Generalization of machine learning based on mutational robustness and homeostasis of gene regulatory networks

基于基因调控网络突变鲁棒性和稳态的机器学习推广

• 批准号: 21K12059
• 负责人: 市瀬 夏洋
• 金额: $ 2.16万
• 依托单位: Kyoto University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2021
• 资助国家: 日本
• 起止时间: 2021-04-01 至 2026-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-21K12059/
• 关键词: ネットワークロバスト性; ロバスト性評価法; 遺伝子ネットワーク; 機械学習; ニューラルネットワーク; 汎化; ロバスト性

与えられたネットワーク構造に対し、変異ロバスト性とホメオスタシスの強度を評価する方法について開発した。変異ロバスト性とホメオスタシスは共にネットワークのロバスト性を与えるものである。しかしながら、変異ロバスト性は外乱(変異)によってもネットワークの状態が変化しない特性であるのに対して、ホメオスタシスはネットワークの状態が外乱(環境ノイズ)によって変化してしても元の状態に戻る特性である。最終的にはネットワークの状態が保持される特性を表すものであるが、その過程は異なる。必然的に変異ロバスト性とホメオスタシスの両者の評価法は異なり、それぞれの評価方法を提案した。変異ロバスト性とホメオスタシスはネットワークのスケールフリー性、すなわちネットワークの出次分布の分散に大きく依存することがわかった。しかしながら変異ロバスト性とホメオスタシスはトレードオフの関係、すなわち両者は排他的にどちらかが優位となり、ネットワークの構造として同時に増強はされないことがわかった。このトレードオフ関係が生物の発生砂時計モデルを説明するのではないかと予想し、マウスの発生過程における遺伝子ネットワークに対して変異ロバスト性およびホメオスタシスの解析を行った。発生砂時計モデルとは生物種間で発生の中期の表現形が最も類似するとするものである。結果としてマウスの発生中期では変異ロバスト性は高く、ホメオスタシスは低いことが示された。変異ロバスト性が高いということは変異によってもネットワークの状態が変りにくいことを示しているので、発生砂時計モデルを説明する。変異ロバスト性は一般に進化的に保存されにくいことが知られているが、ホメオスタシスが低いことが様々な分化が生起している発生中期では有利であるため、高い変異ロバスト性も保存されたという結論を得た。

我们开发了一种方法来评估给定网络结构的突变鲁棒性和稳态强度。突变稳健性和稳态共同提供了网络的稳健性。然而，突变鲁棒性是指即使发生干扰（突变），网络状态也不会改变的性质，而稳态是指即使状态因干扰（环境噪声）而改变，网络状态也会恢复到原始状态的性质。 ）。 这是。最终，它代表了网络状态得以维持的属性，但过程有所不同。当然，突变鲁棒性和稳态的评估方法是不同的，我们提出了各自的评估方法。我们发现突变鲁棒性和稳态在很大程度上取决于网络的无标度性质，即网络出度分布的方差。然而，人们发现突变鲁棒性和稳态是一种权衡关系，即其中之一独占主导，而网络结构并没有同时增强。预计这种权衡关系可能解释生物体的发育沙漏模型，我们分析了小鼠发育过程中基因网络的突变稳健性和稳态。发育沙漏模型假设生物物种在发育中期的表型最为相似。结果表明，在小鼠发育中期，突变稳健性较高，稳态较低。由于高突变鲁棒性表明网络的状态很难因突变而改变，因此我们将解释发育沙漏模型。尽管众所周知，突变稳健性很难在进化上保持不变，但我们得出的结论是，高突变稳健性也是保守的，因为在发生各种分化的中期发育阶段，低稳态是有利的。