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

点击翻译按钮获取中文摘要

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。