Dynamics of attractor transitions in Boolean networks under noise

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 생물학적 시스템 (유전자 조절 네트워크, 대사 네트워크 등) 은 본질적으로 노이즈 (확률적 요동) 에 노출되어 있으며, 이는 시스템 상태의 변화와 어트랙터 (attractor, 시스템이 장기적으로 수렴하는 상태) 간의 전이를 유발합니다. 불린 네트워크 (Boolean Networks) 는 이러한 생물학적 과정을 모델링하는 데 널리 사용되지만, 기존의 분석은 대부분 결정론적 규칙에 초점을 맞추어 노이즈의 동역학적 영향을 간과해 왔습니다.
• 문제: 기존 Derrida 분석과 같은 방법은 노드 (node) 수준의 민감도를 평가하거나 노이즈를 명시적으로 포함하지 않아, 노이즈에 의해 유도된 어트랙터 간의 전이 패턴 (transition patterns) 을 체계적으로 분석하는 데 한계가 있습니다.
• 목표: 노이즈 하에서 불린 네트워크의 어트랙터 역학을 이해하기 위해, 어트랙터 간의 전이 확률을 기반으로 한 새로운 분석 프레임워크를 제안하고, 국소적 노이즈 (local noise) 와 전역적 노이즈 (global noise) 가 어트랙터 역학에 미치는 영향을 비교 분석하는 것입니다.

2. 방법론 (Methodology)

연구자들은 어트랙터 수준 (attractor level) 에서 네트워크의 동역학을 정량화하기 위해 다음과 같은 수학적 프레임워크를 구축했습니다.

• 전이 확률 행렬 (Transition Matrix) 구성:

  • 주어진 불린 네트워크에서 모든 가능한 어트랙터를 식별합니다.
  • 국소적 노이즈 (Local Noise): 어트랙터 상태의 임의의 단일 노드를 뒤집는 (flip) 시나리오를 가정합니다. 각 어트랙터의 모든 상태에 대해 모든 노드를 한 번씩 뒤집어 시뮬레이션하고, 그 결과로 도달하는 새로운 어트랙터를 기록합니다.
  • 전이 확률 ($m_{\alpha\beta}$): 어트랙터 $\alpha$에서 $\beta$로 전이할 확률을 계산합니다.
    $$m_{\alpha\beta} = \frac{\nu_{\alpha\beta}}{N \ell_\alpha}$$
    (여기서 $\nu_{\alpha\beta}$는 전이 횟수, $N$은 노드 수, $\ell_\alpha$는 어트랙터 $\alpha$의 길이입니다.)
  • 이 확률들을 행렬 $M$로 구성하여, 어트랙터 간의 전이를 마르코프 체인 (Markov chain) 으로 모델링합니다.

• 분석 지표:

  • 주요 고유벡터 (Principal Eigenvector): 행렬 $M$의 고유벡터 $\vec{v}$를 통해 장기적인 정상 상태 분포 (stationary distribution) 를 구합니다. 이는 각 어트랙터가 점유되는 시간 비율 (우세성, dominance) 을 나타냅니다.
  • 대각선 요소 ($m_{\alpha\alpha}$) 및 행렬의 대각합 (Trace): $m_{\alpha\alpha}$는 어트랙터의 안정성 (stability) 을, 행렬의 Trace($Tr(M)$) 은 네트워크 전체의 노이즈에 대한 회복 탄력성을 정량화합니다.
  • 엔트로피 (Entropy): Shannon 엔트로피를 계산하여 시스템이 어트랙터 공간을 얼마나 넓게 탐색하는지 (다양성, diversity) 측정합니다.

• 비교 대상:

  • 전역적 무작위화 (Global Randomization): 모든 노드의 상태를 동시에 무작위로 재설정하는 시나리오. 이 경우 전이 확률은 단순히 어트랙터의 분지 크기 (basin size) 에 비례합니다.

3. 주요 결과 (Key Results)

A. 어트랙터의 우세성 (Dominance) 및 정상 분포

• 전이 행렬의 주요 고유벡터로 예측한 어트랙터 점유 시간 비율은 시뮬레이션 결과와 0.99 이상의 높은 상관관계를 보였습니다.
• 이는 어트랙터 역학을 어트랙터 전이 네트워크 상의 랜덤 워크로 해석할 수 있음을 의미하며, PageRank 알고리즘과 유사한 원리로 어트랙터의 중요도를 예측할 수 있음을 보여줍니다.

