โดยทั่วไปแล้วเครือข่ายควบคุมยีนนั้นเชื่อกันว่าประกอบด้วยโหนดที่มีการเชื่อมต่อสูงเพียงไม่กี่โหนด ( ฮับ ) และโหนดที่มีการเชื่อมต่อต่ำจำนวนมากที่ซ้อนกันอยู่ภายในระบอบการควบคุมแบบลำดับชั้น ดังนั้นเครือข่ายควบคุมยีนจึงมีลักษณะใกล้เคียงกับโครงสร้างเครือข่ายแบบไร้มาตราส่วนแบบลำดับชั้น^{[ 8 ]}ซึ่งสอดคล้องกับมุมมองที่ว่ายีนส่วนใหญ่มีพลีโอโทรปี จำกัด และทำงานภายในโมดูลควบคุม^{[ 9 ]}โครงสร้างนี้เชื่อกันว่าวิวัฒนาการมาจากการที่ยีนที่ซ้ำกันมักจะยึดติดกับยีนที่มีการเชื่อมต่อสูงกว่า^{[ 8 ]}งานวิจัยล่าสุดยังแสดงให้เห็นว่าการคัดเลือกโดยธรรมชาติมักจะสนับสนุนเครือข่ายที่มีการเชื่อมต่อแบบเบาบาง^{[ 10 ]}

โดยหลักแล้ว เครือข่ายสามารถวิวัฒนาการได้สองวิธี ซึ่งทั้งสองวิธีสามารถเกิดขึ้นพร้อมกันได้ วิธีแรกคือ โทโพโลยีของเครือข่ายสามารถเปลี่ยนแปลงได้โดยการเพิ่มหรือลบโหนด (ยีน) หรือส่วนต่างๆ ของเครือข่าย (โมดูล) อาจถูกแสดงออกในบริบทที่แตกต่างกันเส้นทางการส่งสัญญาณ Hippo ของแมลงหวี่เป็นตัวอย่างที่ดี เส้นทางการส่งสัญญาณ Hippo ควบคุมทั้งการเจริญเติบโตแบบไมโทซิสและการแยกเซลล์หลังไมโทซิส^{[ 11 ]}เมื่อเร็วๆ นี้พบว่าเครือข่ายที่เส้นทางการส่งสัญญาณ Hippo ทำงานนั้นแตกต่างกันระหว่างสองฟังก์ชันนี้ ซึ่งส่งผลให้พฤติกรรมของเส้นทางการส่งสัญญาณ Hippo เปลี่ยนแปลงไปด้วย สิ่งนี้ชี้ให้เห็นว่าเส้นทางการส่งสัญญาณ Hippo ทำงานเป็นโมดูลควบคุมที่ได้รับการอนุรักษ์ไว้ซึ่งสามารถใช้สำหรับหลายฟังก์ชันขึ้นอยู่กับบริบท^{[ 11 ]}ดังนั้น การเปลี่ยนแปลงโทโพโลยีของเครือข่ายสามารถทำให้โมดูลที่ได้รับการอนุรักษ์ไว้ทำหน้าที่ได้หลายฟังก์ชันและเปลี่ยนแปลงผลลัพธ์สุดท้ายของเครือข่าย วิธีที่สองที่เครือข่ายสามารถวิวัฒนาการได้คือการเปลี่ยนแปลงความแข็งแรงของการโต้ตอบระหว่างโหนด เช่น ความแข็งแรงที่ปัจจัยการถอดรหัสอาจจับกับองค์ประกอบควบคุมแบบซิส ความแปรผันดังกล่าวในความแข็งแรงของขอบเครือข่ายได้รับการแสดงให้เห็นว่าเป็นพื้นฐานของความแปรผันระหว่างสายพันธุ์ในรูปแบบการกำหนดชะตากรรมของเซลล์ช่องคลอดของหนอนCaenorhabditis ^{[ 12 ]}

