Сравнение моделей

Также видно, что стохастическая модель хоть и приближает хуже, но чаще всего дает вполне приемлемый результат. Кроме того, ясно, что с биологической точки зрения, модель с одним регулятором и не должны давать стопроцентной точности, так как в реальности каждый ген может потенциально регулироваться несколькими регуляторами, которые могут, как мешать, так и помогать друг другу. С другой стороны, очевидно, что путем добавления регуляторов можно приблизить любой профиль экспрессии с какой угодно точностью. Стохастический алгоритм позволяет довольно быстро строить модели для большого числа регуляторов, так например, на рисунке 14 на примере гена, показавшего худшие результаты при моделировании экспрессии с помощью одного регулятора, показано как растет точность при увеличении количества регуляторов. При этом на каждом следующем шаге добавлялся два новых регулятора, а все старые сохраняются в модели. Таким образом, необходимо соблюдать некий баланс, ограничивая число регуляторов сверху исходя из биологических соображений.

Рисунок 15. Работа стохастической модели при разном количестве регуляторов. SSE (Sum of Squared Error) - суммарное квадратичное отклонение

Рассмотренные выше модели достаточно просты и могут служить только некоторым первым шагом в моделировании регуляции генной экспрессии. Разумным подходом на сегодняшний момент представляется агрегация разнообразных моделей в некоторый комплекс, позволяющий строить различные модели и в каждом конкретном случае выбирать лучшую. При этом необходимо руководствоваться биологическими соображениями, т.к. простая подгонка профилей экспрессии зачастую не несет никакого биологического смысла.