[論文レビュー] Differentiable Programming of Indexed Chemical Reaction Networks and Reaction-Diffusion Systems

Alexander Dack, Benjamin Qureshi+1 more|arXiv (Cornell University)|Jun 5, 2024

Gene Regulatory Network Analysis被引用数 1

ひとこと要約

本稿では、パーセプトロンに基づく再帰的人工ニューラルネットワークを化学反応ネットワークに埋め込むことで、振動、マルチスタビリティ、カオスといった任意の動的挙動を模倣する、完全に化学的なシステムである再帰的ニューラル化学反応ネットワーク（RNCRNs）を提案する。著者らは、十分な数の化学的パーセプトロンと高速な反応速度を備えた場合、RNCRNsが任意の滑らかな動的システムを体系的に近似可能であることを証明し、DNAストランドディスプラセメント技術を用いた実験的に実現可能な実装を示している。

ABSTRACT

Many important phenomena in biochemistry and biology exploit dynamical features such as multi-stability, oscillations, and chaos. Construction of novel chemical systems with such rich dynamics is a challenging problem central to the fields of synthetic biology and molecular nanotechnology. In this paper, we address this problem by putting forward a molecular version of a recurrent artificial neural network, which we call recurrent neural chemical reaction network (RNCRN). The RNCRN uses a modular architecture - a network of chemical neurons - to approximate arbitrary dynamics. We first prove that with sufficiently many chemical neurons and suitably fast reactions, the RNCRN can be systematically trained to achieve any dynamics. RNCRNs with relatively small number of chemical neurons and a moderate range of reaction rates are then trained to display a variety of biologically-important dynamical features. We also demonstrate that such RNCRNs are experimentally implementable with DNA-strand-displacement technologies.

研究の動機と目的

• 振動、マルチスタビリティ、カオスといった非平衡的で複雑な動的挙動を再現できる合成化学系の設計という課題に取り組む。
• 従来の神経化学反応ネットワークは静的（平衡）出力に限定されており、時間変化する動的挙動をモデル化できないという制限を克服する。
• DNAストランドディスプラセメントなどの既存の分子技術を用いて実験的に実現可能な、完全に化学的で学習可能なシステムを開発する。
• ネットワークサイズと反応速度の適切な条件下で、RNCRNsが任意の滑らかな動的システムを普遍的に近似可能であるという理論的保証を確立する。

提案手法

• 実行種（目的の動的挙動を表す）と化学的パーセプトロン（質量作用則に基づく再帰的ニューラルネットワークの動的挙動を実装する）から成るモジュラーなアーキテクチャを提案する。
• 2段階の訓練手順を採用する：まず、重みとバイアスの最適化による損失最小化により、定常状態挙動を近似する準静的近似段階を実施し、次に、時間発展する軌道に一致させるための動的近似段階を実施する。
• 時間間隔Tにおける目標システムの軌道とRNCRN出力との間のL2差に基づく損失関数を用い、静的および動的近似のそれぞれに別々の許容誤差を設定する。
• 化学的パーセプトロンの反応速度を制御するための速度制御パrameter µ を導入し、目標動的挙動に対して準静的状態で動作するように保証する。
• 数値積分（例：ルンゲ・クッタ法）を用いて、目標動的システムとRNCRNの両方をシミュレートし、ネットワークパラメータのバックプロパゲーションに類似した最適化を可能にする。
• RNCRNの成分をDNAストランドディスプラセメント反応にマッピングすることで、実験的実現可能性を示している。これには、トーヒルドを介したストランド交換と、トーヒルドスイッチ論理が含まれる。

実験結果

リサーチクエスチョン

• RQ1 振動やカオスといった複雑な特徴を有する、任意の滑らかな動的システムを体系的に近似可能な完全に化学的なシステムを設計できるか？
• RQ2 目標動的挙動を正確に近似するには、何体の化学的パーセプトロンとどの程度の反応速度が必要か？
• RQ3 RNCRNsは初期条件の小さな摂動に対してロバストであるか、それとも吹き飛びや不安定性を示すか？
• RQ4 DNAストランドディスプラセメントなどの既存の分子技術を用いてRNCRNsを実験的に実現可能か？

主な発見

• 十分に多くの化学的パーセプトロンを用い、反応が十分に速い場合、RNCRNsは任意の滑らかな目標動的システムを普遍的に近似可能である。
• 中程度の化学的パーセプトロン数と1–100 s⁻¹の反応速度範囲を用いることで、RNCRNsはリミットサイクル、マルチスタビリティ、カオス的アトラクタといった複雑な動的挙動を成功裏に再現した。
• 初期条件の摂動に対して高い感度を示した：η = 10%を超えると、目標平衡状態から±π/4の範囲に収束する系の割合が急激に低下し、η = 46%では補助種の吹き飛びが最大40%の確率で発生した。
• 参照系（49）が不安定であるのとは対照的に、RNCRN実装は同じ条件下でも化学的に安定であり、吹き飛びを示さなかった。これにより、同様の条件下でもロバスト性が確認された。
• RNCRNアーキテクチャはDNAストランドディスプラセメントを用いて実験的に実現可能であり、トーヒルドスイッチ、ストランドディスプラセメントカスケード、フィードバックループといったすべての必須要素が、現在の技術的水準で実現可能である。
• 2段階の訓練アルゴリズムは、動的近似誤差εD < εDしきい値を満たす解に収束した。これにより、RNCRNsが複雑な時間発展挙動を正確に再現できる訓練の可能性が裏付けられた。