Optimal Inference of Asynchronous Boolean Networks

Imagine que você é um detetive tentando resolver um mistério dentro de uma cidade minúscula e movimentada chamada célula. Esta cidade é administrada por milhares de trabalhadores minúsculos chamados genes. Às vezes, um gene se liga (como um interruptor de luz sendo acionado para cima) para realizar um trabalho e, às vezes, ele se desliga. Esses trabalhadores não agem sozinhos; eles conversam entre si, formando uma complexa teia de instruções. Se o Gene A se liga, ele pode dizer ao Gene B para se desligar, que então diz ao Gene C para começar a trabalhar. Essa teia de instruções é o que os cientistas chamam de "rede de regulação gênica".

O grande desafio para os cientistas é descobrir exatamente quem está falando com quem. Eles têm um monte de pistas: instantâneos da cidade em diferentes momentos, mostrando quais luzes estão acesas e quais estão apagadas. Mas há um porém: a cidade é caótica. Os trabalhadores nem sempre seguem um cronograma rigoroso; às vezes, o Gene A diz ao Gene B para agir, mas o Gene B espera um momento antes de acionar seu interruptor. Isso é chamado de comportamento "assíncrono". Além disso, os instantâneos são um pouco borrados — às vezes um gene parece estar ligado quando, na verdade, está desligado, apenas porque a câmera (o experimento) cometeu um erro. Isso é chamado de "ruído". O objetivo é construir um mapa da cidade que explique todos esses instantâneos perfeitamente, sem tornar o mapa complicado demais ou presumir demais.

É aqui que um pesquisador chamado Guy Karlebach entra com uma nova maneira de resolver o quebra-cabeça. Em seu artigo, ele propõe um método para descobrir as regras desta cidade celular, mesmo quando os trabalhadores estão agindo fora de sincronia e as fotos estão um pouco embaçadas. Ele trata o problema como um jogo de "compressão". Imagine que você tem uma história longa escrita em um código secreto. Você quer escrever um manual de instruções curto que diga a um computador como gerar exatamente essa história. Se a história for aleatória, seu manual terá que ser quase tão longo quanto a própria história. Mas, se a história segue um padrão, seu manual pode ser muito curto. A ideia de Karlebach é encontrar o manual mais curto possível (a rede mais simples) que possa explicar os dados, aceitando que algumas letras na história podem ser erros de digitação (ruído) ou que a história pode ter alguns momentos de "talvez" onde o tempo é flexível (assincronia).

O artigo introduz um novo algoritmo chamado MEDSI (Minimum Edit Distance from a State of Ignorance - Distância de Edição Mínima de um Estado de Ignorância) para encontrar esse manual perfeito. Em vez de apenas adivinhar quem fala com quem com base em quem muda ao mesmo tempo, este método busca a explicação mais eficiente. Ele pergunta: "Qual é o conjunto mais simples de regras que, ao permitirmos alguns erros e alguns atrasos, cria exatamente o padrão de luzes que vemos?". Os pesquisadores testaram isso em dados reais de células de levedura sob estresse e em dados simulados onde conheciam as regras "reais". No experimento com levedura, o modelo deles previu novos dados melhor do que o acaso. Nas simulações, onde conheciam a verdade fundamental, o método deles foi muito melhor em encontrar as conexões corretas do que outras ferramentas populares, especialmente quando os dados estavam bagunçados ou o tempo era irregular.

No entanto, o artigo também alerta que isso não é uma varinha mágica que resolve tudo instantaneamente. Encontrar o mapa absolutamente perfeito é um problema matemático muito difícil, por isso o pesquisador teve que usar atalhos inteligentes (heurísticas) para fazer o computador rodar rápido o suficiente. Eles também observam que o método funciona melhor quando você tem uma boa lista de potenciais "falantes" (reguladores) para começar, em vez de adivinhar do zero. Embora os resultados sejam promissores e sugiram que esta abordagem captura a conversa caótica e real do tempo das células melhor do que métodos antigos, o autor admite que mais trabalho é necessário para lidar com conjuntos de dados ainda maiores e para descobrir a melhor maneira de transformar medições contínuas e borradas em interruptores claros de "ligado/desligado". No final das contas, este artigo oferece uma maneira nova e mais inteligente de ouvir a conversa caótica dentro de uma célula e escrever as regras que governam sua vida.