Genetic regulatory networks can model dynamics of cells. They also allow for studying the effect of internal or external interventions. Selectively applying interventions towards a certain objective is known as controlling network dynamics. In this thesis work, the issue of how the external interventions af fect the network is studied. The effects are determined using differential gene expression analysis. The differential gene expression problem is further studied to improve the power of the given method. Control problem for dynamic discrete regulatory networks is formulated. This also addresses the needs for various control strategies, e.g., finite horizon, infinite horizon, and various accounting of state and intervention costs. Control schemes for small to large networks are proposed and experimented. A case study is provided to show how the proposals are exploited / also given is the need for and effectiveness of various control schemes.

Understanding the underlying architecture of gene regulatory networks (GRNs) has been one of the major goals in systems biology and bioinformatics as it can provide insights in disease dynamics and drug development. Such GRNs are characterized by their scale-free degree distributions and existence of network motifs, which are small subgraphs of specific types and appear more abundantly in GRNs than in other randomized networks. In fact, such motifs are considered to be the building blocks of GRNs (and other complex networks) and they help achieve the underlying robustness demonstrated by most biological networks. The goal of this thesis is to design biological network (specifically, GRN) growing models. As the motif distribution in networks grown using preferential attachment based algorithms do not match that of the GRNs seen in model organisms like E. coli and yeast, we hypothesize that such models at a single node level may not properly reproduce the observed degree and motif distributions of biological networks. Hence, we propose a new network growing algorithm wherein the central idea is to grow the network one motif (specifically, we consider one downlink motif) at a time. The accuracy of our proposed algorithm was evaluated extensively and show much better performance than existing network growing models both in terms of degree and motif distributions. We also propose a complex network growing game that can identify important strategies behind motif interactions by exploiting human (i.e., gamer) intelligence. Our proposed gaming software can also help in educational purposes specifically designed for complex network studies.

<p>Many biological processes are effectively modeled as networks, but a frequent assumption is that these networks do not change during data collection. However, that assumption does not hold for many phenomena, such as neural growth during learning or changes in genetic regulation during cell differentiation. Approaches are needed that explicitly model networks as they change in time and that characterize the nature of those changes.</p><p>In this work, we develop a new class of graphical models in which the conditional dependence structure of the underlying data-generation process is permitted to change over time. We first present the model, explain how to derive it from Bayesian networks, and develop an efficient MCMC sampling algorithm that easily generalizes under varying levels of uncertainty about the data generation process. We then characterize the nature of evolving networks in several biological datasets.</p><p>We initially focus on learning how neural information flow networks change in songbirds with implanted electrodes. We characterize how they change in response to different sound stimuli and during the process of habituation. We continue to explore the neurobiology of songbirds by identifying changes in neural information flow in another habituation experiment using fMRI data. Finally, we briefly examine evolving genetic regulatory networks involved in Drosophila muscle differentiation during development.</p><p>We conclude by suggesting new experimental directions and statistical extensions to the model for predicting novel neural flow results.</p> / Dissertation

Le développement de techniques à haut débit fournit de nombreuses données sur le fonctionnement de réseaux de régulation. Il devient donc de plus en plus important de développer des techniques qui permettent de déduire la topologie et le fonctionnement des réseaux de régulation à partir des données expérimentales. La plupart des études dans ce domaine se focalisent sur la reconstruction de l'architecture locale du réseau de régulation et la détermination des paramètres qui relient les composants du réseau. Cependant, les réseaux biologiques ne sont jamais entièrement connus. L'absence d'un noeud important dans le réseau de régulation peut facilement conduire à de mauvaises prédictions de la structure du réseau ou des paramètres d'interactions. Dans cette thèse, nous proposons une méthode qui permet d'inférer l'existence, le profile d'expression et la connexion au reste du réseau d'un gène (ou de gènes) manquant. Pour résoudre ce problème difficile, nous devons simplifier la description du réseau de régulation. Nous faisons l'hypothèse communément acceptée que les interactions dans le réseau sont décrites par des fonctions de Hill. Nous approximons ces fonctions trop compliquées par des fonctions de puissance et nous montrons que cette simplification préserve la dynamique du réseau. En prenant le