[論文レビュー] Flexible model selection for mechanistic network models

Sixing Chen, Antonietta Mira+1 more|arXiv (Cornell University)|Apr 1, 2018

Markov Chains and Monte Carlo Methods参考文献 45被引用数 4

ひとこと要約

本稿では、シミュレータベース推論とSuper Learnerを用いて、ネットワーク要約統計量に基づき、尤度が計算不能なメカニズム的ネットワークモデルのための尤度フリーなモデル選択フレームワークを提案する。ABCとアンサンブル学習を組み合わせることで、尤度が計算不能な状況下でも、不確実性を定量的に評価できる堅牢なモデル選択が可能となり、ユリウスのタンパク質間相互作用ネットワークにおいて優れた性能を示した。

ABSTRACT

Network models are applied across many domains where data can be represented as a network. Two prominent paradigms for modeling networks are statistical models (probabilistic models for the observed network) and mechanistic models (models for network growth and/or evolution). Mechanistic models are better suited for incorporating domain knowledge, to study effects of interventions (such as changes to specific mechanisms) and to forward simulate, but they typically have intractable likelihoods. As such, and in a stark contrast to statistical models, there is a relative dearth of research on model selection for such models despite the otherwise large body of extant work. In this paper, we propose a simulator-based procedure for mechanistic network model selection that borrows aspects from Approximate Bayesian Computation (ABC) along with a means to quantify the uncertainty in the selected model. To select the most suitable network model, we consider and assess the performance of several learning algorithms, most notably the so-called Super Learner, which makes our framework less sensitive to the choice of a particular learning algorithm. Our approach takes advantage of the ease to forward simulate from mechanistic network models to circumvent their intractable likelihoods. The overall process is flexible and widely applicable. Our simulation results demonstrate the approach's ability to accurately discriminate between competing mechanistic models. Finally, we showcase our approach with a protein-protein interaction network model from the literature for yeast (Saccharomyces cerevisiae).

研究の動機と目的

• 尤度が計算不能なメカニズム的ネットワークモデルのためのモデル選択手法の不足に対処すること。
• 尤度の計算が困難な状況を回避するために前向きシミュレーションを活用する柔軟な、シミュレーションベースのアプローチを開発すること。
• アンサンブル学習とABCの原則を用いて、モデル選択における不確実性の定量的評価を統合すること。
• 個々の学習アルゴリズムの選択に依存しにくくするため、Super Learnerフレームワークを用いること。
• 本手法の有効性を実世界の生物学的ネットワーク—ユリウスのタンパク質間相互作用データ—に対して実証すること。

提案手法

• 候補となるメカニズム的ネットワークモデルからの前向きシミュレーションを用いて、合成ネットワークデータを生成する。
• ネットワークの要約統計量に基づき、ネットワークを分類するため、Super Learnerアルゴリズムを適用し、観察されたネットワークを最もよく予測するモデルを選択する。
• 要約統計量は、候補モデル間の差を反映させるために分野の知識を用いて選定する。
• モデルのキャリブレーションは、シミュレートされたネットワークと観察されたネットワークの間で、重要なネットワーク特性（例：次数分布、クラスタリング係数）を一致させることで行う。
• 十分統計量への依存を避けるために、機械学習を用いて、シミュレートされたデータから最適な識別的特徴を学習する。
• Super Learnerのアンサンブル予測性能と交差検証を用いて、モデル選択の不確実性を定量的に評価する。

実験結果

リサーチクエスチョン

• RQ1 シミュレーションベースで尤度フリーな手法は、候補モデルの集合から最も適切なメカニズム的ネットワークモデルを正確に選択できるか？
• RQ2 本手法の性能は、従来のABCに基づくモデル選択と比較して、正確性とロバスト性の面で優れているか？
• RQ3 Super Learnerフレームワークは、個々の分類アルゴリズムの選択に対する感受性をどの程度低減するか？
• RQ4 生成ルールのわずかな違いを持つメカニズム的モデルを、本手法はどの程度正確に区別できるか？
• RQ5 本手法は、ユリウスのタンパク質間相互作用ネットワークのような実世界の生物学的ネットワークデータに効果的に適用できるか？

主な発見

• 提案手法は、シミュレーション研究において、競合するメカニズム的ネットワークモデルを高い正確性で区別できた。
• Super Learnerの使用により、最良のアルゴリズムを事前に選択する必要がなく、複数の学習アルゴリズムを組み合わせることで、モデル選択のロバスト性が著しく向上した。
• 前向きシミュレーションと要約統計量に依存することで、尤度が計算不能な状況を効果的に扱い、解析的尤度の計算を回避した。
• 次数分布やトランジティビティ（結合係数）などの重要なネットワーク特性を一致させることで、モデルキャリブレーションを実施し、シミュレートされたネットワークと観察データが比較可能になるようにした。
• モデル選択における不確実性を定量的に評価でき、選択されたモデルに対する信頼性を提供した。
• 本手法は実世界のユリウスのタンパク質間相互作用ネットワークに成功裏に適用され、システム生物学分野における実用的有用性を示した。