Efficient stochastic simulation of gene regulatory networks using hybrid models of transcriptional bursting

기술 요약: 하이브리드 전사 버스팅 모델을 활용한 유전자 조절 네트워크의 효율적 확률적 시뮬레이션

문제 제기
단일 세포 데이터는 동일한 유전체와 환경을 가진 세포 간에 전사 버스팅 현상을 비롯하여 상당한 생물학적 확률성이 존재함을 보여주었습니다. 이를 모델링하기 위해 유전자 발현은 일반적으로 이산적인 생화학적 종을 갖는 연속 시간 마르코프 연쇄로 취급되며, 이는 주로 길레스피의 확률적 시뮬레이션 알고리즘 (SSA) 을 사용하여 시뮬레이션됩니다. 그러나 SSA 는 현실적인 mRNA 및 단백질 복사 수에 대해 계산적으로 불가능해집니다. 반면, 부분 결정론적 마르코프 과정 (PDMPs) 은 풍부한 종 (mRNA, 단백질) 을 연속 변수로 처리하고 희귀 사건 (전사 버스트) 을 이산 점프로서 처리함으로써 세포 간 변이를 포착하는 하이브리드 프레임워크를 제공하지만, 그 시뮬레이션은 여전히 전문 수학 커뮤니티로 제한되어 왔습니다. 기존 PDMP 시뮬레이션 방법은 종종 생존 함수의 수치적 적분에 의존하는데, 이는 계산 비용이 많이 들고 시간 이산화를 요구할 수 있습니다.

방법론
저자들은 상호작용하는 유전자 네트워크를 설명하는 버스트성 PDMP 에 대한 간단하고 정확한 시뮬레이션 알고리즘을 제안합니다. 이 모델은 프로모터 활성 기간이 비활성 기간에 비해 짧다고 가정하는 "버스트 영역"을 전제로 하며, 이를 통해 프로모터 상태를 폐기할 수 있습니다. 이 영역에서 mRNA 는 단백질 수준에 의존하는 빈도 $kon,i$로 순간적인 버스트를 통해 생성되는 반면, mRNA 와 단백질의 분해 및 번역은 결정론적 상미분 방정식 (ODE) 을 따릅니다.

방법론의 핵심은 SSA 를 연상시키지만 연속 상태 공간에 맞게 조정된 수용 - 거절 알고리즘입니다:

1. 글로벌 클록: 모든 버스트 빈도의 합 ($\sum kon,i$) 에 대한 글로벌 상한 $\lambda$가 설정됩니다.
2. 결정론적 흐름: 점프 사이에서 시스템은 mRNA 및 단백질 역학을 지배하는 ODE 의 해석적 해에 따라 결정론적으로 진화합니다.
3. 사건 시뮬레이션: 알고리즘은 균일 포아송 과정을 강도 $\lambda$로 시뮬레이션하여 후보 점프 시간을 생성합니다.
4. 수용 - 거절: 각 후보 시간에서 알고리즘은 "진짜" 점프가 발생하는지 아니면 "유령" 점프 (거절) 인지를 결정합니다. 이 결정은 현재 상태에서의 실제 버스트 빈도와 글로벌 상한 $\lambda$의 비율에 기반합니다.
5. 상태 업데이트: 진짜 점프가 발생하면 상대적 버스트 빈도에 따라 특정 유전자가 선택되고, 지수 분포를 따르는 버스트 크기가 해당 유전자의 mRNA 수준에 추가됩니다. 그런 다음 이 새로운 상태에서 프로세스가 다시 시작됩니다.