logarithme du système d'équations nous convertissons le système non-linéaire en un système linéaire. De nombreux outils sont disponibles pour analyser des systèmes linéaires. Nous utilisons l'analyse factorielle (FA) et l'analyse de composants indépendants (ICA) pour extraire le profil d'expression du gène inconnu à partir des profils d'expression des parties connues du réseau de régulation. Après avoir estimé le pattern d'expression du gène inconnu, nous explorons les différentes possibilités de connecter ce gène au reste du réseau. Une recherche exhaustive est trop coûteuse pour des grands réseaux de régulation. Nos proposons donc un algorithme de réduction de l'espace de recherche pour diminuer le nombre de calculs nécessaires. L'algorithme proposé est robuste au bruit expérimental et le profil d'expression du gène inconnu est retrouvé avec une probabilité de 80% dans des réseaux de petite taille et avec une probabilité de 60% pour des grands réseaux. FA est plus efficace que ICA pour extraire le profile du gène inconnu. L'algorithme est finalement appliqué à un réseau biologique réel: le réseau de régulation de la transcription du gène acs d'Escherichia coli. Nous prédisons qu'il y a un gène manquant dans ce réseau et les deux méthodes d'extraction du signal trouvent un profil d'expression très similaire pour le gène inconnu. De plus, ce profil d'expression est identique dans trois contextes expérimentaux différents : la souche sauvage, la souche dont l'adénylate cyclase a été délété et cette même souche complémentée par des l'AMPc ajouté au milieu de croissance. Puisque le profil d'expression du gène inconnu reste le mŘme dans les trois souches nous pouvons conclure que ce gène est indépendant de l'AMPc. Les deux méthodes d'extraction du profil d'expression prédisent deux structures différentes du réseau complet. FA prédit que le gène manquant contrôle l'expression de fis, tandis que ICA prédit que le gène inconnu contrôle d'expression de crp. / With the development of hight-throughput technologies, the investigation of the topologies and the functioning of genetic regulatory networks have become an important research topic in recent years. Most of the studies concentrate on reconstructing the local architecture of genetic regulatory networks and the determination of the corresponding interaction parameters. The preferred data sources are time series expression data. However, inevitably one or more important members of the regulatory network will remain unknown. The absence of important members of the genetic circuit leads to incorrectly inferred network topologies and control mechanisms. In this thesis we propose a method to infer the connection and expression pattern of these “missing genes”. In order to make the problem tractable, we have to make further simplifying assumptions. We assume that the interactions within the network are described by Hill-functions. We then approximate these functions by power-law functions. We show that this simplification still captures the dynamic regulatory behaviors of the network. The genetic control system can now be converted to linear model by using a logarithm transformation. In another word, we can analyze the genetic regulatory networks by linear approaches. In the logarithmic space, we propose a procedure for extracting the expression profile of a missing gene within the otherwise defined genetic regulatory network. The algorithm also determines the regulatory connections of this missing gene to the rest of the regulation network. The inference algorithm is based on Factor Analysis, a well-developed multivariate statistical analysis approach that is used to investigate unknown, underlying features of an ensemble of data, in our case the promoter activities and intracellular concentrations of the known genes. We also explore a second blind sources separation method, “Independent Component Analysis”, which is also commonly used to estimate hidden signals. Once the expression profile of the missing gene has been derived, we investigate possible connections of this gene to the remaining network by methods of search space reduction. The proposed method of inferring the expression profile of a missing gene and connecting it to a known network structure is applied to artificial genetic regulatory networks, as well as a real biologicial network studied in the laboratory: the acs regulatory network of Escherichia coli. In these applications we confirm that power-law functions are a good approximation of Hill-functions. Factor Analysis predicts the expression profiles of missing genes with a high accuracy of 80% in small artificial genetic regulatory networks. The accuracy of Factor Analysis of predicting the expression profiles of missing genes of large artificial genetic regulatory networks is 60%. In contrast, Independent Component Analysis is less powerful than Factor Analysis in extracting the expression profiles of missing components in small, as well as large, artificial genetic regulatory networks. Both Factor Analysis and Independent Component suggest that only one missing gene is sufficient to explain the observed expression profiles of Acs, Fis and Crp. The expression profiles of the missing genes in the △cya strain and in the △cya strain supplemented with cAMP estimated by Factor Analysis and Independent Component Analysis are very similar. Factor Analysis suggests that fis is regulated by the missing genes, while Independent Component Analysis suggests that crp is controlled by the missing gene.

