Diese Umgestaltungen haben ein wenig geholfen, aber sie haben die Komplexität und Doppelarbeit nicht wirklich verringert und nicht die Tatsache angesprochen, dass diese Komplexität zunehmen wird, wenn mehr Regeln hinzugefügt werden. Ich suchte nach einem Designmuster, das diese Dinge ansprechen könnte, und stieß auf das Regelmuster, ein Modul, das Steve Smith in der Pluralsight Design Patterns-Bibliothek beisteuerte. Nehmen wir für den Fall der Up-Regulation an, dass ein TF-Molekül stochastisch an eine Promotorsequenz bindet oder sich von dieser trennt, und die Transkription findet nur statt, wenn der TF an die Sequenz bindet. Dann ist Pb die Wahrscheinlichkeit, dass der TF an die Promotorsequenz bindet, und wird als Bruchteil gebundener TF-Moleküle unter allen TF-Molekülen definiert. Wenn wir davon ausgehen, dass der Bindungsprozess und der Dissoziationsprozess im Gleichgewicht sind, erhalten wir die folgende Gleichung: (5) Das Regelmodul ist das einfachste Beispiel, um zu zeigen, wie dieses Muster verwendet werden kann, aber es wird jederzeit zu einem wertvollen Muster, wenn eine lange if-else- oder Switch-Anweisung ersetzt werden muss. Es ist auch nützlich, wenn Daten mehreren Bedingungen entsprechen können und mehrere Prozesse ausgeführt werden. Letztendlich verbessert es die Lesbarkeit, Wartbarkeit und Testbarkeit Ihres Codes. Das Spezifikationsmuster könnte als Software-Anti-Muster betrachtet werden: Eq (9) beschreibt die gleichen zwei Arten von charakteristischen Verhaltensweisen wie Eq (1) abhängig von der Dissoziationskonstante K`, obwohl [RG]* eine starke negative Korrelation mit [TF]* zeigt, wenn k ≪ 1 und [RG]* unabhängig von [TF]* auf einem konstanten Niveau bleibt, wenn K. ≫ 1. In den Fällen der Up-Regulierung oder Down-Regulation deutet die Korrelation zwischen einem TF und dem regulierten Gen auf eine fein abgestimmte Ratenregulierung hin, während die horizontale Verteilung auf das Fehlen von Regulierung hinweist.

RulesChain stellt einen bedingten Workflow von IF-, IF-ELSE- und ELSE-Klauseln dar. Sie enthält die aktuelle Regel (z.B. IF) und alle folgenden Regeln (z.B. IF-ELSE/ELSE). Sobald die EvaluateRulesChains-Methode ausgeführt wurde, werden die konfigurierten Regeln konsequent ausgewertet. Wenn die Eval-Regel Erfolg zurückgibt, werden alle nach den Regeln OtherwiseEval und OtherwiseDo übersprungen. Wenn nicht, wird die nächste Regel in der Kette ausgewertet und so weiter. Das gleiche Muster wird angewendet wie im typischen IF-IF-ELSE-ELSE-Workflow.

In dieser Arbeit untersuchten wir regulatorische Muster der Genexpression, bei denen TFs den Transkriptionsprozess fein oder ein-/ausregulieren. Wir zeichneten Streudiagramme für TF-regulierte Genpaare unter Verwendung öffentlich verfügbarer DNA-Mikroarray-Daten und klassifizierten die Diagramme auf der Grundlage unseres einfachen mathematischen Modells eines Transkriptionsprozesses in vier Typen. Wir führten auch eine Signalweganalyse durch und fanden heraus, dass die Beziehungstypen mit den Genfunktionen verknüpft werden konnten. Gene, die mit zellulären Regulationsprozessen zusammenhängen, gehörten zum Korrelationstyp, was auf eine feine Regulierung der Transkriptionsrate hindeutet. Gene, die mit Krankheiten zusammenhängen, gehörten zum horizontalen Verteilungstyp, der auf eine Ein-/Aus-Regulierung des Transkriptionsprozesses hinweist. Gene im Zusammenhang mit Stoffwechsel oder Signaltransduktion gehörten zum vertikalen Verteilungstyp, wo der Regulierungsmechanismus unklar ist. Diese Ergebnisse implizieren, dass die Regulierungsmechanismen für Transkriptionsprozesse nicht willkürlich, sondern systematisch in Abhängigkeit von der Genfunktion bestimmt werden und auf das Vorhandensein eines Ganzzell-Regulierungsmechanismus hinweisen. In Eq (1) stellt [TF]* die Proteinkonzentration eines TF dar, aber in unserer Studie haben wir mRNA-Expressionsdaten verwendet. Obwohl Proteinkonzentration und mRNA-Expressionsdaten unterschiedliche biologische Prozesse darstellen, haben Studien gezeigt, dass es eine erträglich gute Korrelation zwischen den beiden [10, 12–14] gibt. Wenn wir diese Korrelation annehmen, können wir schlussfolgern, dass die Korrelations- und horizontalen Verteilungstypbeziehungen auf Unterschiede in den Transkriptionsregulierungsmechanismen zurückzuführen sind.