Des réactions biochimiques qui produisent des cancers aux derniers mèmes se propageant de manière virale sur les réseaux sociaux, des actions simples peuvent générer des comportements complexes. Pour les chercheurs essayant de comprendre ces comportements émergents, cependant, la complexité peut taxer les méthodes de calcul actuelles.
Maintenant, une équipe de chercheurs a développé un nouvel algorithme qui peut servir de moyen plus efficace pour analyser les modèles de systèmes biologiques, ce qui permet à son tour une nouvelle voie pour comprendre les circuits de prise de décision qui composent ces systèmes. Les chercheurs ajoutent que l’algorithme aidera les scientifiques à étudier comment des actions relativement simples conduisent à des comportements complexes, tels que la croissance du cancer et les modes de vote.
Le cadre de modélisation utilisé se compose de réseaux booléens, qui sont une collection de nœuds activés ou désactivés, a déclaré Jordan Rozum, doctorant en physique à Penn State. Par exemple, un réseau booléen pourrait être un réseau de gènes en interaction qui sont soit activés – exprimés – soit désactivés dans une cellule.
Les réseaux booléens sont un bon moyen de capturer l’essence d’un système. Il est intéressant de noter que ces comportements très riches peuvent émerger en couplant simplement de petits commutateurs marche/arrêt ensemble – un commutateur est basculé, puis il bascule un autre commutateur et cela peut conduire à une grande cascade d’effets qui est ensuite réinjectée dans le commutateur d’origine. Et nous pouvons obtenir des comportements complexes vraiment intéressants à partir de simples couplages. »
Jordan Rozum, doctorant en physique à Penn State
« Les modèles booléens décrivent comment l’information se propage à travers le réseau », a déclaré Réka Albert, éminente professeure de physique et de biologie au Penn State Eberly College of Science et affiliée à l’Institute for Computational and Data Sciences. Finalement, les états marche/arrêt des nœuds tombent dans des motifs répétitifs, appelés attracteurs, qui correspondent aux comportements stables à long terme du système, selon les chercheurs, qui rapportent leurs découvertes dans le numéro actuel de Avancées scientifiques.
Même si ces systèmes sont basés sur des actions simples, la complexité peut augmenter considérablement à mesure que des nœuds sont ajoutés au système, en particulier dans le cas où les événements du système ne sont pas synchrones. Un modèle de réseau booléen typique d’un processus biologique avec quelques dizaines de nœuds, par exemple, comporte des dizaines de milliards d’états, selon les chercheurs. Dans le cas d’un génome, ces modèles peuvent avoir des milliers de nœuds, résultant en plus d’états qu’il n’y a d’atomes dans l’univers observable.
Les chercheurs utilisent deux transformations – la parité et l’inversion temporelle – pour rendre l’analyse des réseaux booléens plus efficace. La transformation de parité offre une image miroir du réseau, en commutant les nœuds qui sont activés et désactivés et vice versa, ce qui permet d’identifier les sous-réseaux ayant des combinaisons de valeurs d’activation et de désactivation qui peuvent se maintenir au fil du temps. L’inversion du temps fait reculer la dynamique du réseau, en sondant quels états peuvent précéder un état d’entrée initial.
L’équipe a testé ses méthodes sur une collection de réseaux booléens synthétiques appelés réseaux booléens aléatoires, qui sont utilisés depuis plus de 50 ans pour modéliser la façon dont la régulation des gènes détermine le destin d’une cellule. La technique a permis à l’équipe de trouver le nombre d’attracteurs dans ces réseaux pour plus de 16 000 gènes, qui, selon les chercheurs, sont des tailles plus grandes que jamais analysées avec autant de détails.
Selon l’équipe, la technique pourrait aider les chercheurs en médecine.
« Par exemple, vous pourriez vouloir qu’une cellule cancéreuse subisse l’apoptose (mort cellulaire programmée), et vous voulez donc pouvoir faire en sorte que le système prenne les décisions qui mènent au résultat souhaité », a déclaré Rozum. « Donc, en étudiant où dans le réseau ces décisions sont prises, vous pouvez comprendre ce que vous devez faire pour que le système choisisse ces options. »
Il existe d’autres possibilités d’utiliser les méthodes pour étudier des questions en sciences sociales et en technologies de l’information.
« La propagation de l’information ferait également une application intéressante », a déclaré Albert. « Par exemple, il existe des modèles qui décrivent une société dans laquelle les gens ont des opinions binaires sur une question. Dans le modèle, les gens interagissent les uns avec les autres, formant un consensus local. Nos méthodes pourraient être utilisées pour cartographier le répertoire des groupes de consensus possibles. , y compris un consensus mondial. »
Elle a ajouté que les utilisations pourraient s’étendre à n’importe quel domaine où les chercheurs essaient de trouver des moyens d’éliminer les comportements pathologiques ou de conduire le système à des comportements plus normaux.
« Pour ce faire, la théorie existait, les méthodologies existaient, mais les dépenses de calcul étaient un facteur limitant », a déclaré Albert. « Avec cet algorithme, cela a été en grande partie éliminé. »
Les chercheurs ont développé une bibliothèque de logiciels accessible au public et les algorithmes ont déjà été utilisés dans des études menées par son groupe, selon Albert.
Les calculs de l’étude ont été effectués à l’aide du superordinateur Roar de Penn State.
Albert et Rozum ont travaillé avec Jorge Gómez Tejeda Zañudo, associé postdoctoral au Broad Institute et au Dana-Farber Cancer Institute ; Xiao Gan, chercheur postdoctoral au Center for Complex Network Research ; et Dávid Deritei, chercheur diplômé à l’Université Semmelweis.
