Asymptotics of Protein Number Distribution in Stochastic Gene Expression Models under Burst Approximation

Technische Samenvatting: Asymptotiek van de Distributie van het Aantal Eiwitten in Stochastische Genexpressiemodellen onder de Burstbenadering

Probleemstelling
Stochastische genexpressie wordt inherent gedreven door willekeurige moleculaire gebeurtenissen, wat leidt tot aanzienlijke variabiliteit tussen cellen in de abundantie van mRNA en eiwitten, vooral wanneer de kopieaantallen laag zijn. Hoewel de Continue-Tijd Markovketen (CTMC) en de Chemische Meestervergelijking (CME) een standaardkader bieden voor het modelleren van deze systemen, zijn de volledige genexpressiemodellen (die expliciet mRNA- en eiwitdynamica volgen) analytisch niet hanteerbaar voor eiwitkopieaantaldistributies, zelfs niet in stationaire toestand. Om dit aan te pakken, wordt de "burstbenadering" veel gebruikt, waarbij het expliciete mRNA-intermediair wordt geëlimineerd en eiwitproductie wordt gemodelleerd als instantane bursts. Echter, de bestaande literatuur over burstbenaderingsmodellen heeft zich voornamelijk gericht op analytische resultaten in stationaire toestand voor specifieke gevallen (bijvoorbeeld twee-toestanden-genen) of numerieke berekeningen. Er ontbreekt een systematische analyse met betrekking tot de algemene tijdsafhankelijke dynamiek, fijne eigenschappen van de distributie (zoals staartgedrag) en de rigoureuze schatting van benaderingsfouten ten opzichte van volledige modellen.

Methodologie
De auteurs stellen een gegeneraliseerd surrogaatmodel voor onder de burstbenadering met $N$ verschillende metastabiele genstaten ($S_i$) en willekeurige burstgrootte-distributies. Het model wordt gedefinieerd als een CTMC waarbij:

1. Genen schakelen tussen staten $S_i$ en $S_j$ met overgangssnelheden $a_{i,j}$ (geen productie) of $b^{[r]}_{i,j}$ (productie van $r$ eiwitten).
2. Eiwitten degraderen met een constante snelheid $\delta$.
3. De dynamiek wordt beheerst door een CME voor de gezamenlijke waarschijnlijkheid $P_{i,j}(m; t)$ om zich in genstaat $S_j$ te bevinden met $m$ eiwitten.

De studie maakt gebruik van de volgende analytische en computationele technieken:

• Genererende Functiemethode: Gebruikt om een analytische, tijdsafhankelijke oplossing voor de CME af te leiden. De oplossing wordt uitgedrukt als een reeks die matrixexponentiënten en integralen over geordende tijdssimplexen omvat.
• Binomiale Momentenmethode: De auteurs leiden uitdrukkingen af voor stationaire binomiale momenten ($B_m$) door de tijdsafhankelijke oplossing de temporele limiet te laten nemen. Zij stellen een recurrente relatie voor deze momenten vast om berekening te faciliteren.
• Functionele Analyse: Ongelijkheden (Hölder, submultiplicativiteit van operatornormen) worden toegepast op de afgeleide reeksen om de waarschijnlijkheidsmassafunctie (PMF), momentgenererende functies en staartwahrscheinlijkheden te begrenzen.
• Asymptotische Analyse: De geldigheid van de burstbenadering wordt beoordeeld door lage-orde momenten van het burstmodel te vergelijken met het volledige genexpressiemodel (dat expliciete mRNA-dynamiek omvat), waarbij bovengrenzen voor de absolute verschillen worden afgeleid.

Belangrijkste Bijdragen en Resultaten

1. Analytische Tijdsafhankelijke Oplossing:
   Het artikel leidt expliciete analytische oplossingen (Vergelijkingen 3 en 4) af voor de eiwitgetaldistributie $P_{i,j}(m; t)$ voor elk aantal genstaten en willekeurige burstgrootte-distributies. Hoewel deze reeksen complex zijn voor directe numerieke evaluatie, dienen ze als fundament voor verdere theoretische analyse.

