[論文レビュー] Automated Discovery of Interactions and Dynamics for Large Networked Dynamical Systems

Yan Zhang, Yu Guo+4 more|arXiv (Cornell University)|Jan 1, 2021

Gene Regulatory Network Analysis参考文献 66被引用数 5

ひとこと要約

本稿では、ベルヌーイネットワーク生成機とマルコフ動的学習機を用いて、大規模なネットワーク化動的システムにおけるネットワーク構造とダイナミクスの自動発見を統合的フレームワークAIDDとして提案する。本手法は、隠れたノードを同定し、ノイズが多く欠損のあるデータから実際の遺伝子調節ネットワークを再構築することができ、学習モデルおよび真値モデルの両方に対して制御実験によりモデルの正確性を検証した。

ABSTRACT

Understanding the mechanisms of complex systems is very important. Networked dynamical system, that understanding a system as a group of nodes interacting on a given network according to certain dynamic rules, is a powerful tool for modelling complex systems. However, finding such models according to the time series of behaviors is hard. Conventional methods can work well only on small networks and some types of dynamics. Based on a Bernoulli network generator and a Markov dynamics learner, this paper proposes a unified framework for Automated Interaction network and Dynamics Discovery (AIDD) on various network structures and different types of dynamics. The experiments show that AIDD can be applied on large systems with thousands of nodes. AIDD can not only infer the unknown network structure and states for hidden nodes but also can reconstruct the real gene regulatory network based on the noisy, incomplete, and being disturbed data which is closed to real situations. We further propose a new method to test data-driven models by experiments of control. We optimize a controller on the learned model, and then apply it on both the learned and the ground truth models. The results show that both of them behave similarly under the same control law, which means AIDD models have learned the real network dynamics correctly.

研究の動機と目的

• 時間系列観測から未知のネットワーク構造とダイナミクスを大規模で複雑なシステムから発見する課題に対処すること。
• さまざまなネットワークトポロジーと動的挙動を扱えるスケーラブルな手法の開発。
• ノイズが多く欠損のあるデータから、実世界の生物学的ネットワーク（遺伝子調節ネットワークなど）を再構築すること。
• 制御に基づく実験を用いてデータ駆動型モデルの正確性を検証し、真のシステムダイナミクスとの整合性を確認すること。

提案手法

• 未知のネットワークトポロジーをモデル化するため、ベルヌーイネットワーク生成機を用い、可能な相互作用構造の確率的探索を可能にする。
• 時間系列観測データに基づいて、ノード状態遷移を支配する動的ルールをマルコフ動的学習機が同定する。
• フレームワークは、時間系列観測からネットワーク構造とその背後にあるダイナミクスを同時に推論する。
• 最適化されたコントローラーを学習モデルに適用し、学習モデルおよび真値モデルの両方に対して制御を実行し、モデルの正確性をテストする。
• 制御に基づく検証では、同一の制御入力に対して学習モデルが真のシステムの挙動をどれだけ再現できるかを評価する。
• 数千ノードを含む大規模システムおよび隠れた観測不能ノードを含むシステムに対しても対応可能に設計されている。

実験結果

リサーチクエスチョン

• RQ1 統合的フレームワークは、時間系列データから大規模で複雑なシステムにおけるネットワーク構造とダイナミクスを同時に発見できるか？
• RQ2 ノイズが多く欠損のあるデータから、フレームワークは実際の遺伝子調節ネットワークをどれほど正確に再構築できるか？
• RQ3 外部制御が加えられた場合、学習モデルは真のシステムの挙動を正確に再現できるか？
• RQ4 制御に基づく検証手法は、推定されたダイナミクスの正しさをどの程度確認できるか？

主な発見

• AIDDは、数千ノードを有する大規模システムにおけるネットワーク構造とダイナミクスの推論に成功した。
• ノイズが多く欠損があり、撹乱が加えられたデータから、実際の遺伝子調節ネットワークを再構築でき、現実の状況に近い条件を再現した。
• 同一の制御則が適用された際、学習モデルは真値モデルの挙動を正確に再現した。
• 制御に基づく検証により、AIDDモデルが真の背後にあるダイナミクスを捉えていることが示され、モデルの忠実性が確認された。
• 本手法は多様なネットワーク構造と動的タイプに有効であり、広範な適用可能性を示した。
• システム内の隠れたノードが、発見プロセスの一部として成功裏に同定された。