🧬 biology

Logistic Gene Regulatory Networks: Prevention of Expression Shutdown, and Numerical Stability Beyond Hill Function

本文提出用全局光滑且严格为正的逻辑函数替代标准希尔函数来建模基因调控网络，从而消除静默复数运算和表达关闭等结构性缺陷，同时确保数值稳定性并实现高级控制策略。

原作者： Ismail Belgacem

发布于 2026-05-05

📖 1 分钟阅读☕ 轻松阅读

原作者： Ismail Belgacem

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一个细胞是一座繁忙的城市，基因是其中的工厂，而蛋白质则是这些工厂生产出来的工人。为了让这座城市运转，这些工厂需要知道何时开始工作、何时减速以及何时停止。科学家们长期以来使用一种特定的数学工具——希尔函数（Hill function）——来模拟这些“开/关”开关。它就像一盏交通灯，从绿灯到红灯的切换非常 sharp（锐利）。

然而，本文认为希尔函数存在三个主要的隐藏缺陷，使其成为描绘真实城市的糟糕地图，尤其是在“交通”变得复杂时。作者提出了一种更好的工具，称为逻辑函数（Logistic function），它就像一盏更平滑、更真实的交通灯，永远不会完全关闭。

以下是本文主张的分解，使用简单的类比：

1. 旧工具（希尔函数）的三个缺陷

本文指出了传统希尔函数的三个具体问题：

“死区”问题：在现实世界中，即使基因处于“关闭”状态，它仍会泄漏出微量的蛋白质（就像水龙头永远无法完全关紧）。然而，希尔函数声称，如果信号为零，生产速率会降至恰好为零。
- 类比：想象一辆汽车，一旦你将钥匙转到“关闭”位置，引擎就会瞬间冻结，除非用拖车拖走，否则无法重新启动。如果汽车被困在一个深坑里（低表达状态），它永远无法靠自己爬出来。希尔函数将系统永远困在这个“关闭”状态中。
“数学断裂”问题：真实的生物数据通常会产生“分数”数字（如 3.5），而不是整数。希尔函数在处理这些分数时会出现困难。
- 类比：这就像试图把蛋糕切成 3.5 块。如果你尝试用负数进行计算（由于微小的计算机舍入误差而发生），计算器会突然开始给出“虚数”（如 $\sqrt{-1}$ ）。计算机仍在运行，在屏幕上绘制平滑的线条，但数据实际上已被秘密破坏且毫无意义。模型看起来很好，但实际上已经损坏。
“纠缠旋钮”问题：希尔函数有两个主要设置：开关的 sharpness（锐度）和开关发生的位置。在希尔模型中，你无法调整其中一个而不搞乱另一个。
- 类比：想象一台收音机，其音量旋钮被粘在了频道调谐器上。如果你想调大音量，就会意外地改变频道。这使得设计特定的生物电路变得非常困难。

2. 解决方案：逻辑函数

作者建议用逻辑函数取代希尔函数。这是一种不同的数学曲线，能够一次性解决所有三个问题。

无死区：逻辑函数永远不会达到零。即使信号为零，仍然存在微小的、正的“基础”生产。
- 结果：如果系统陷入低状态，那一点点泄漏就像向放气的气球中缓慢充气。最终，它会膨胀到足以逃脱陷阱并重新开始工作。论文表明，在特定的生物场景（大肠杆菌半乳糖操纵子）中，这种微小的泄漏允许系统在约44 分钟内逃脱“卡住”的状态，而旧模型则会永远卡住。
数学稳健性：逻辑函数在所有地方都是“平滑”的，即使面对分数数字也是如此。
- 结果：它永远不会产生虚数。论文在包含80 个基因的巨大网络上对此进行了测试。旧的希尔模型在约 63 分钟后崩溃并产生垃圾数据。而新的逻辑模型则顺利运行了完整的200 分钟，没有任何错误。
独立旋钮：在逻辑模型中，你可以独立调整开关的锐度和开关的位置。
- 结果：你可以精确地调节生物电路，就像一台收音机，其音量和频道是独立的旋钮。

3. 论文中的现实世界测试

作者不仅进行了理论推导，还进行了三项具体测试来证明其观点：

振荡器测试：他们模拟了一个由两个基因组成的系统，该系统充当生物钟。他们从数学上证明，使用逻辑函数时，系统是稳定的，除非添加特定的“时间延迟”（如信号滞后），否则不会随机开始振荡。
细胞周期测试：他们采用了一个著名的哺乳动物细胞周期模型（涉及 11 个基因），并将其翻译成新的逻辑语言。计算机完美地解决了它，每个基因都保持在现实的非负限制内。
“大数据”测试：他们选取了一个包含 80 个基因的复杂网络，并让两个模型对其进行运行。
- 希尔模型：它用虚数无声地破坏了数据，并过早停止工作。
- 逻辑模型：它完美地完成了整个模拟，使所有 80 个基因都像真实的生物分子一样行为。