ลักษณะเฉพาะอีกประการหนึ่งของเครือข่ายควบคุมยีนคือความอุดมสมบูรณ์ของเครือข่ายย่อยที่ซ้ำกันบางประเภทที่เรียกว่ารูปแบบเครือข่าย รูปแบบเครือข่ายสามารถพิจารณาได้ว่าเป็นรูปแบบทางโทโพโลยีที่ซ้ำกันเมื่อแบ่งเครือข่ายขนาดใหญ่เป็นบล็อกเล็กๆ รูปแบบหลายประเภทปรากฏบ่อยกว่าในเครือข่ายควบคุมยีนมากกว่าในเครือข่ายที่สร้างขึ้นแบบสุ่ม^{[ 13 ] [ 14 ] [ 15 ]}ตัวอย่างเช่น รูปแบบหนึ่งเรียกว่าวงจรป้อนกลับไปข้างหน้า ซึ่งประกอบด้วยโหนดสามโหนด รูปแบบนี้พบได้มากที่สุดในบรรดารูปแบบที่เป็นไปได้ทั้งหมดที่ประกอบด้วยโหนดสามโหนด ดังที่แสดงในเครือข่ายควบคุมยีนของแมลงวัน หนอนตัวกลม และมนุษย์^{[ 15 ]}

มีการเสนอให้โมทีฟที่เสริมแล้วเป็นไปตามวิวัฒนาการแบบบรรจบกันโดยชี้ให้เห็นว่าเป็น "การออกแบบที่เหมาะสมที่สุด" สำหรับวัตถุประสงค์ในการควบคุมบางประการ^{[ 16 ]}ตัวอย่างเช่น การสร้างแบบจำลองแสดงให้เห็นว่าลูปแบบส่งต่อสามารถประสานการเปลี่ยนแปลงในโหนด A (ในแง่ของความเข้มข้นและกิจกรรม) และพลวัตการแสดงออกของโหนด C ทำให้เกิดพฤติกรรมอินพุต-เอาต์พุตที่แตกต่างกัน^{[ 17 ] [ 18 ]}ระบบ การใช้ กาแลคโตสของE. coliมีลูปแบบส่งต่อซึ่งเร่งการทำงานของโอเปรอน การใช้กาแลคโต ส galETKซึ่งอาจอำนวยความสะดวกในการเปลี่ยนผ่านทางเมตาบอลิซึมไปสู่กาแลคโตสเมื่อกลูโคสหมดไป^{[ 19 ]}ลูปแบบส่งต่อใน ระบบการใช้ อะราบิโนสของE. coliจะชะลอการทำงานของโอเปรอนการสลายอะราบิโนสและตัวขนส่ง ซึ่งอาจหลีกเลี่ยงการเปลี่ยนผ่านทางเมตาบอลิซึมที่ไม่จำเป็นเนื่องจากความผันผวนชั่วคราวในเส้นทางการส่งสัญญาณต้นน้ำ^{[ 20 ]}ในทำนองเดียวกัน ในเส้นทางการส่งสัญญาณ Wnt ของXenopusวงจรป้อนไปข้างหน้าทำหน้าที่เป็นตัวตรวจจับการเปลี่ยนแปลงแบบพับที่ตอบสนองต่อการเปลี่ยนแปลงแบบพับ แทนที่จะเป็นการเปลี่ยนแปลงสัมบูรณ์ ในระดับของ β-catenin ซึ่งอาจเพิ่มความต้านทานต่อความผันผวนของระดับ β-catenin ^{[ 21 ]}ตามสมมติฐานวิวัฒนาการแบบบรรจบกัน การเพิ่มขึ้นของวงจรป้อนไปข้างหน้าจะเป็นการปรับตัวเพื่อการตอบสนองที่รวดเร็วและความต้านทานต่อสัญญาณรบกวน การวิจัยล่าสุดพบว่ายีสต์ที่เติบโตในสภาพแวดล้อมที่มีกลูโคสคงที่ได้พัฒนาการกลายพันธุ์ในเส้นทางการส่งสัญญาณกลูโคสและเส้นทางการควบคุมการเจริญเติบโต ซึ่งบ่งชี้ว่าส่วนประกอบควบคุมที่ตอบสนองต่อการเปลี่ยนแปลงของสิ่งแวดล้อมนั้นไม่จำเป็นภายใต้สภาพแวดล้อมคงที่^{[ 22 ]}