Dans ce mémoire, nous présentons l’utilisation de techniques de model-checking pour l’inférence de paramètres de réseaux de régulation génétique (GRN) et l’analyse formelle d’une voie de signalisation. Le coeur du mémoire est décrit dans la première partie, dans laquelle nous proposons une approche pour inférer les paramètres biologiques régissant les dynamiques de modèles discrets de GRN. Les GRN sont encodés sous la forme d’un méta-modèle, appelé GRN paramétré, de telle façon qu’une instance de paramètres définit un modèle discret du GRN initial. Sous réserve que les propriétés biologiques d’intérêt s’expriment sous la forme de formules LTL, les techniques de model-checking LTL sont combinées à celles d’exécution symbolique et de résolution de contraintes afin de sélectionner les modèles satisfaisant ces propriétés. L’enjeu est de contourner l’explosion combinatoire en terme de taille et de nombre de modèles discrets. Nous avons implémenté notre méthode en Java, dans un outil appelé SPuTNIk. La seconde partie décrit une collaboration avec des neuropédiatres, qui ont pour objectif de comprendre l’apparition du phénotype protecteur ou toxique des microglies (un type de macrophage du cerveau) chez les prématurés. Cette partie exploite un autre versant du model-checking, celui du modelchecking statistique, afin d’étudier un type de réseau biologique particulier : la voie de signalisation Wnt/β-caténine, qui permet la transmission d’un signal de l’extérieur à l’intérieur des cellules via une cascade de réactions biochimiques. Nous présentons ici l’apport du model-checker stochastique COSMOS, utilisant la logique stochastique à automate hybride (HASL), un formalisme très expressif nous permettant une analyse formelle sophistiquée des dynamiques de la voie Wnt/β-caténine, modélisée sous la forme d’un processus stochastique à événements discrets. / In this thesis, we present the use of model checking techniques for inference of parameters of Gene Regulatory Networks (GRNs) and formal analysis of a signalling pathway. In the first and main part, we provide an approach to infer biological parameters governing the dynamics of discrete models of GRNs. GRNs are encoded in the form of a meta-model, called Parametric GRN, such that a parameter instance defines a discrete model of the original GRN. Provided that targeted biological properties are expressed in the form of LTL formulas, LTL model-checking techniques are combined with symbolic execution and constraint solving techniques to select discrete models satisfying these properties. The challenge is to prevent combinatorial explosion in terms of size and number of discrete models. Our method is implemented in Java, in a tool called SPuTNIk. The second part describes a work performed in collaboration with child neurologists, who aim to understand the occurrence of toxic or protective phenotype of microglia (a type of macrophage in the brain) in the case of preemies. We use an other type of model-checking, the statistical model-checking, to study a particular type of biological network: the Wnt/β- catenin pathway that transmits an external signal into the cells via a cascade of biochemical reactions. Here we present the benefit of the stochastic model checker COSMOS, using the Hybrid Automata Stochastic Logic (HASL), that is an very expressive formalism allowing a sophisticated formal analysis of the dynamics of the Wnt/β-catenin pathway, modelled as a discrete event stochastic process.