[論文レビュー] Algebraic Methods for Inferring Biochemical Networks: a Maximum Likelihood Approach

Gheorghe Crăciun, Casian Pantea+1 more|ArXiv.org|Oct 3, 2008

Gene Regulatory Network Analysis参考文献 6被引用数 4

ひとこと要約

本稿では、ノイズが混じった反応速度推定値を有する複数の実験データセットから、代数的統計的手法を用いた最尤推定法を提案し、最も可能性の高い生化学反応ネットワーク構造を同定する。反応ベクトルとその凸包の幾何的性質を活用することで、観測データを最もよく説明する最小の反応集合を特定し、複雑で高次元なネットワークにおいてもほぼ完璧な正確性を達成する。

ABSTRACT

We present a novel method for identifying a biochemical reaction network based on multiple sets of estimated reaction rates in the corresponding reaction rate equations arriving from various (possibly different) experiments. The current method, unlike some of the graphical approaches proposed in the literature, uses the values of the experimental measurements only relative to the geometry of the biochemical reactions under the assumption that the underlying reaction network is the same for all the experiments. The proposed approach utilizes algebraic statistical methods in order to parametrize the set of possible reactions so as to identify the most likely network structure, and is easily scalable to very complicated biochemical systems involving a large number of species and reactions. The method is illustrated with a numerical example of a hypothetical network arising form a "mass transfer"-type model.

研究の動機と目的

• 質量作用則に基づく力学モデルにおいて、異なる反応ネットワークが同一のダイナミクスを生じるという、生化学的ネットワーク同定可能性の根本的課題に取り組む。
• 反応速度パrameterが実験的条件下で変動する場合に生じるネットワーク構造の曖昧性を解消するため、決定論的手法の限界を克服し、統計的推論を組み込む。
• 反応ベクトルの幾何的構造とその凸包を活用して、ノイズが混じった多条件実験データから最も可能性の高いネットワークを推定するスケーラブルな手法を開発する。
• 推定された速度定数を反応ベクトルが張る凸領域にマッピングすることで、多様な実験データセットを統合し、異種のデータソースを統一する。
• 合成データを用いた数値実験を通じて、本手法の実現可能性と正確性を示し、ネットワークの複雑性が増大しても正しく反応ネットワークを同定する高い成功率を示す。

提案手法

• 本手法は、反応ベクトルによって定義される錐構造として反応ネットワークをモデル化し、各ベクトルが種の濃度変化に対応すると仮定する。
• 実験的反応速度パrameter推定値がd次元空間内の点の集合を形成すると仮定し、これを反応ベクトルの凸包にマッピングする。
• コアとなる推論技法は、ネットワークの多項式パrameter化であり、特定の錐内に観測点が現れる確率を統計モデルとして扱う。
• 最尤推定（MLE）フレームワークを用いて、観測データ点の凸包を張る最も可能性の高い反応部分集合を推定する。
• 局所最適解を避けるために、ランダムな初期値から複数回最適化を実行し、真の反応集合に収束した場合を成功と定義する。
• モンテカルロ法を用いて、幾何的構造内の錐およびブロックの相対体積を計算し、候補となるネットワークの統計的評価を支援する。

実験結果

リサーチクエスチョン

• RQ1 決定論的手法が構造的曖昧性のため失敗する状況において、幾何的制約に基づく統計的アプローチが、生化学的反応ネットワークの同定可能性を向上させ得るか？
• RQ2 反応速度パrameterが異なる複数のノイズ混じりの実験データセットを、どのように統合して1つの最も可能性の高いネットワーク構造を同定できるか？
• RQ3 候補反応数の増加に伴い、本手法が正確性とスケーラビリティをどの程度維持できるか？
• RQ4 高次元ネットワーク推定問題において、本手法が正しい反応と誤った反応を効果的に区別できるか？
• RQ5 ネットワークの複雑性とデータノイズの増大に伴い、アルゴリズムの性能はどのように変化するか？

主な発見

• 数値例（7）の16回の試行すべてで、本手法は正しいネットワーク構造を同定し、100％の成功率を達成した。アルゴリズムは真の反応集合（ターゲット1〜4）に収束し、誤った反応（ターゲット5）を正しく除外した。
• 全9反応（うち5つが正しい、最大4つが誤り）のネットワークにおいても、複数回の試行を通じて94〜100％の高い正確性を維持した。
• 計算時間はネットワークサイズの増大に伴い著しく増加した。9反応のネットワーク（2397ブロック）では8時間55分を要し、高次元性に伴うスケーラビリティの課題が明らかになった。
• 初期条件に対して頑健であることが示された。m=8の場合は98％、m=9の場合は96％の成功率を示し、候補反応の組み合わせ数の増加にもかかわらず高い性能を維持した。
• 特に反応ベクトルの凸包という幾何的構造を効果的に活用することで、複数の反応集合が類似したダイナミクスを生じる場合でも、ネットワーク構造を同定できた。
• 結果から、データ点が明確な錐に分布する場合に本手法が特に有効であり、多項式パrameter化により測定ノイズが存在する中でも信頼性の高い統計的推論が可能であることが示唆された。