ในทางกลับกัน นักวิจัยบางคนตั้งสมมติฐานว่าการเสริมสร้างรูปแบบเครือข่ายนั้นไม่ใช่การปรับตัว^{[ 23 ]}กล่าวอีกนัยหนึ่ง เครือข่ายควบคุมยีนสามารถวิวัฒนาการไปสู่โครงสร้างที่คล้ายกันได้โดยไม่ต้องมีการคัดเลือกเฉพาะเจาะจงในพฤติกรรมอินพุต-เอาต์พุตที่เสนอ การสนับสนุนสมมติฐานนี้มักมาจากการจำลองทางคอมพิวเตอร์ ตัวอย่างเช่น ความผันผวนในความอุดมสมบูรณ์ของลูปฟีดฟอร์เวิร์ดในแบบจำลองที่จำลองวิวัฒนาการของเครือข่ายควบคุมยีนโดยการเชื่อมต่อโหนดใหม่แบบสุ่ม อาจบ่งชี้ว่าการเสริมสร้างลูปฟีดฟอร์เวิร์ดเป็นผลข้างเคียงของวิวัฒนาการ^{[ 24 ]}ในแบบจำลองอื่นของวิวัฒนาการเครือข่ายควบคุมยีน อัตราส่วนของความถี่ของการจำลองยีนและการลบยีนแสดงให้เห็นถึงอิทธิพลอย่างมากต่อโทโพโลยีของเครือข่าย: อัตราส่วนบางอย่างนำไปสู่การเสริมสร้างลูปฟีดฟอร์เวิร์ดและสร้างเครือข่ายที่แสดงคุณลักษณะของเครือข่ายแบบไร้มาตราส่วนเชิงลำดับชั้น วิวัฒนาการแบบ de novo ของลูปฟีดฟอร์เวิร์ดประเภท 1 ที่สอดคล้องกันได้รับการสาธิตในเชิงคำนวณเพื่อตอบสนองต่อการคัดเลือกสำหรับฟังก์ชันที่คาดการณ์ไว้ในการกรองสัญญาณรบกวนสั้นๆ ซึ่งสนับสนุนวิวัฒนาการแบบปรับตัว แต่สำหรับสัญญาณรบกวนที่ไม่สมบูรณ์แบบ ระบบการควบคุมฟีดฟอร์เวิร์ดแบบไดนามิกที่มีโทโพโลยีที่แตกต่างกันกลับได้รับความนิยมมากกว่า^{[ 25 ]}

แนวทางเชิงฮิวริสติกในการพัฒนาเครือข่ายควบคุมยีน (GRN) มีศักยภาพที่จะช่วยให้เข้าใจการควบคุมยีนได้ดีขึ้น โดยการจำลอง GRN เป็นเครือข่ายแบบโลกขนาดเล็ก (small-world networks) ซึ่งยีนต่างๆ เชื่อมต่อกันอย่างหนาแน่นผ่านขั้นตอนการควบคุมระดับกลางจำนวนน้อย ทำให้สามารถส่งสัญญาณได้อย่างรวดเร็วทั่วทั้งเครือข่าย สิ่งนี้เผยให้เห็นว่า GRN มีโครงสร้างแบบไร้มาตราส่วน (scale-free topology) ซึ่งมีลักษณะเฉพาะคือยีนศูนย์กลาง (hub genes) จำนวนน้อยที่มีการเชื่อมต่อสูง และมีอิทธิพลในการควบคุมเครือข่ายในวงกว้างอย่างไม่สมส่วน มุมมองเชิงโครงสร้างนี้มีความเกี่ยวข้องอย่างยิ่งกับการถกเถียงว่าการเพิ่มขึ้นของรูปแบบเครือข่าย (network motif enrichment) เป็นการปรับตัวหรือไม่ปรับตัว — การจำลองด้วยคอมพิวเตอร์ชี้ให้เห็นว่าการเพิ่มขึ้นของลูปป้อนไปข้างหน้า (feed-forward loops) อาจเกิดขึ้นเป็นผลข้างเคียงของการวิวัฒนาการผ่านการเชื่อมต่อใหม่แบบสุ่ม ในขณะที่อัตราส่วนการจำลองและการลบยีนจะช่วยกำหนดโครงสร้างเครือข่ายไปสู่โครงสร้างแบบลำดับชั้นและไร้มาตราส่วน (hierarchical, scale-free structures) ด้วยการบูรณาการคุณสมบัติทางโทโพโลยีเหล่านี้เข้ากับข้อมูลการแสดงออกของยีน การอนุมาน GRN ที่ขับเคลื่อนด้วยฮิวริสติกส์จะเชื่อมช่องว่างระหว่างแบบจำลองเครือข่ายการคำนวณและความเป็นจริงทางชีววิทยาพื้นฐานของการควบคุมการถอดรหัส ซึ่งมีผลโดยตรงต่อการทำความเข้าใจกลไกของโรคและการระบุเป้าหมายการรักษาที่เป็นไปได้^{[ 26 ]}

