[論文レビュー] Data-driven discovery of chemical reaction networks

Abraham Reyes-Velázquez, Stefan Güttel+2 more|arXiv (Cornell University)|Feb 12, 2026

Gene Regulatory Network Analysis被引用数 0

ひとこと要約

A unified SINDy-based framework automatically reconstructs full chemical reaction networks from concentration data using integral formulations, with theoretical error bounds and improved noise robustness.

ABSTRACT

We propose a unified framework that allows for the full mechanistic reconstruction of chemical reaction networks (CRNs) from concentration data. The framework utilizes an integral formulation of the differential equations governing the chemical reactions, followed by an automatic procedure to recover admissible mass-action mechanisms from the equations. We provide theoretical justification for the use of integral formulations using analytical and numerical error bounds. The integral formulation is demonstrated to offer superior robustness to noise and improved accuracy in both rate-law and graph recovery when compared to other commonly used formulations. Together, our developments advance the goal of fully automated, data-driven chemical mechanism discovery.

研究の動機と目的

• 時系列濃度データから化学反応ネットワーク（CRN）を自動的に発見する動機づけ。
• 推定ODEと許容される質量作用型CRNを結びつけるSINDyベースのパイプラインを開発する。
• 微分SINDyと積分SINDyの2つの定式化を比較し、それぞれの誤差分析を提供する。
• データから化学的に妥当なネットワークを得るためにグラフ復元ステップを自動化する。
• ノイズ頑健性と保存則が同定性に及ぼす影響を評価する。

提案手法

• 質量作用キネティクスでCRNを定式化し、ダイナミクスをODEまたはそのPicard積分形として表現する。
• 選択した次数（p ≤ 2が一般に十分とされる）までのモノミアル項のスパースな辞書を構築する。
• SINDyを適用して辞書項を濃度ダイナミクスに結ぶ係数行列を同定する。
• データを微分して得る微分SINDy（differential SINDy）またはスプライン補間後に辞書項を積分する積分SINDyを導入する。
• 推定ODEから適合可能なCRNグラフを凸最適化の後処理ステップで自動的に再構成する。
• 微分と積分の理論的誤差境界を提供し、ノイズ、サンプリング、ランク欠陥が回復に与える影響を分析する。

実験結果

リサーチクエスチョン

• RQ1 データ駆動フレームワークは濃度時系列から反応速度則と基盤となるCRNグラフの両方を回復できるか。
• RQ2 積分形がノイズ頑健性と再構成精度において微分形式より有利な点を提供するか。
• RQ3 スパースODEモデルを自動的に適合する質量作用型CRNに変換する方法は。
• RQ4 ノイズと離散化の下で微分SINDyと積分SINDyを使用する場合の誤差境界は。
• RQ5 保存則と多実験データは同定性と回復問題のランクにどう影響するか。

主な発見

• 積分SINDyの定式化はノイズに対する頑健性が高く、反応速度則とネットワーク構造の回復精度が微分形式より優れている。
• 自動後処理ステップは、スパースODEモデルを凸最適化を用いて適合可能な質量作用型CRNへ変換し、閉ループネットワークでは完全自動化、開ループ系では最小限のユーザー入力で実現可能。
• 微分・積分の両方の定式化に対する解析的・数値的誤差境界を提供し、積分定式化が累積的数値誤差と回帰誤差を低減することを示す。
• 多実験データを用いると辞書ランクが向上し、保存則によるランク欠陥の影響を緩和できる。
• このフレームワークは、スパース系識別、化学ネットワーク再構成、および厳密な誤差分析を一つの統合アプローチで統合する。