B. 안정성 (Stability)

• 국소적 노이즈: 임의의 정규 네트워크 (random regular networks) 에서 국소적 노이즈 하의 $Tr(M)$은 항상 1 보다 크게 나타났습니다. 이는 불린 네트워크가 국소적 교란에 대해 내재적인 회복 탄력성 (resilience) 을 가지고 있음을 의미합니다.
• 전역적 노이즈: 전역적 무작위화 시 $Tr(M)$은 정의상 1 이 됩니다.
• 결론: 국소적 노이즈는 시스템이 특정 어트랙터에 머무르는 경향을 강화하여 전역적 노이즈보다 더 높은 안정성을 보입니다.

C. 어트랙터 분포의 엔트로피 및 탐색 패턴

• 엔트로피 ($H$): 민감도 (sensitivity, $s$) 가 낮을 때 국소적 노이즈 하의 시스템은 전역적 무작위화 (기대치인 분지 크기 분포) 보다 더 넓은 범위의 어트랙터를 탐색합니다 ($\Delta H > 0$).
• 전이 비대칭성: 민감도가 낮을 때 ($s < 1.5$), 시스템은 분지 크기가 큰 어트랙터보다 분지 크기가 작은 어트랙터로 전이할 확률이 더 높았습니다 ($R_>/R_< < 1$). 이는 국소적 노이즈가 시스템으로 하여금 분지 크기에 비례하지 않는 구조화된 전이 패턴을 보이게 하여, 상대적으로 덜 접근 가능한 어트랙터들을 더 자주 방문하게 만든다는 것을 의미합니다.
• 민감도가 증가하면 이 경향은 사라지고 전역적 무작위화 패턴에 수렴합니다.

D. 실제 생물학적 네트워크 적용

• Cell Collective 데이터베이스의 17 가지 실제 생물학적 불린 네트워크 (세포 주기, T 세포 분화, 심혈관 발달 등) 에 적용한 결과, 모든 네트워크에서 $Tr(M) > 1$을 보여 국소적 노이즈 하에서 향상된 안정성을 가짐을 확인했습니다.
• 실제 네트워크에서도 분지 크기와 고유벡터 기반 점유율 사이에 편차가 존재하여, 국소적 노이즈와 전역적 노이즈가 서로 다른 역학 패턴을 생성함을 입증했습니다.

4. 주요 기여 (Key Contributions)

1. 새로운 분석 프레임워크 제안: 노드 수준의 분석을 넘어, 어트랙터 간의 전이 확률 행렬을 구성하여 노이즈 하의 장기적 동역학을 체계적으로 분석하는 방법을 제시했습니다.
2. 국소적 vs 전역적 노이즈의 차이 규명: 전역적 노이즈가 단순히 분지 크기 (basin size) 에 의해 결정되는 반면, 국소적 노이즈는 구조화된 전이 패턴 (안정성 강화, 비자명한 우세성 패턴, 어트랙터 공간의 광범위한 탐색) 을 생성함을 발견했습니다.
3. 생물학적 통찰: 생물학적 시스템이 노이즈 하에서도 특정 기능 상태 (어트랙터) 를 유지하는 능력 (안정성) 과 다양한 상태 간 전환을 통한 유연성 (다양성) 을 동시에 가질 수 있음을 수학적으로 설명했습니다.

5. 의의 및 결론 (Significance)

이 연구는 생물학적 시스템의 노이즈가 단순한 방해 요인이 아니라, 시스템이 다양한 기능적 상태 사이를 이동하고 장기적 행동을 형성하는 핵심 동역학적 요소임을 강조합니다. 특히, 국소적 노이즈가 어트랙터의 안정성을 높이고 분지 크기와 무관한 전이 경로를 만들어낸다는 점은 유전자 조절 네트워크의 강건성 (robustness) 과 가소성 (plasticity) 을 이해하는 데 중요한 통찰을 제공합니다. 향후 대규모 네트워크에서의 샘플링 기반 방법론 확장 및 비동기 업데이트, 상관된 노이즈 등 다양한 조건으로의 확장이 필요함을 제안하며, 시스템 생물학 및 네트워크 과학 분야에서 노이즈의 역할을 재정의하는 계기가 될 것으로 기대됩니다.