โดยทั่วไปแล้ว การสร้างแบบจำลองเครือข่ายดังกล่าวมักใช้ชุดสมการเชิงอนุพันธ์สามัญ (ODE) หรือ สมการเชิงอนุพันธ์เชิงสุ่ม ( SDE) ที่เชื่อมโยงกัน เพื่ออธิบายจลนศาสตร์ปฏิกิริยาของส่วนประกอบต่างๆ สมมติว่าเครือข่ายควบคุมของเรามี${\displaystyle N}$โหนด และปล่อยให้${\displaystyle S_{1}(t),S_{2}(t),\ldots ,S_{N}(t)}$แสดงถึงความเข้มข้นของ${\displaystyle N}$สารที่สอดคล้องกัน ณ เวลา${\displaystyle t}$จากนั้นวิวัฒนาการตามเวลาของระบบสามารถอธิบายได้โดยประมาณโดย

${\displaystyle {\frac {dS_{j}}{dt}}=f_{j}\left(S_{1},S_{2},\ldots ,S_{N}\right)}$

โดยที่ฟังก์ชันต่างๆ${\displaystyle f_{j}}$แสดงความสัมพันธ์ของ${\displaystyle S_{j}}$ขึ้นอยู่กับความเข้มข้นของสารอื่นๆ ที่มีอยู่ในเซลล์ หน้าที่ของมัน${\displaystyle f_{j}}$โดยพื้นฐานแล้ว สมการเหล่านี้ได้มาจากหลักการพื้นฐานของจลนศาสตร์เคมีหรือนิพจน์ง่ายๆ ที่ได้มาจากหลักการเหล่านั้น เช่น จลนศาสตร์เอนไซม์ของ ไมเคิลลิส-เมนเทนดังนั้น รูปแบบการทำงานของสมการเหล่านี้จึง...${\displaystyle f_{j}}$โดยทั่วไปจะเลือกเป็น พหุนามลำดับต่ำหรือฟังก์ชันฮิลล์ซึ่งทำหน้าที่เป็นสมมติฐานสำหรับพลศาสตร์โมเลกุลจริง จากนั้นจึงศึกษาแบบจำลองดังกล่าวโดยใช้คณิตศาสตร์ของพลศาสตร์แบบไม่เชิงเส้นข้อมูลเฉพาะระบบ เช่น ค่าคงที่ อัตราการเกิดปฏิกิริยาและความไว จะถูกเข้ารหัสเป็นพารามิเตอร์คงที่^{[ 31 ]}

โดยการหาจุดตรึงของระบบ:

${\displaystyle {\frac {dS_{j}}{dt}}=0}$

สำหรับทุกคน${\displaystyle j}$เราจะได้โปรไฟล์ความเข้มข้นของโปรตีนและ mRNA (อาจมีหลายแบบ) ที่ยั่งยืนในทางทฤษฎี (แม้ว่าจะไม่จำเป็นต้องเสถียร ก็ตาม ) สภาวะ คงที่ของสมการจลนศาสตร์จึงสอดคล้องกับชนิดของเซลล์ที่เป็นไปได้ และ คำตอบ แบบแกว่งของสมการข้างต้นสอดคล้องกับชนิดของเซลล์ที่เป็นวัฏจักรตามธรรมชาติ ความเสถียรทางคณิตศาสตร์ของตัวดึงดูด เหล่านี้ มักจะสามารถระบุลักษณะได้ด้วยเครื่องหมายของอนุพันธ์อันดับสูง ณ จุดวิกฤต และจากนั้นจะสอดคล้องกับความเสถียรทางชีวเคมีของโปรไฟล์ความเข้มข้น จุดวิกฤตและการแตกแขนงในสมการสอดคล้องกับสถานะเซลล์วิกฤต ซึ่งการรบกวนสถานะหรือพารามิเตอร์เล็กน้อยอาจเปลี่ยนระบบระหว่างชะตากรรมการจำแนกที่เสถียรหลายอย่าง วิถีโคจรสอดคล้องกับการคลี่คลายของเส้นทางชีวภาพ และสภาวะชั่วคราวของสมการสอดคล้องกับเหตุการณ์ทางชีวภาพระยะสั้น สำหรับการอภิปรายทางคณิตศาสตร์เพิ่มเติม โปรดดูบทความเกี่ยวกับความไม่เป็นเชิงเส้นระบบพลวัตทฤษฎีการแตกแขนงและทฤษฎีความโกลาหล

