A Boolean network (BN) with $n$ components is a discrete dynamical system described by the successive iterations of a function $f:\{0,1\}^n \to \{0,1\}^n$. This model finds applications in biology, where fixed points play a central role. For example, in genetic regulations, they correspond to cell phenotypes. In this context, experiments reveal the existence of positive or negative influences among components: component $i$ has a positive (resp. negative) influence on component $j$ meaning that $j$ tends to mimic (resp. negate) $i$. The digraph of influences is called signed interaction digraph (SID), and one SID may correspond to a large number of BNs (which is, in average, doubly exponential according to $n$). The present work opens a new perspective on the well-established study of fixed points in BNs. When biologists discover the SID of a BN they do not know, they may ask: given that SID, can it correspond to a BN having at least/at most $k$ fixed points? Depending on the input, we prove that these problems are in $\textrm{P}$ or complete for $\textrm{NP}$, $\textrm{NP}^{\textrm{NP}}$, $\textrm{NP}^{\textrm{#P}}$ or $\textrm{NEXPTIME}$. In particular, we prove that it is $\textrm{NP}$-complete (resp. $\textrm{NEXPTIME}$-complete) to decide if a given SID can correspond to a BN having at least two fixed points (resp. no fixed point).


翻译:含有美元元件的布林网络( BN) 是一个离散的动态系统, 由函数的连续重覆 $f: @ @ 0, 1 ⁇ n{ @ to @ 0, 1 ⁇ n$。 此模型在生物学中找到应用, 固定点在其中扮演着中心角色 。 例如, 在基因调节中, 它们与细胞苯型相对应 。 在这方面, 实验揭示了各组成部分之间是否存在正或负影响 : 元件对元件具有正( 负) 影响, 这意味着 $( resp) 通常会模仿( resp) $。 影响区划称为签名的交互比重( SID), 其中一种SID可能相当于大量 BN( 平均是双倍指数, 按美元计算 。 ) 当前的工作为对固定点进行完善的研究开辟了新视角。 当生物学家发现他们不知道 BN 的 SID (如果 SID, 它与至少/tr$ $_r\\ r\ r= 美元, r=rr=r=r=r=r=r=r=r=r=r=r=r=r=r=r=x。 它们 ro) 可以。 当我们在固定点时, 可以证明这些输入是完整的输入问题。

0
下载
关闭预览

相关内容

Networking:IFIP International Conferences on Networking。 Explanation:国际网络会议。 Publisher:IFIP。 SIT: http://dblp.uni-trier.de/db/conf/networking/index.html
Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
155+阅读 · 2020年5月26日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
神经网络的拓扑结构,TOPOLOGY OF DEEP NEURAL NETWORKS
专知会员服务
32+阅读 · 2020年4月15日
知识神经元网络 KNN(简介),12页pdf
专知会员服务
14+阅读 · 2019年12月25日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Soft-NMS – Improving Object Detection With One Line of Code
统计学习与视觉计算组
6+阅读 · 2018年3月30日
神经网络学习率设置
机器学习研究会
4+阅读 · 2018年3月3日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Arxiv
0+阅读 · 2021年2月4日
Arxiv
0+阅读 · 2021年2月4日
Arxiv
0+阅读 · 2021年2月4日
Arxiv
0+阅读 · 2021年2月3日
Arxiv
3+阅读 · 2018年2月24日
Arxiv
3+阅读 · 2017年12月14日
VIP会员
相关资讯
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Soft-NMS – Improving Object Detection With One Line of Code
统计学习与视觉计算组
6+阅读 · 2018年3月30日
神经网络学习率设置
机器学习研究会
4+阅读 · 2018年3月3日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
相关论文
Arxiv
0+阅读 · 2021年2月4日
Arxiv
0+阅读 · 2021年2月4日
Arxiv
0+阅读 · 2021年2月4日
Arxiv
0+阅读 · 2021年2月3日
Arxiv
3+阅读 · 2018年2月24日
Arxiv
3+阅读 · 2017年12月14日
Top
微信扫码咨询专知VIP会员