布尔基因调控网络中的内禀噪声与对临界性的偏离

基因调控网络可以被成功地建模为布尔网络。一个被广泛讨论的假说认为，如果此类模型网络被调节至在临界性下运行，即在有序和无序相之间的边界处运行，则它们能最好地重现经验发现。已有论证指出，临界网络能带来诸多功能优势，如最大的动态范围、对环境变化的最大敏感性，以及在稳定性和灵活性之间的极佳折中。在此，我们研究在监督下训练以学习复杂任务的布尔网络背景下的噪声影响。我们证实准临界网络是以最快方式学习的网络——即使对于异步更新规则也是如此——并且任务复杂度越大，距临界性的距离越小。另一方面，当在网络状态和/或其连线模式中引入额外的内禀噪声源时，最优性能的网络明显变为亚临界。这些结果表明，为了补偿固有的随机性，调控网络和其他类型的生物网络可能会变为亚临界而非临界，尤其是当要执行的任务复杂度有限时。