率」は、その状態を不動点としてサポートする互換性のあるMBMの数で定義され、全互換モデル数で正規化される。
• 分析ツール：
  • 著者らは、正のネットワークの従来の特性を、正と負の両方のエッジを持つ一般的なネットワークへと、「符号変化関数（sign change function）」$\beta$を用いて拡張した。
  • 状態が定常状態であるための条件、および複数の状態間で多安定性をサポートするための条件を導出した。
  • 特定のネットワークサイズ（$n=3, 4, 5$）に対して、平衡制約を満たす単調ブール関数の集合のサイズ（$Up(b)$および$L(b)$）を列挙する組合せ論的アルゴリズムを用い、正確な出現率の数値を算出した。

主な貢献と結果

1. シングルハイ状態の最大出現率
本研究ではまず、特定のシングルハイ状態をサポートするMBMの数を最大化するネットワーク構造を探索する。

• 知見： すべてのシングルハイ状態に対して理論的な出現率の上限を同時に達成する唯一のネットワーク構造は、各ノードが正の自己活性化を持ち、他の接続を持たない完全に非接続なネットワークである。
• 示唆： 数学的には出現率に関して最適であるが、この構造はレギュレーター間の相互通信を欠いているため、意思決定回路としては生物学的に非現実的である。

2. 等能性（Equipotency）
非接続ネットワークの限界を認識し、著者らは、すべてのシングルハイ状態が（最大ではないにせよ）等しい出現率を持つ「等能的」なネットワークを調査する。ここでは、$n=3, 4, 5$における自己ループのない完全結合ネットワーク（全対全結合）に焦点を当てる。

• 手法： 制約サイズの行列を構築し、各状態に対する互換モデルの積が同一となる符号構造を決定する。
• 結果：
  • $n=3$： 各ノードが他の両方のノードから負の入力を受ける場合（相互抑制）、またはすべての入力が正である場合に等能性が達成される。相互抑制のケースは、最も高い出現率（各状態につき45モデル）をもたらす。
  • $n=4$： 各ノードが1つまたは3つの負の入力を受ける場合に等能性が生じる。1つの負の入力を受ける構成が、最も高い出現率（4104モデル）をもたらす。
  • $n=5$： 最も高い等能性は、各ノードがちょうど1つの負の入力（および3つの正の入力）を受ける場合に発見される。この結果は、完全な相互抑制ネットワーク（4つの負の入力）がここでは等能性を最大化しないという点で、直感に反する。
• 自己エッジへの拡張： 自己活性化を含めた場合でも、クロス結合に対する最適な符号構造は概ね同じ（例：$n=5$では1つの負の入力）であるが、絶対的な出現率の数値は変化する。

3. 完全な多安定性（Full Multistability）
著者らは、$n$個のシングルハイ状態すべてが同時に安定するMBMを少なくとも一つサポートするネットワークを特徴付ける。

• 定理 6.1： ネットワークが完全な多安定性をサポートするための必要十分条件は、すべてのノード$i$について、以下のいずれかが成立することである：
  1. ノード$i$が正の自己活性化を持つ。
  2. ノード$i$が他のすべてのノードから負の入力を受ける。
• 多安定モデルの出現率： 著者らは、これらの有効な構造のうち、どの構造が最も多くの多安定モデルをサポートするかを調査する。
  • $n=3$および$n=4$では、両方の特徴（正の自己活性化および他のすべてのノードからの負の入力）を併せ持つネットワークが、最大の多安定モデル数をサポートする。
  • $n=5$では、このパターンは崩れる。各ノードに正の自己活性化があり、かつ他のノードから1つのみの負の入力を受けるネットワークが、最も多くの多安定モデルをサポートする。
• 未解決問題： 著者らは、$n=5$における最適構造の変化および$n>5$におけるパターンに関する組合せ論的な理由は、単調ブール関数の複雑な格子構造に関連していると考えられ、依然として未解決の問題であると述べている。

意義と主張
本論文は、複数の異なる細胞型への同時分化を可能にするGRNの設計原理を理解するための理論的枠組みを提供する。

• 理論的枠組み： 互換性のある単調ブールモデルをカウントすることで、ネットワークのダイナミクスの「ランドスケープ」を分析する厳密な手法を確立した。これは、連続系における分岐理論の離散的な類似物である。
• 構造的洞察： 本研究の結果は、完全な相互抑制ネットワークがマルチフェイト決定の最適解であるという仮定に疑問を投げかける。むしろ、特定の（しばしば疎な）抑制パターン（例：$n=5$におけるちょうど1つの負の入力）が、多運命決定のロバスト性（出現率）を最大化するために必要であることを示唆している。
• モジュール性と結合性： 機能的なモジュール性（明確に異なる運命の同時安定性）をサポートする能力は、必ずしも構造的なモジュール性（非接続されたノード）を必要としないことを、本結果は示している。特定の符号制約（自己活性化または全域的抑制）を満たしていれば、密な結合を持つネットワークでもこれを達成できる。
• 限界： 著者らは、自身の分析が中間シグナル伝達層を抽象化した、マスターレギュレーターの「コア」ネットワークに限定されていることを認めている。また、単調ブール関数の列挙における計算量的な複雑さが、数値結果のスケールを$n \le 5$（$n=9$までの値は既知）に制限しており、大きな$n$に対する一般的なケースを理論的な挑戦として残していることも述べている。

結論として、これらの理論的制約は、生物学的システムにおいて特定のダイナミクス的挙動をサポートし得るネットワーク構造の「保守的な推定値」として機能し、合成回路の設計やデータからの制御ネットワークの推論を導く可能性がある。