Antifragility是一个属性,增强了系统的能力以应对外部扰动。尽管这个概念已经应用在许多领域,实际测量的antifragility尚未被开发出来。antifragility这里我们提出一个简单的计算测量,基于“满意”之前和之后的变化增加扰动,并应用到随机布尔网络(RBNs)。使用测量,我们发现命令RBNs最antifragile。同时,我们证明了七antifragile生物系统。我们的测量和结果可用于各种应用程序的布尔网络(bn)包括创建antifragile工程系统,识别antifragile生物系统的遗传机制,并为各种疾病发展新的治疗策略。
Antifragility塔勒布提出的定义为一个属性来提高系统的能力以应对外部压力(
反脆弱一直积极的概念应用在许多领域,如风险分析(
bn从生化系统有广泛的应用
我们文章的其余部分的结构如下。节的“RBNs Antifragility测量”,我们描述RBNs RBNs的复杂性,扰动RBNs,如何评估Antifragility RBNs。一节中“实验”,方法和参数设置模拟解释道。在“结果与讨论”部分的结果antifragility RBNs和几个生物bn介绍和分析。“结论”部分总结和关闭。
RBNs提出了基因调控网络模型的考夫曼(
在数据
原理图显示状态转换(a)和(b)混乱RBNs至关重要<我nline-formula>
根据状态空间的结构,有三个动力政权RBNs:有序,混乱,且至关重要的。前两个阶段,而关键的政权是相变。命令动力学特点是几个节点状态的变化,这是与高稳定性有关。混沌动力学的特点是大多数节点状态的变化,这是与高可变性。临界动力学平衡有序稳定的政权与混乱的政权的变化(
众所周知,复杂的自适应系统同时具备稳定性和灵活性。这意味着复杂性之间的平衡规律和变化,它允许系统适应强劲(
复杂性是基于香农信息熵的计算。它的方程如下:
当<我nline-formula>
<我nline-formula>
图
变化之间的关系<我nline-formula>
由于外在的紧张性刺激是我们表达网络扰动RBN节点状态的变化。我们活动的状态<我nline-formula>
在我们的研究中,扰动的程度定义如下:
我们定义(<我talic>
反我talic>)<我talic>
脆弱我talic>
满意度可以测量不同取决于特定的系统,例如性能,价值,和健身。如果扰动的满意度降低,那么系统是脆弱的。如果满意没有改变之前和之后添加扰动,然后系统健壮。如果扰动的满意度增加,那么系统是antifragile。请注意,<我nline-formula>
的扰动<我nline-formula>
负的<我nline-formula>
<我nline-graphic xlink:href="//www.newsama.com/downloads/journals/complexity/2019/3728621.text-inline.001">
RBN,的价值<我nline-formula>
我们进行了两组实验:一个用于RBNs和其他生物bn。
首先,测量antifragility RBNs,我们生成的命令,关键和100个节点组成的混乱RBNs (<我nline-formula>
其次,衡量antifragility生物bn,我们使用以下七个生物网络模型:
对于每一个网络,我们随机选择了1000个不同的初始状态,然后研究他们的状态转换到<我nline-formula>
参数设置实验。
| 图 |
|
|
|
|
#不同的网络 | #的初始状态 |
|---|---|---|---|---|---|---|
|
|
One hundred. | |||||
|
|
One hundred. | |||||
|
|
One hundred. | |||||
|
|
One hundred. | |||||
|
|
One hundred. | |||||
|
|
|
200年 | 1 | |||
|
|
One hundred. | |||||
|
|
|
200年 | 1 . . 20 |
图
平均<我nline-formula>
如图
与此同时,在图
基于图
最初的和最后的复杂性<我nline-formula>
复杂性扰动之前我们的结果与先前的研究表明,临界RBNs最适当的平衡规律和变化
然而,结果是通过添加扰动改变了。在图
布尔网络模型被广泛用作基因或细胞监管领域的计算和系统生物学
我们首先考虑一个不稳定的环境扰动添加每一个时间步(<我nline-formula>
获得更广义动力学,我们调查的概率生成antifragile网络在各种不同的<我nline-formula>
生成的概率取决于antifragile网络<我nline-formula>
图
生成的概率取决于antifragile网络<我nline-formula>
在这项研究中,我们提出了一种新的测量(反)脆弱性和应用RBNs。考虑一个环境给系统噪声源,我们观察到如何不同的系统属性取决于程度的扰动。我们发现命令和关键RBNs显示antifragile动力学,特别是下令RBNs最antifragile扰动。此外,生物系统显示antifragile动力学。
除了这些发现,我们获得了一个有意义的环境中了解外在的紧张性刺激。高复杂性之间的优化平衡规律和变化时获得中等扰动频繁被添加。这意味着“最优”取决于环境的精确的可变性。如何antifragile或健壮的系统不同程度的噪音吗?该机制可以用来调整内部变化根据外部变化?这些问题需要进一步研究,但可能的答案已经在探索基于本文提供的结果。
根据研究结果和洞察力,通过调整大小和频率的扰动,我们可以控制系统属性从脆弱到健壮antifragile动态。它可以有助于理解生物系统的动力行为取决于环境条件和开发新的治疗各种疾病,包括癌症或者艾滋病的策略,例如,如何减少癌细胞的antifragility或病原体?这应该减少他们的适应能力和潜在的改善治疗。
我们的模拟器和数据是可用的
作者宣称没有利益冲突有关的出版。
奥马尔·k·皮和Hyobin金正日同样贡献了这个工作。
我们感谢达里奥Alatorre,伊万·科尔曼,路易斯·安琪儿Escobar,何塞•路易斯•马特奥,但丁佩雷斯,费尔南达Sanchez-Puig有用的评论和讨论。我要感谢Gershenson博士在他的指导下MSc的自适应计算。课程的最后工作作为本文的基础(奥马尔·k·皮)。这项研究部分由CONACYT DGAPA,自治。