ตัวอย่างต่อไปนี้แสดงให้เห็นว่าเครือข่ายบูลีนสามารถจำลอง GRN ร่วมกับผลิตภัณฑ์ยีน (เอาต์พุต) และสารจากสิ่งแวดล้อมที่ส่งผลกระทบต่อมัน (อินพุต) ได้ อย่างไร Stuart Kauffmanเป็นหนึ่งในนักชีววิทยาคนแรกๆ ที่ใช้การเปรียบเทียบเครือข่ายบูลีนเพื่อจำลองเครือข่ายควบคุมทางพันธุกรรม^{[ 32 ] [ 33 ]}

1. แต่ละยีน แต่ละอินพุต และแต่ละเอาต์พุต จะถูกแทนด้วยโหนดในกราฟแบบมีทิศทางโดยจะมีลูกศรจากโหนดหนึ่งไปยังอีกโหนดหนึ่งก็ต่อเมื่อมีความสัมพันธ์เชิงสาเหตุระหว่างสองโหนดนั้น
2. แต่ละโหนดในกราฟสามารถอยู่ในสถานะใดสถานะหนึ่งจากสองสถานะ ได้แก่ เปิดหรือปิด
3. สำหรับยีน "เปิด" หมายถึงยีนนั้นถูกแสดงออก สำหรับอินพุตและเอาต์พุต "เปิด" หมายถึงสารนั้นมีอยู่
4. เวลาถูกมองว่าดำเนินไปเป็นขั้นตอนที่ไม่ต่อเนื่อง ในแต่ละขั้นตอน สถานะใหม่ของโหนดจะเป็นฟังก์ชันบูลีนของสถานะก่อนหน้าของโหนดต่างๆ โดยมีลูกศรชี้ไปยังสถานะใหม่นั้น

ความถูกต้องของแบบจำลองสามารถทดสอบได้โดยการเปรียบเทียบผลการจำลองกับการสังเกตอนุกรมเวลา การตรวจสอบความถูกต้องบางส่วนของแบบจำลองเครือข่ายบูลีนยังสามารถมาจากการทดสอบการมีอยู่ของการเชื่อมต่อการควบคุมที่ยังไม่ทราบแน่ชัดระหว่างปัจจัยการถอดรหัสสองตัวโดยเฉพาะซึ่งแต่ละตัวเป็นโหนดของแบบจำลอง^{[ 34 ]}

แบบจำลองเครือข่ายต่อเนื่องของ GRN เป็นส่วนขยายของเครือข่ายบูลีนที่อธิบายไว้ข้างต้น โหนดยังคงแทนยีน และการเชื่อมต่อระหว่างกันแสดงถึงอิทธิพลการควบคุมต่อการแสดงออกของยีน ยีนในระบบชีวภาพแสดงระดับกิจกรรมที่หลากหลายอย่างต่อเนื่อง และมีการโต้แย้งว่าการใช้การแสดงผลแบบต่อเนื่องสามารถจับคุณสมบัติหลายอย่างของเครือข่ายควบคุมยีนที่ไม่มีอยู่ในแบบจำลองบูลีนได้^{[ 35 ]}โดยทั่วไปแล้ว วิธีการเหล่านี้ส่วนใหญ่คล้ายกับเครือข่ายประสาทเทียมเนื่องจากอินพุตไปยังโหนดจะถูกรวมเข้าด้วยกัน และผลลัพธ์จะทำหน้าที่เป็นอินพุตให้กับฟังก์ชันซิกมอยด์เช่น^{[ 36 ]}แต่โปรตีนมักจะควบคุมการแสดงออกของยีนในลักษณะที่เสริมฤทธิ์กัน กล่าวคือ ไม่เป็นเชิงเส้น^{[ 37 ]}อย่างไรก็ตาม ขณะนี้มีแบบจำลองเครือข่ายต่อเนื่อง^{[ 38 ]} ที่อนุญาตให้จัดกลุ่มอินพุตไปยังโหนด จึงทำให้เกิดการควบคุมอีกระดับหนึ่ง แบบจำลองนี้โดยทั่วไปแล้วจะใกล้เคียงกับ เครือข่ายประสาทแบบวนซ้ำลำดับสูงกว่า โมเดลเดียวกันนี้ยังถูกนำมาใช้เพื่อเลียนแบบวิวัฒนาการของการแยกความแตกต่างของเซลล์^{[ 39 ]}และแม้กระทั่งการสร้างรูปร่างของ เซลล์หลายเซลล์ ^{[ 40 ]}