주요 기여

• 알고리즘적 효율성: 본 논문은 표준 PDMP 시뮬레이션 기법이 요구하는 수치적 적분을 피하는 시뮬레이션 방법을 제시합니다. 글로벌 상한을 사용한 수용 - 거절 단계를 통해 누적 분포 함수의 역함수 계산이나 시간 이산화의 필요성을 우회함으로써 계산 비용을 크게 줄입니다.
• 정확성 증명: 저자들은 (5 절에서) 구성된 과정이 목표 PDMP 의 정확한 실현임을 보여주는 엄밀한 수학적 증명을 제공합니다. 시뮬레이션된 과정의 무한소 생성자가 버스트성 PDMP 모델의 이론적 생성자와 일치함을 보여줌으로써 궤적이 통계적으로 정확함을 보장합니다.
• 모듈성과 접근성: 이 알고리즘은 쉽게 구현하고 확장하도록 설계되었습니다. 임의의 수의 상호작용 유전자를 수용하며 (예: 성숙 mRNA 와 전구 mRNA 를 구분하는 등) 추가 변수를 포함하도록 적응시킬 수 있으며, 기본 계산 구조를 변경하지 않습니다.
• 시뮬레이션을 통한 생물학적 통찰: 두 유전자 토글 스위치를 시뮬레이션하기 위해 이 알고리즘을 사용하여 저자들은 실제 데이터에서 관찰된 이모달 분포가 전사 버스팅 자체의 결과만이 아님을 입증했습니다. 대신, 이모달성은 유전자 - 유전자 상호작용에 의해 주도되는 서로 다른 버스트 빈도에서 비롯됩니다. 이 연구는 버스트성 PDMP 모델이 단일 세포 데이터에서 관찰된 분포 꼬리를 정확하게 포착하는 반면, 표준 2 상태 프로모터 모델은 종종 비현실적인 특정 매개변수 영역이 충족되지 않는 한 이를 포착하지 못할 수 있음을 강조합니다.

결과

• 계산 성능: 저자들은 현실적인 매개변수 값에 대해 PDMP 시뮬레이션이 정확한 SSA 보다 약 200 배 빠르다고 보고하여 대규모 네트워크 시뮬레이션과 광범위한 단일 세포 데이터 궤적 수집을 가능하게 합니다.
• 모델 검증: 토글 스위치 네트워크의 시뮬레이션은 이안정성 패턴을 성공적으로 재현했습니다. 결과는 단백질이 더 느린 분해율로 인해 mRNA 버스트를 완화하여 견고한 이모달 분포를 생성함을 나타냈습니다.
• 이론적 일관성: 증명에 따르면 알고리즘은 올바른 무한소 생성자를 가진 궤적을 생성하여, 종 수가 연속 근사를 정당화할 만큼 충분히 높지만 버스트의 확률적 처리를 필요로 할 만큼 충분히 낮은 시스템에 대해 이산 SSA 에 대한 엄밀한 대안으로서 방법을 검증합니다.

의의 및 주장
이 논문은 전사 버스팅이 풍부한 화학 종을 ODE 로 설명하고 희귀 종과 관련된 이산 사건이 확률성을 주도하는 하이브리드 모델링의 이상적인 시나리오라고 주장합니다. 저자들은 그들의 작업이 버스트성 PDMP 의 시뮬레이션을 더 넓은 시스템 생물학 커뮤니티가 접근할 수 있게 하여, 비효율적인 SSA 와 복잡하고 전문적인 PDMP 솔버 모두에 대한 "간단"하면서도 "정확한" 대안을 제공한다고 주장합니다.

저자들은 그들의 기여가 새로운 이론적 프레임워크 (알고리즘은 일반 PDMP 시뮬레이션 방법의 특정 사례이므로) 가 아니라 유전자 조절 네트워크를 위한 전용 실용적 사례임을 강조합니다. 그들은 주요 동기가 대규모 네트워크의 효율적인 시뮬레이션을 용이하게 하고 기존 문헌에서 부족하다고 판단된 알고리즘의 정확성에 대한 상세한 증명을 제공하는 것이라고 명시적으로 밝힙니다. 이 논문은 이 접근법이 올바른 분포 꼬리를 포착하는 것이 중요한 단일 세포 전사체 데이터 해석에 특히 적합하다고 결론지었습니다.