4. 这对控制为何重要

最后，论文解释说，由于逻辑函数永远不会达到零，因此要控制这些生物系统要容易得多。

类比：如果你试图驾驶一辆引擎已死（希尔模型）的汽车，当它停止时，你无法转向它。但如果引擎始终处于轻微怠速状态（逻辑模型），你就可以始终施加一点油门将其转向你想要的方向。这使得科学家能够使用先进的控制策略（如滑模控制或预测控制）来设计可靠且响应迅速的合成生物电路。

总结

本文声称，传统的希尔函数是一个有缺陷的工具，它可能将生物模型困在“关闭”状态中，在处理现实世界数据时在数学上崩溃，并使控制变得困难。逻辑函数被提出作为一种更优越的替代方案，它在数学上稳定，在生物学上更真实（因为它允许“泄漏”表达），并且更容易用于设计和控制复杂的基因网络。作者提供了代码和模拟，表明这种新方法效果更好，特别是对于大型和复杂系统。

以下是 Ismail Belgacem 所著论文《Logistic Gene Regulatory Networks: Prevention of Expression Shutdown, and Numerical Stability Beyond Hill Functions》（逻辑基因调控网络：防止表达关闭及超越 Hill 函数的数值稳定性）的详细技术总结。

1. 问题陈述

本文针对标准Hill 函数公式在建模基因调控网络（GRNs）时固有的三个关键结构性缺陷，特别是在协同指数（ $n$ ）为非整数（实验数据拟合中的常见情况）时：

生物学不真实性（零基础表达）： Hill 激活函数 $h_+(x) = x^n / (x^n + \theta^n)$ 在 $x=0$ 处的值恰好为零。这意味着在没有激活剂的情况下，基因完全沉默。从生物学角度看，这是不正确的；由于随机结合和不完全抑制，基因表现出“泄漏”的基础转录（最大值的 0.1–10%）。在双稳态系统中，这种零速率会将系统锁定在“关闭”状态，使其无法从噪声或低表达状态中恢复。
数学与数值不稳定性：
- 光滑性丧失： 对于非整数 $n$ ，Hill 函数仅具有 $C^{\lfloor n \rfloor}$ 阶光滑性。高于 $\lfloor n \rfloor$ 阶的导数在原点处发散，阻碍了高级分析工具的使用（例如中心流形约化、正规形分析）。
- 复值污染： 自适应 ODE 求解器不可避免地会因舍入误差产生微小的负值。对于非整数 $n$ ，当 $x < 0$ 时， $x^n$ 变为复数值。这导致“静默腐蚀”，即求解器积分一个复值代理系统，产生平滑但生物学上无意义的轨迹，且不会触发视觉警告，直到模拟崩溃。
可控性缺口： $x=0$ 处的零产生率造成了根本性的可控性缺口。反馈控制策略（例如滑模控制、模型预测控制）失效，因为系统无法通过内在动力学从零状态被驱动出来。

2. 方法论

作者提出用Logistic 函数替代 Hill 函数作为 GRNs 的调控核。方法论包括：

公式构建：
- 激活： $f_+(x, \theta, \lambda) = \frac{1}{1 + e^{-\lambda(x-\theta)}}$
- 抑制： $f_-(x, \theta, \lambda) = \frac{1}{1 + e^{\lambda(x-\theta)}}$
- 其中， $\theta$ 是阈值（解离常数）， $\lambda$ 是陡峭度（与协同性相关）。关键在于，这些参数是解耦的，而在 Hill 函数中，斜率和阈值是纠缠在一起的。
布尔到 ODE 的转换： 本文引入了一种乘积式 Logistic 德摩根形式，将布尔网络转换为连续 ODE。
- 逻辑“与”映射为 Logistic 项的乘积。
- 逻辑“或”通过递归德摩根公式映射： $\Phi(\bigvee C_k) = 1 - \prod (1 - \Phi(C_k))$ 。
- 这确保了调控函数 $\Phi$ 严格保持在生物学界限 $[0, 1]$ 内。
比较分析： 该研究将 Logistic 框架与以下对象进行了比较：
- 标准 Hill 函数（带有非整数指数）。
- 替代的加权和 Logistic 公式（例如 Samuilik 等人提出的），作者认为这些公式将临界点置于生物学上无意义的负浓度处。
模拟协议：
- 小型网络： 对 2 基因负反馈振荡器和正自调控基序进行解析稳定性分析。
- 中型网络： 自动转换并模拟 11 基因的 Traynard 哺乳动物细胞周期布尔网络。
- 大型网络： 对 80 基因布尔衍生 ODE 系统进行严格的数值实验，使用非整数 Hill 指数（ $n=3.509$ ）以测试数值稳定性。

