Генные регуляторные сети (GRNs) ранее изучались с использованием булевой/многогосударственной логики. В то время как значения экспрессии генов обычно масштабируются в диапазоне [0, 1], эти методы вывода GRN применяют порог для дискретизации данных, что приводит к отсутствию информации. Большинство исследований используют нечеткую логику для вывода логических взаимодействий ген-ген из непрерывных данных. Однако все эти подходы требуют априорно известной сетевой структуры.

Результаты: В представленной вниманию работе, вводя новую вероятностную логику для непрерывных данных, авторы предлагают новый логический подход (называемый LogicNet) для одновременной реконструкции структуры GRN и идентификации логик среди регуляторных генов по данным непрерывной экспрессии генов. В отличие от предыдущих подходов, LogicNet не требует априорно известной сетевой структуры для вывода логики. Предложенная вероятностная логика превосходит существующие нечеткие логики и более релевантна биологическим контекстам, чем нечеткие логики. Производительность LogicNet превосходит производительность нескольких взаимных информационных и регрессионных инструментов для реконструкции GRN.

Выводы: LogicNet реконструирует GRNS и логические функции, не требуя предварительного знания структуры сети. Более того, в другом приложении LogicNet может быть применен для обнаружения логических функций из известных регуляторных взаимодействий генов-мишеней. Мы также приходим к выводу, что вычислительное моделирование логических взаимодействий между регуляторными генами значительно повышает точность реконструкции GRN.
 

LogicNet: probabilistic continuous logics in reconstructing gene regulatory networks | BMC Bioinformatics | Full Text (biomedcentral.com) 
Malekpour, S.A., Alizad-Rahvar, A.R. & Sadeghi, M. LogicNet: probabilistic continuous logics in reconstructing gene regulatory networks. BMC Bioinformatics 21, 318 (2020). https://doi.org/10.1186/s12859-020-03651-x