生物辨别中复杂网络的能量 - 速度 - 精度关系

区分正确与错误的底物是生物学中的核心过程，但能量如何在精度（$\mu$）、速度（$\sigma$）和总熵产生率（$P$）这些相互冲突的需求之间分配？先前的研究主要集中在结构简单的生化网络上，或依赖于简化的动力学假设。在此，我们利用时间尺度分离的线性框架，解析地考察任意复杂度的网络在远离热力学平衡时的稳态概率。我们还引入了一种受 Hopfield 处理动力学校对启发而设计的参数缩放方法。缩放允许对高维参数空间进行渐近探索。以此方式，我们识别出一大类复杂网络及其缩放方式，使得当精度从平衡态改善（即 $\mu_{eq}/\mu \to 0$）时，量 $\sigma\ln(\mu)/P$ 保持渐近有限。然而，即使是 Hopfield 的原始网络，也存在某些缩放方式使得 $\sigma\ln(\mu)/P$ 渐近发散，这说明了参数的复杂性。在渐近区域之外，数值计算表明，在更严格的参数假设下，网络满足界限 $\sigma\ln(\mu/\mu_{eq})/P < 1$，我们讨论了这一结果对核糖体和 DNA 聚合酶进行辨别的生物学意义。此处引入的方法可能更广泛地适用于分析实现其他形式细胞信息处理的复杂网络。