3. 主要贡献

A. Logistic 函数的理论优势

全局 $C^\infty$ 光滑性： Logistic 函数在所有地方（包括原点）都是无限可微的，使得高阶分析工具得以应用。
实值鲁棒性： 定义为所有实数参数（包括负数），防止 ODE 求解器中出现复值算术污染。
内置基础表达： $f_+(0) > 0$ 确保即使在缺乏激活剂的情况下也存在非零产生率，反映了生物学现实。
参数解耦： 最大斜率（ $\lambda/4$ ）仅取决于陡峭度，而阈值（ $\theta$ ）是独立的。这允许独立调节敏感性和决策阈值，而在 Hill 函数中，斜率 $n/(4\theta)$ 将两者耦合在一起。
闭式逆函数： Logit 逆函数 $f^{-1}(y) = \theta + \lambda^{-1}\ln(y/(1-y))$ 实现了精确的反馈线性化，这对于一般的非整数 Hill 函数是不可能的。

B. 生物学真实性与双稳态

逃离关闭状态： 在模拟大肠杆菌 gal 操纵子的正自调控模型中，Logistic 模型的基础产生率驱动系统在约44 分钟内（通过噪声驱动的积累）从低表达“关闭”状态中脱离。
Hill 函数的失败： 等效的 Hill 模型由于缺乏基础产生率，永久被困在关闭状态，因为 mRNA 在没有源头的情况下呈指数衰减，蛋白质从未达到触发开关所需的非稳定分界线。

C. 大规模数值稳定性

80 基因实验：
- Hill 求解器： 在 $t \approx 52.64$ 时进入静默复值污染（由于状态变量略微过冲零值）。模拟在 $t \approx 63-65$ 处过早终止，导致约 67% 的时间跨度仅由无约束的多项式外推覆盖。轨迹看起来平滑，但在数学上已被破坏。
- Logistic 求解器： 在没有发出任何警告的情况下完成了完整积分（ $t \in [0, 200]$ ）。所有 80 个变量均保持严格非负且有界。

D. 控制理论意义

始终为正的产生率消除了可控性缺口，使得高级控制策略（滑模控制、模型预测控制、反馈线性化）得以应用，而这些策略在使用 Hill 函数处理低表达水平时会失效。
Logistic 函数平滑且有界的特性确保了条件良好的雅可比矩阵，促进了鲁棒控制器设计。

4. 结果

稳定性分析： 对于 2 基因负反馈振荡器，Logistic 模型对所有正参数都是局部渐近稳定的。系统在没有时间延迟的情况下无法发生 Hopf 分岔（这与一些基于 Hill 函数的说法不同），证实了持续振荡需要显式的延迟项。
双稳态表征： 推导出了正自调控中鞍结分岔的显式超越方程。Logistic 模型表现出有限的双稳态范围（对于特定参数， $1.821 < \alpha < 2.823$ ），而 Hill 模型具有吸收性的零状态。
细胞周期模拟： 通过乘积式 Logistic 形式转换的 11 基因 Traynard 网络成功积分，所有变量均有界且非负，验证了该框架的可扩展性。
数值可靠性： 80 基因实验提供了实证证明，由于浮点舍入误差触发复数算术，带有非整数指数的 Hill 函数在大规模 ODE 模拟中普遍不可靠。

5. 意义

本文论证Logistic 函数应取代 Hill 函数，作为系统生物学和合成生物学中的默认调控核。其意义在于：

纠正生物学伪影： 解决了“零基础表达”缺陷，使模型能够捕捉噪声驱动的转换和从关闭状态的恢复，这对于理解细胞决策至关重要。
确保计算完整性： 消除了由非整数指数引起的 ODE 求解器“静默腐蚀”，确保模拟结果在数学上有效，而非数值不稳定性的产物。
启用高级控制： 通过提供平滑、可逆且始终为正的动力学，Logistic 框架使基因调控网络适用于严格的控制理论应用（例如合成电路设计、治疗干预），而这些应用目前被 Hill 函数的数学奇点所阻碍。
实际部署： 该框架与标准数值库和自动微分工具（TensorFlow, PyTorch）兼容，可立即部署用于现代机器学习驱动的生物学建模。

总之，本文认为 Logistic 公式不仅仅是一种变体，而是下一代 GRN 模型的原则性、计算稳健且生物学忠实的基础。