2. Eigenschappen van de Stationaire Distributie:

   • Begrensdheid en Staartgedrag: Voor geometrisch verdeelde burstgroottes (een veelvoorkomende experimentele observatie) bewijzen de auteurs dat de stationaire PMF begrensd is door een geschaalde negatief-binomiale distributie.
   • Licht-gestaarde Regime: Als de geometrische parameter $\lambda \in (0, 1/2)$, wordt bewezen dat de distributie licht-gestaard is (de momentgenererende functie is eindig in een omgeving van nul). De staartwaarschijnlijkheid wordt geschat met de Chernoff-methode, waardoor eerdere zwaar-gestaarde wetten worden gegeneraliseerd.
   • Recurrente Relaties: Een recurrente relatie voor binomiale momenten wordt afgeleid (Vergelijking 9), wat de recursieve berekening van momenten van willekeurige orde mogelijk maakt.

3. Computationele Algoritmen:
   De auteurs identificeren drie specifieke scenario's waar efficiënte algoritmen kunnen worden ontwikkeld om de stationaire distributie te berekenen:

   • Geometrische Burstgroottes: Analytische uitdrukkingen voor de momentcoëfficiënten $C_r$ worden afgeleid, wat de recurrente relatie vereenvoudigt.
   • Poisson-burstgroottes: Analytische uitdrukkingen voor $C_r$ worden afgeleid met behulp van de eigenschappen van de Poisson-distributie.
   • Afgekaptte Burstgroottes: Voor gevallen waar grote burstgroottes verwaarloosbaar zijn, wordt de reeks afgekapt, wat berekening met eindige termen mogelijk maakt.
     Het artikel merkt op dat voor geometrische distributies met $\lambda \in [1/2, 1)$, de reeksreconstructie van de PMF vanuit binomiale momenten kan divergeren, wat een beperking van de momentmethode in bepaalde parameterregimes benadrukt.

4. Schatting van Benaderingsfouten:
   Door het volledige genexpressiemodel af te beelden op de burstbenadering, leiden de auteurs identiteiten af die de parameters van beide modellen relateren. Zij stellen vast dat hoewel het eerste-orde moment (gemiddeld eiwitgetal) exact behouden blijft onder de burstbenadering, hogere-orde momenten verschillen.

   • Een bovengrens voor het absolute verschil tussen de tweede-orde binomiale momenten van het volledige en het burstmodel wordt afgeleid (Vergelijking 16).
   • De fout blijkt te convergeren naar nul met een snelheid van $O(u^{-2})$ naarmate de mRNA-degradatiesnelheid $u \to \infty$, mits andere parameters vast blijven. Dit verduidelijkt dat de voorwaarde $u/\delta \gg 1$ alleen niet voldoende is om de geldigheid van de benadering voor statistieken van hogere orde te garanderen.

Betekenis en Beweringen
Het artikel claimt de eerste systematische analyse van de burstbenadering te bieden die tijdsafhankelijke dynamiek, eigenschappen van de stationaire distributie en foutkwantificering verbindt.

• Theoretisch: Het vestigt fijne eigenschappen van de eiwitgetaldistributie, specifiek het bewijzen van licht-gestaard gedrag onder geometrische burst-aannames en het bieden van rigoureuze grenzen voor staartwahrscheinlijkheden.
• Computationeel: Het biedt efficiënte algoritmen voor het berekenen van distributies in drie praktisch relevante gevallen (geometrische, Poisson- en afgekaptte bursts), waardoor de combinatorische knelpunten van directe momentenenumeratie worden overwonnen.
• Geldigheid: Het kwantificeert rigoureus de beperkingen van de burstbenadering, door aan te tonen dat hoewel het gemiddelde behouden blijft, het hogere-orde momenten verandert, en de fout alleen onder specifieke asymptotische voorwaarden met betrekking tot mRNA-degradatiesnelheden beheersbaar is.

De auteurs concluderen dat hoewel de burstbenadering een krachtige vereenvoudiging is, de toepassing ervan zorgvuldige overweging vereist van de parameters van de burstgrootte-distributie en de specifieke momenten van belang, aangezien statistieken van hogere orde niet automatisch behouden blijven. Toekomstig werk dat wordt voorgesteld, omvat het schatten van mengtijden, het aanpakken van de divergentie van momentmethoden voor zwaar-gestaarde bursts, en het uitbreiden van modellen naar niet-Markoviaanse processen.