ผลการทดลอง^{[ 41 ] [ 42 ]}แสดงให้เห็นว่าการแสดงออกของยีนเป็นกระบวนการสุ่ม ดังนั้น ผู้เขียนหลายคนจึงใช้รูปแบบสุ่มตามผลงานของ Arkin et al. ^{[ 43 ]}งานวิจัยเกี่ยวกับการแสดงออกของยีนเดี่ยว^{[ 44 ]}และเครือข่ายพันธุกรรมสังเคราะห์ขนาดเล็ก^{[ 45 ] [ 46 ]}เช่น สวิตช์สลับพันธุกรรมของ Tim Gardner และJim Collinsได้ให้ข้อมูลการทดลองเพิ่มเติมเกี่ยวกับความแปรปรวนของฟีโนไทป์และลักษณะสุ่มของการแสดงออกของยีน แบบจำลองสุ่มของการแสดงออกของยีนรุ่นแรกๆ เกี่ยวข้องกับปฏิกิริยาทันทีเท่านั้นและถูกขับเคลื่อนด้วย อัลกอริทึม ของGillespie ^{[ 47 ]}

เนื่องจากกระบวนการบางอย่าง เช่น การถอดรหัสยีน เกี่ยวข้องกับปฏิกิริยาหลายอย่างและไม่สามารถจำลองได้อย่างถูกต้องว่าเป็นปฏิกิริยาทันทีในขั้นตอนเดียว จึงมีการเสนอให้จำลองปฏิกิริยาเหล่านี้เป็นปฏิกิริยาแบบหน่วงเวลาหลายขั้นตอนในขั้นตอนเดียว เพื่อคำนึงถึงเวลาที่ใช้ในการดำเนินการทั้งหมดให้เสร็จสมบูรณ์^{[ 48 ]}

จากตรงนี้ มีการเสนอชุดปฏิกิริยา^{[ 49 ]}ที่ช่วยให้สามารถสร้าง GRN ได้ จากนั้นจึงจำลองโดยใช้อัลกอริทึม Gillespie เวอร์ชันที่แก้ไขแล้ว ซึ่งสามารถจำลองปฏิกิริยาที่มีการหน่วงเวลาหลายรายการ (ปฏิกิริยาเคมีที่แต่ละผลิตภัณฑ์มีการหน่วงเวลาที่กำหนดว่าจะถูกปล่อยออกมาในระบบเมื่อใดในฐานะ "ผลิตภัณฑ์สำเร็จรูป")

ตัวอย่างเช่น การถอดรหัสพื้นฐานของยีนสามารถแสดงได้ด้วยปฏิกิริยาขั้นตอนเดียวดังต่อไปนี้ (RNAP คือ RNA polymerase, RBS คือ ตำแหน่งการจับของไรโบโซม RNA และ Pro คือ บริเวณโปรโมเตอร์ของยีนi ):

${\displaystyle {\text{RNAP}}+{\text{Pro}}_{i}{\overset {k_{i,bas}}{\longrightarrow }}{\text{Pro}}_{i}(\tau _{i}^{1})+{\text{RBS}}_{i}(\tau _{i}^{1})+{\text{RNAP}}(\tau _{i}^{2})}$

นอกจากนี้ ดูเหมือนว่าจะมีการแลกเปลี่ยนกันระหว่างสัญญาณรบกวนในการแสดงออกของยีน ความเร็วที่ยีนสามารถสลับได้ และต้นทุนการเผาผลาญที่เกี่ยวข้องกับการทำงานของยีน โดยเฉพาะอย่างยิ่ง สำหรับต้นทุนการเผาผลาญในระดับใด ๆ จะมีการแลกเปลี่ยนที่เหมาะสมที่สุดระหว่างสัญญาณรบกวนและความเร็วในการประมวลผล และการเพิ่มต้นทุนการเผาผลาญจะนำไปสู่การแลกเปลี่ยนระหว่างความเร็วและสัญญาณรบกวนที่ดีขึ้น^{[ 50 ] [ 51 ] [ 52 ]}

