Identifying the Attractors of Gene Regulatory Networks from Expression Data under Uncertainty: An Interpretable Approach

在系统生物学中，基因调控网络的吸引子景观分析被认为是研究从增殖和分化到衰老和细胞凋亡等各种细胞状态的强大计算工具。因此，准确地识别吸引子在确定细胞命运方面起着关键作用。另一方面，在真实的生物电路中，遗传/表观遗传改变以及不同的环境因素极大地影响吸引子的位置、特征甚至数量。中心问题是：在存在巨大不确定性的情况下，如何根据真实基因调控网络的时间基因表达数据稳健地识别吸引子？本文提出了一种基于Zadeh计算与语言的新方法来解决这个问题。所提出的方案可以通过模糊逻辑和语言描述来有效地识别吸引子，这些描述可以简单地被人类专家解释。因此，这种方法可以被认为是朝着可解释人工智能的有效步骤。本文以基因切换开关为案例研究。这个基准基因调控网络的非线性动力学是通过不确定随机微分方程的概念进行计算建模的。虚拟研究的结果证明了所提出的方法的效率和鲁棒性。

如何在存在巨大不确定性的情况下，从基因表达数据中鲁棒地识别吸引子？

使用基于Zadeh计算的新方法，以模糊逻辑和语言描述的方式有效地从基因表达数据中识别吸引子。

该方法在基因调节网络的非线性动力学模拟中进行了测试，结果表明其效率和鲁棒性。该方法的可解释性也使其成为可解释人工智能的有效步骤。

最近的相关研究包括：1）基于深度学习的基因表达数据分析；2）利用机器学习方法识别基因调节网络中的吸引子；3）使用模糊逻辑方法进行基因表达数据的分析。