Optimal Inference of Asynchronous Boolean Networks

Stel je voor dat je een detective bent die een mysterie probeert op te lossen in een piepkleine, bruisende stad die een cel wordt genoemd. Deze stad wordt gerund door duizenden kleine werkers genaamd genen. Soms gaat een gen "aan" (zoals een lichtschakelaar die omhoog wordt geklapt) om een taak uit te voeren, en soms gaat het "uit". Deze werkers werken niet alleen; ze praten met elkaar en vormen een complex web van instructies. Als Gen A aangaat, kan het Gen B de opdracht geven om uit te gaan, wat er vervolgens voor zorgt dat Gen C aan het werk gaat. Dit web van instructies is wat wetenschappers een "genregulerend netwerk" noemen.

De grote uitdaging voor wetenschappers is om precies uit te zoeken wie met wie praat. Ze hebben een stapel aanwijzingen: snapshots van de stad op verschillende momenten, die laten zien welke lampen aan en uit staan. Maar er is een addertje onder het gras: de stad is chaotisch. De werkers volgen niet altijd een strikt schema; soms geeft Gen A de opdracht aan Gen B om actie te ondernemen, maar wacht Gen B even voordat het zijn schakelaar omzet. Dit wordt "asynchroon" gedrag genoemd. Bovendien zijn de snapshots een beetje wazig—soms lijkt een gen aan te staan terwijl het eigenlijk uit is, simpelweg omdat de camera (het experiment) een fout heeft gemaakt. Dit wordt "ruis" genoemd. Het doel is om een kaart van de stad te bous die al deze snapshots perfect verklaart, zonder dat de kaart te ingewikkeld wordt of dat er te veel wordt gegokt.

Hier komt een onderzoeker genaamd Guy Karlebach in beeld met een nieuwe manier om dit puzzelstukje op te lossen. In zijn artikel stelt hij een methode voor om de regels van deze cellulaire stad te ontdekken, zelfs wanneer de werkers uit de pas lopen en de foto's een beetje wazig zijn. Hij behandelt het probleem als een spel van "compressie". Stel je voor dat je een lang verhaal hebt dat in een geheime code is geschreven. Je wilt een korte handleiding schrijven die een computer vertelt hoe hij exact datzelfde verhaal kan genereren. Als het verhaal willekeurig is, moet je handleiding bijna net zo lang zijn als het verhaal zelf. Maar als het verhaal een patroon volgt, kan je handleiding erg kort zijn. Karlebachs idee is om de kortst mogelijke handleiding (het eenvoudigste netwerk) te vinden die de data kan verklaren, waarbij hij accepteert dat een paar letters in het verhaal typefouten kunnen zijn (ruis) of dat het verhaal een paar "misschien"-momenten heeft waarbij de timing flexibel is (asynchroniteit).

Het artikel introduceert een nieuw algoritme genaamd MEDSI (Minimum Edit Distance from a State of Ignorance) om die perfecte handleiding te vinden. In plaats van alleen te gokken wie met wie praat op basis van wie er tegelijkertijd verandert, zoekt deze methode naar de meest efficiënte verklaring. Het vraat: "Wat is de eenvoudigste set regels die, als we rekening houden met een paar fouten en enkele vertragingen, exact het patroon van lampen creëert dat we zien?" De onderzoekers testten dit op echte data van gistcellen onder stress en op gesimuleerde data waarbij ze de "ware" regels kenden. In het gistexperiment voorspelde hun model nieuwe data beter dan op basis van toeval. In de simulaties, waar zij de grondwaarheid kenden, was hun methode veel beter in het vinden van de juiste verbindingen dan andere populaire tools, vooral wanneer de data rommelig was of de timing onregelmatig.

Het artikel waarschuwt echter dat dit geen toverstaf is die alles direct oplost. Het vinden van de absoluut beste kaart is een zeer moeilijk wiskundig probleem, dus moest de onderzoeker slimme afkortingen (heuristieken) gebruiken om de computer snel genoeg te laten draaien. Ze merken ook op dat hun methode het beste werkt wanneer je een goede lijst hebt van potentiële "praters" (regulatoren) om mee te beginnen, in plaats van vanaf nul te gokken. Hoewel de resultaten veelbelovend zijn en suggereren dat deze aanpak de rommelige, echte wereld-timing van cellen beter vangt dan oudere methoden, geeft de auteur toe dat er meer werk nodig is om zelfs grotere datasets aan te kunnen en om de beste manier te vinden om wazige, continue metingen om te zetten in duidelijke "aan/uit"-schakelaars. Uiteindelijk biedt dit artikel een nieuwe, slimmere manier om naar het chaotische gesprek binnen een cel te luisteren en de regels op te schrijven die haar leven beheersen.