Relating biomarkers and phenotypes using dynamical trap spaces

Samuel Pastva

doi:10.1038/s41540-026-00807-y

Relating biomarkers and phenotypes using dynamical trap spaces

2026-08-21

0

OA

AI

DOI：10.1038/s41540-026-00807-y

原文链接

查看原文

摘要

En 中文

将生物分子网络动力学与可实验测量的细胞表型联系起来仍然是系统生物学中的核心挑战。本文引入了一种基于模型的表型定义，将其视为一个部分稳态，该稳态致力于某种动力学结果，同时受到最小约束。我们专注于布尔模型，并将动力学表型定义为完整的陷阱空间，这些空间最大程度地指定了一组表型决定节点（对应生物标志物），同时保持外部输入不受约束。我们证明，无需完全吸引子枚举即可高效识别动力学表型。通过四个已发表模型（包括一个包含70个节点的T细胞分化布尔模型），我们表明动力学表型能够恢复已知的细胞类型和活化状态，并指出确保其存在的环境条件。我们还提出了一种基于布尔函数 canalization 的方法来识别信息丰富的表型决定节点。该方法的结果得到两种基于吸引子的方法的支持，并揭示了与模型创建者手动定义的表型互补的生物相关细胞状态信息。我们的结果表明，动力学表型提供了一个可扩展的框架，用于连接模型结构、外部输入和表型结果，并提供了模型指导下的生物标志物选择的规范工具。

Relating biomarkers and phenotypes using dynamical trap spaces

摘要

AI总结

期刊

机构