تحلیل شبکه ژنتیکی با استفاده از نظریه گراف و فیزیک آماری

در دوران پس ژنوم، حجم عظیم داده های بیولوژیکی، به ویژه داده های حاصل از تکنیک های 'omics'، چالش ها و فرصت های جدیدی را برای درک سامانه های زنده ایجاد کرده است. شبکه های ژنتیکی، که برهم کنش های پیچیده میان ژن ها، پروتئین ها و سایر مولکول ها را نمایش می دهند، به عنوان زیربنای عملکرد سلولی شناخته می شوند. تحلیل این شبکه ها با رویکردهای تقلیل گرایانه سنتی ناکافی است و نیازمند یک چارچوب بین رشته ای قدرتمند است. این مقاله به بررسی و تحلیل شبکه های ژنتیکی با بهره گیری از دو ابزار نظری قدرتمند، یعنی نظریه گراف و فیزیک آماری، می پردازد. نظریه گراف، زبان و ابزارهای لازم برای توصیف ساختار و توپولوژی این شبکه های پیچیده را فراهم می کند و مفاهیمی چون درجه توزیع، ضریب خوشه بندی، مرکزیت و پیمانه ای (modularity) را برای شناسایی ویژگی های کلیدی معماری شبکه به کار می گیرد. از سوی دیگر، فیزیک آماری با نگرش به شبکه به عنوان یک سامانه پیچیده متشکل از اجزای متعددی که رفتار جمعی از خود نشان می دهند، به تحلیل دینامیک، پایداری (stability)، تاب آوری (robustness) و گذارهای فاز در این شبکه ها می پردازد. این پژوهش نشان می دهد که تلفیق این دو دیدگاه، درکی عمیق تر از اصول طراحی و عملکرد شبکه های ژنتیکی، از جمله ویژگی بی مقیاس (scale-free) بودن، ساختار پیمانه ای و پایداری دینامیکی در برابر اختلالات، فراهم می آورد. نتایج این تحلیل ها نه تنها به شناخت مبانی زیست شناسی سامانه ها کمک می کند، بلکه کاربردهای بالقوه ای در حوزه هایی چون شناسایی اهداف دارویی، درک مکانیسم بیماری ها و مهندسی ژنتیک دارد.

کلیدواژه ها:

شبکه ژنتیکی ، نظریه گراف ، فیزیک آماری ، زیست شناسی سامانه ها ، شبکه های بی مقیاس ، دینامیک شبکه ، تاب آوری