学习基因调控的非线性动力学系统模型：一种扰动稳态方法

生物结构与功能依赖于许多基因之间复杂的调控相互作用。高通量全基因组测量技术提供了丰富的基因表达数据，但仍需有效的基因调控网络推断方法。基于定量描述基因调控的模型方法是最有前景的方法之一，但许多此类方法依赖于简单的局部模型或缺乏实验可解释性的临时推断方法。我们提出了一种实验设计，并开发了相关的统计方法，通过学习标准的定量、可解释、可预测且基于生物物理学的基因调控常微分方程模型来推断基因网络。我们利用系统扰动稳态（如过表达或敲低实验后）的基因表达测量值来拟合模型参数。尽管原始模型是非线性的，但我们的设计通过将注意力限制在稳态并使用 lasso 进行参数选择，将其转化为凸优化问题。在此，我们描述了该模型和推断算法，并将其应用于一个合成的六基因系统，证明该模型足够详细和灵活，能够解释激活、抑制以及协同和自调控作用，且该算法能高效准确地恢复用于生成数据的参数。