[論文レビュー] A Time-Varying Branching Process Approach to Model Self-Renewing Cells

Huyen T. K. Nguyen, Haim Bar+2 more|arXiv (Cornell University)|Jan 29, 2026

Mathematical Biology Tumor Growth被引用数 0

ひとこと要約

著者らは、時変分岐確率を持つ連続時間の時間変化型分岐過程を用いて幹細胞増殖をモデル化し、解析的モーメントを導出し、完全観測データと部分観測データの双方を対象とする尤度ベースの推定法を提案する。前方アルゴリズムを用いて部分観測を扱う。

ABSTRACT

Stem cells, through their ability to produce daughter stem cells and differentiate into specialized cells, are essential in the growth, maintenance, and repair of biological tissues. Understanding the dynamics of cell populations in the proliferation process not only uncovers proliferative properties of stem cells, but also offers insight into tissue development under both normal conditions and pathological disruption. In this paper, we develop a continuous time branching process model with time-dependent offspring distribution to characterize stem cell proliferation process. We derive analytical expressions for mean, variance, and autocovariance of the stem cell counts, and develop likelihood-based inference procedures to estimate model parameters. Particularly, we construct a forward algorithm likelihood to handle situations when some cell types cannot be directly observed. Simulation results demonstrate that our estimation method recovers the time-dependent division probabilities with good accuracy.

研究の動機と目的

• 幹細胞増殖を確率過程としてモデリングする動機づけ。
• 時変分岐確率の下で、生存幹細胞数の平均・分散・自己共分散の解析的表現を導出。
• 時変分岐確率とレートパラメータを推定する尤度ベースの推論手法を開発。
• 生存細胞と非生存細胞を区別できない部分観測データに対する前方アルゴリズムベースのアプローチを導入。
• シミュレーションを通じて推定量が時変分岐確率を回復することを示し、枯渇動態を検討。

提案手法

• X(t), Y(t), Z(t) が生存幹細胞、分化細胞、非生存幹細胞を表す連続時間分岐過程を定式化。
• 生存幹細胞は rate r で分裂し、時間依存的な4つの分裂結果 p1(t), p2(t), p3(t), p4(t) を取る。
• 過程を決定論的平均場モデルに結び付け、E[X(t)], Var(X(t)], Cov(X(t), X(u)) を導出。
• 閉形式のモーメントとして、 E[X(t)]=S0 exp{ r ∫0^t [p1(u)-p3(u)] du }, Var(X(t))= r S(t)^2 ∫0^t [p1(u)+p3(u)]/S(u) du, Cov(X(t),X(u))= (S(t)/S(u)) Var(X(u)).
• 完全観測データの尤度フレームワークと、部分観測データで M(t)=X(t)+Z(t) が観測されるが X と Z が区別されない場合の前方アルゴリズムベースの手法を提供。
• 転送過程を用いて h_k(u,v) の遷移項を持ち、対数尤度を正規化して計算する。p_j(t) パラメータと r の同時推定を可能にする。

Figure 1: Left: Fifty realizations of simulated stem cell count trajectories with initial count of 200, division rate of 0.2, and division probabilities $p_{1}(t)=\frac{0.55}{1+0.005(t-4)^{2}}$ , $p_{2}(t)=\frac{0.15}{1+(t-12)^{2}}$ , $p_{4}(t)=\frac{0.20}{1+(t-20)^{2}}$ , and $p_{3}(t)=1-p_{1}(t)-p

実験結果

リサーチクエスチョン

• RQ1 時変分岐確率 p1(t), p2(t), p3(t), p4(t) は、生存幹細胞集団の平均とばらつきにどのような影響を与えるか。
• RQ2 観測データ（部分観測または完全観測）から時変分岐確率と分裂率を正確に推定できるか。
• RQ3 前方アルゴリズムベースの尤度フレームワークは、生存幹細胞と非生存幹細胞が別々に観測されない場合にパラメータ推定を可能にするか。
• RQ4 時変分裂ダイナミクス下で自己再生細胞集団の枯渇動態と停止時刻特性はどうなるか。

主な発見

• モデルは解析モーメントを得る： E[X(t)]=S0 exp{ r ∫0^t [p1(u)-p3(u)] du } および Var(X(t))= r S(t)^2 ∫0^t [p1(u)+p3(u)]/S(u) du、Cov(X(t),X(u)) は V(u) によって表される。
• 自己共分散と平均場整合性は、確率過程が決定論的ODE S'(t)= r [p1(t)-p3(t)] S(t) と整合することを示す。
• 停止時の解析は下界 tau_min ≈ (1/r) log(S0) + γ を示し、tau_min を平移したシミュレーション停止時には逆ガウス分布のフィットを支持。
• 前方アルゴリズムベースの尤度により、部分観測下でのパラメータ推定が可能となり、微分方程式/全体最適化と勾配法の精練を組み合わせる。
• シミュレーション結果は、さまざまな構成で時変分裂確率を回復できることを示し、large-S0領域ではほぼ決定論的挙動を示す。

Figure 2: Time-dependent probability functions for division and differentiation events under three Lorentzian parameter configurations. Each panel displays the four probabilities $p_{1}(t),p_{2}(t),p_{3}(t),$ and $p_{4}(t)$ defined in equation ( 1 ).