งานวิจัยล่าสุดได้เสนอโปรแกรมจำลอง (SGNSim, Stochastic Gene Networks Simulator ) ^{[ 53 ]}ที่สามารถจำลอง GRN โดยที่การถอดรหัสและการแปลจะถูกจำลองเป็นเหตุการณ์ที่มีการหน่วงเวลาหลายครั้ง และพลวัตของมันถูกขับเคลื่อนโดยอัลกอริทึมการจำลองแบบสุ่ม (SSA) ที่สามารถจัดการกับเหตุการณ์ที่มีการหน่วงเวลาหลายครั้งได้ การหน่วงเวลาสามารถดึงมาจากการแจกแจงหลายแบบ และอัตราการเกิดปฏิกิริยาจากฟังก์ชันที่ซับซ้อนหรือจากพารามิเตอร์ทางกายภาพ SGNSim สามารถสร้างกลุ่มของ GRN ภายในชุดพารามิเตอร์ที่ผู้ใช้กำหนด เช่น โครงสร้าง นอกจากนี้ยังสามารถใช้ในการจำลอง GRN เฉพาะและระบบปฏิกิริยาเคมีได้อีกด้วย การรบกวนทางพันธุกรรม เช่น การลบยีน การแสดงออกของยีนมากเกินไป การแทรก การกลายพันธุ์แบบเลื่อนเฟรม ก็สามารถจำลองได้เช่นกัน

เครือข่ายควบคุมยีน (GRN) ถูกสร้างขึ้นจากกราฟที่มีโครงสร้างตามที่ต้องการ โดยกำหนดการกระจายของดีกรีขาเข้าและขาออก กิจกรรมของโปรโมเตอร์ยีนได้รับผลกระทบจากผลิตภัณฑ์การแสดงออกของยีนอื่น ๆ ที่ทำหน้าที่เป็นอินพุต ในรูปแบบของโมโนเมอร์หรือรวมกันเป็นมัลติเมอร์ และกำหนดให้เป็นแบบตรงหรือแบบอ้อม จากนั้น อินพุตโดยตรงแต่ละตัวจะถูกกำหนดให้กับไซต์ตัวดำเนินการ และปัจจัยการถอดรหัสที่แตกต่างกันสามารถอนุญาตหรือไม่ให้แข่งขันกันเพื่อแย่งไซต์ตัวดำเนินการเดียวกันได้ ในขณะที่อินพุตทางอ้อมจะได้รับเป้าหมาย สุดท้าย ฟังก์ชันจะถูกกำหนดให้กับแต่ละยีน โดยกำหนดการตอบสนองของยีนต่อการรวมกันของปัจจัยการถอดรหัส (สถานะโปรโมเตอร์) ฟังก์ชันการถ่ายโอน (นั่นคือ วิธีที่ยีนตอบสนองต่อการรวมกันของอินพุต) สามารถกำหนดให้กับการรวมกันของสถานะโปรโมเตอร์แต่ละแบบได้ตามต้องการ

ในงานวิจัยล่าสุดอื่นๆ ได้มีการพัฒนารูปแบบเครือข่ายควบคุมยีนแบบหลายระดับที่เน้นการประยุกต์ใช้ชีววิทยาเชิงสังเคราะห์ การจำลองได้ถูกนำมาใช้เพื่อสร้างแบบจำลองปฏิสัมพันธ์ของโมเลกุลชีวภาพทั้งหมดในการถอดรหัส การแปล การควบคุม และการเหนี่ยวนำของเครือข่ายควบคุมยีน ซึ่งเป็นแนวทางในการออกแบบระบบสังเคราะห์^{[ 54 ]}

โรคปลอกประสาทเสื่อมแข็งมี 3 ประเภท ได้แก่ โรคปลอกประสาทเสื่อมแข็งชนิดกำเริบและหายเป็นช่วงๆ (RRMS) โรคปลอกประสาทเสื่อมแข็งชนิดดำเนินไปอย่างต่อเนื่อง (PPMS) และโรคปลอกประสาทเสื่อมแข็งชนิดดำเนินไปอย่างต่อเนื่อง (SPMS) เครือข่ายควบคุมยีน (GRN) มีบทบาทสำคัญในการทำความเข้าใจกลไกของโรคปลอกประสาทเสื่อมแข็งทั้งสามประเภทนี้^{[ 58 ]}