This thesis addresses three challenges in modeling regulatory and signal transduction networks. Starting point is the generalized logical formalism as introduced by R. Thomas and further developed by D. Thieffry, E. H. Snoussi and M. Kaufman. We introduce the fundamental concepts that make up such models, the interaction graph and the state transition graph, as well as model checking, a computer science technique for deciding whether a finite transition system satisfies a given temporal specification. The first problem we turn to is that of whether a given model is consistent with time series data. To do so we introduce query patterns that can be automatically derived from discretized data. Time series data, being such an abundant source of information for reverse engineering, has previously been used in the context of logical models but only under the synchronous, transition-based notion of consistency. The arguably more realistic asynchronous transition relation has so far been excluded from such data driven reverse engineering, probably because the corresponding non-determinism in the transition system introduces additional obstacles to the already hard problem. Our contribution here is a path-based notion of consistency between model and data that works for any transition relation. In particular, we discuss linear time properties like monotony and branching time properties like robustness. The result are several query patterns, similar to but more complex than the ones proposed by P. T. Monteiro et al. A toolbox, called TemporalLogicTimeSeries for the automated construction of queries from data is also presented. The second problem we turn to concerns the two types of long-term behaviors that logical models are capable of producing: steady states, in which the activity levels of all network components are kept at a fixed value, and cyclic attractors in which some components are unsteady and produce sustained oscillations. We attempt to understand the emergence of these behaviors by searching for symbolic steady states as defined by H. Siebert. Our main contribution is the introduction of the prime implicant graph, which describes all minimal conditions under which components may change their activities, and an optimization-based algorithm for the enumeration of all maximal and minimal symbolic steady states. Essentially, we generalize the canalizing effects and forcing structure that were first introduced and studied by S. Kauffman and F. Fogelman in the context of random Boolean networks. The chapter includes a theorem that relates symbolic steady states to the existence of positive feedback circuits in the interaction graph. A toolbox, called BoolNetFixpoints that implements our algorithm is also described. The theme of the last chapter is how to deal with uncertainties that inevitably appear during the modeling of biological systems. One is often forced to resolve them since most types of analysis require a single, fully specified model. The knowledge gap is usually filled by making simplifications or by introducing additional assumptions that are hard to justify and therefore somewhat arbitrary. The alternative is to work with and analyze sets of alternative models, rather than single models. This idea entails additional theoretical and practical challenges: With which language should we describe our partial knowledge about a system? How can predictions be made given that each model in the set may behave differently? How can hypotheses and additional data be added to the current knowledge in a systematic manner? It seems that there are in principle two different approaches. The first one is constraint-based and studied by F. Corblin et al. It translates the partial knowledge and modeling formalism into facts and rules of a logic program. Common solvers can then deduce additional properties or test the validity of given queries across all models. In contrast, we propose to study the pros and cons of an explicit approach that enumerates all models that agree with a given partial specification. During the first step, models are enumerated and stored in a database. During a second step, models are annotated with additional information that is obtained from custom algorithms. The relationships between the annotations are then analyzed in a third step. The chapter is based on the prototype implemention LogicModelClassifier that performs the discussed steps. Throughout, we apply our results to two previously published models of biological systems. The first one is a small model of the galactose switch which regulates the transcription of genes that are involved in the metabolism of yeast. We address questions that arise during the construction of the model, for example the number of involved components and their interactions, as well as issues related to model validation and model revision with time series data. The case study also discusses different approaches to data discretization. The second one is a medium size model of the MAPK network studied by D. Thieffry et al. that is used to predict the cell fate response to different stimuli involving the growth factors EGF, TGFB, FGF and DNA damage. With the methods developed in this thesis we can prove that the model is capable of 18 different asymptotic behaviors, 12 of them steady states and 6 cyclic attractors. The question of which attractor is reached from which initial state is answered and we can show that the response in terms of proliferation or growth arrest and apoptosis is fully determined by the input stimulus.
