强成对相关性导致大型生化网络维度的显著降低

涉及细胞信号传导和基因调控的高通量数据集具有巨大的多维性，使得提取涉及各种生化化合物（如蛋白质、脂质）的复杂动力学机制变得困难。数据驱动模型通常利用蛋白质表达水平的成对相关性来规避这一困难，从而产生少量（<10）主成分（每个主成分均为浓度的线性组合），以成功模拟细胞对不同刺激的响应。然而，目前尚不清楚这种降维是特定于某个生物系统，还是特定于这些实验中使用的刺激性质。我们研究了大型生物相关反应网络中遵循确定性质量作用动力学演化的不同分子物种间由协方差矩阵描述的成对相关性的时间变化，并表明这种维度的显著降低（从数百降至<5）源于不同物种在任何时刻的强相关性，且对非线性相互作用形式、网络架构以及速率常数和浓度值在宽范围内的变化不敏感。我们利用微分几何基础，将协方差矩阵特征值谱的时间变化嵌入到更大维度中的轨迹方向的低维局部变化联系起来。我们阐述了如何从分析中提取生物学相关的见解，例如识别显著的时间尺度和相关的化学物种组。我们的工作首次为成功的实验分析提供了理论基础，并指出了从大规模高通量数据集中提取机制的途径。