24、布尔调控网络与膜计算的研究进展

布尔调控网络与膜计算的研究进展

布尔调控网络的研究

在布尔调控网络的研究中，基因表达时间和网络规模的变化是重要的研究方向。

对于延迟节点的平均表达时间，当网络进化难以产生高适应度网络（即 B > 2）时，似乎对表达时间 T 没有选择性压力。当 B = 1 时，T ≈ 1，显著小于 B = 2 时 T ≈ 2 的情况，且 B = 2 时 T 的值与同步更新时相同。

在可变大小的基因调控网络（GRN）研究中，之前的实验中 GRN 内节点总数 R 是固定的。Harvey 利用 NK 模型表明，通过突变使基因组长度逐渐小幅度增加的增长方式是可持续的，而每次增长事件中基因组长度大幅增加则不可持续。这是因为较小适应度景观和较大适应度景观之间必须保持一定程度的相关性，在前者空间中的合适解必须在后者中达到合适的适应度水平才能存活到后代。Kauffman 和 Levin 也讨论了固定大小的 NK 景观和不同突变步长的情况，他们指出长跳跃适应（即突变步长超过给定适应度景观的相关长度）时，每一代找到更优变体的时间会翻倍。Harvey 的增长算子是一种突变形式，它向长度为 G 的原始基因组中添加 g 个随机基因，g 越大，两个景观的相关性就越小。Aldana 等人研究了通过复制和分化向给定随机布尔网络（RBN）中添加一个新基因的影响，发现当 B < 3 时，添加一个基因通常只会略微改变所得 RBN 的吸引子，而在混沌状态下吸引子结构则不守恒。

实验中还增加了两个额外的“宏观”突变算子：一个是删除末端节点（N 个特征节点不能删除），并随机重新分配与之的连接；另一个是在基因组末端添加一个随机节点，并将其连接到网络中随机选择的节点。这两个算子与之前描述的突变算子出现的概率相同。当适应度