Diese Arbeit beschäftigt sich mit drei Herausforderungen, die beim Modellieren von regulatorischen Netzwerken und der Signaltransduktion auftreten. Zunächst beschreiben wir den logischen Formalismus, der von R. Thomas eingeführt und D. Thieffry, E. H. Snoussi und M. Kaufman weiterentwickelt wurde. Er zeichnet sich dadurch aus, dass die Komponenten des Modells nur Werte aus einem endlichen Bereich annehmen. Wir stellen die grundlegenden Objekte eines logischen Modells, den Zustandsübergangsgraphen und den Interaktionsgraphen, vor und besprechen das Model Checking, eine Methode zur automatischen Prüfung von Ausdrücken temporaler Logiken in gegebenen Modellen. Der erste Teil der Arbeit beschäftigt sich damit, wie wir entscheiden können, ob ein gegebenes Modell mit Zeitreihendaten konsistent ist. Dazu konstruieren wir verschiedene Anfragen nach denen Daten in temporale Logiken übersetzt werden können. Zeitreihendaten spielen eine wichtige Rolle beim Reverse Engineering von logischen Modellen nach Daten, aber bisher nur unter der Annahme, dass die Übergänge des dem Modell zugrundeliegenden Übergangssystems synchron sind. Die realistischere Annahme, nämlich dass sich die Aktivitäten der Komponenten asynchron ändern, wurde bisher in diesem Zusammenhang nicht untersucht. Das liegt wahrscheinlich daran, dass die dadurch entstehenden nicht- deterministischen Übergangssysteme ein ohnehin schon schwieriges Problem noch weiter verkomplizieren. Unser Beitrag in diesem Zusammenhang sind verschiedene pfadbasierte Definitionen von Konsistenz, die unabhängig von der gewählten Übergangsrelation prüfbar sind. Wir diskutieren die Möglichkeit Monotonie- und Robustheits-Annahmen mithilfe von Linear Time Logic und Computational Tree Logic zu kodieren. Außerdem wird die Toolbox "TemporalLogicTimeSeries" zur automatischen Generierung der besprochenen Anfragen vorgestellt. Im zweiten Teil wenden wir uns dem Langzeitverhalten und den Attraktoren von logischen Modellen zu. Wir versuchen die Existenz von stabilen Zuständen, in denen die Aktivitäten aller Komponenten konstant bleiben, und auch von zyklischen Attraktoren, in denen einige Komponenten dauerhaft instabil sind, mithilfe der sogenannten symbolischen Fixpunkte zu erklären. Die Ergebnisse beziehen sich dabei auf die Definitionen von H. Siebert. Es werden die Prim-Implikanten, als minimale Bedingungen unter denen diskrete Funktionen ihren Wert ändern können, eingeführt und der Prim-Implikanten-Graph vorgestellt. Das zentrale Ergebnis ist, dass symbolische Fixpunkte durch bestimmte Kantenmengen in diesem Graphen repräsentiert werden. Diese können durch 0-1 Optimierungsprobleme beschrieben und mithilfe von üblichen Constraint-Solvern gefunden werden. Ein Skript, das alle beschriebenen Schritte durchführt, ist unter dem Namen "BoolNetFixpoints" verfügbar. Im letzten Teil der Arbeit beschäftigen wir uns mit Ungewissheiten, die während des Modellierens biologischer Systeme zwangsläufig auftreten. Oft ist man gewzungen diese auszuräumen, da die meisten Analysemethoden vollständig spezifizierte Modelle benötigen. Das geschieht oft dadurch, dass starke Vereinfachungen gemacht oder schwer zu begründende, und damit willkürliche, Annahmen getroffen werden müssen. Die Alternative dazu besteht darin gleichzeitig mit allen Modellen zu arbeiten, die dem aktuellen Stand des Wissens entsprechen. Dadurch entstehen zusätzliche theoretische und praktische Herausforderungen: Mit welcher Sprache können Modelle teilweise spezifiziert werden? Wie lassen sich Vorhersagen treffen, wenn sich jedes Modell potenziell anders Verhalten kann? Wie können zusätzliche Annahmen und Daten möglichst systematisch hinzugefügt werden? Im Prinzip gibt es zwei Herangehensweisen. Der Constraint-Programming Ansatz, umgesetzt von F. Corblin et al., übersetzt das vorhandene, partielle Modell sowie den Modell-Formalismus in Fakten und Regeln eines logischen Programms. Übliche Logic Programming Solver können dann prüfen ob sich eine Eigenschaft aus diesem Programm herleiten läßt, oder nicht. Im Gegensatz dazu untersuchen wir die Vor- und Nachteile eines expliziten Ansatzes. Dabei werden alle Modelle, die mit einer gegebenen Spezifikation konsistent sind, aufgezählt und in einer Datenbank gespeichert. In einem zweiten Schritt können die Modelle mit zusätzlichen Informationen versehen werden, deren Beziehungen zueinander dann in einem dritten Schritt ausgewertet werden. Das Kapitel orientiert sich an der prototypischen Umsetzung "LogicModelClassifier" mit der die besprochenen Schritte ausgeführt werden können. Die entwickelten Methoden und Ideen werden an zwei Modellen illustriert. Das erste ist ein kleines Modell des Galaktose-Genschalters in Hefe welcher am Stoffwechsel beteiligt ist. Es werden Fragen behandelt die sich beim Aufstellen des Modells stellen, zum Beispiel wieviele Komponenten gebraucht werden und wie diese interagieren sollen. Des Weiteren wird die Modell-Validierung und Revision mit Hilfe von Expressionsdaten angesprochen. Verschiedene Herangehensweisen zur Diskretisierung der Daten werden miteinander verglichen. Das zweite ist ein größeres Modell des MAPK Systems, welches das Schicksal von Krebszellen in Abhängigkeit von verschiedenen Umwelteinflüssen beschreibt. Zu den Einflüssen zählen die Wachstumsfaktoren EGF, TGFB und FGF sowie DNS-Schäden. Mit den in der Dissertation erarbeiteten Methoden und Ideen können wir zeigen, dass das Model in der Lage ist 18 verschiedene Reaktionen zu zeigen. 12 davon sind stabile Zustände und 6 sind zyklische Attraktoren. Die Frage welcher Attraktor von welchem Anfangszustand erreicht werden kann wird beantwortet und wir können zeigen, dass das asymptotische Verhalten des Modells, in Bezug auf die Entscheidung Zellwachstum oder Zelltod, vollständig durch die Anfangsbedingungen bestimmt ist.
