[論文レビュー] Graphical continuous Lyapunov models

Gherardo Varando, Niels Richard Hansen|arXiv (Cornell University)|May 21, 2020

Gene Regulatory Network Analysis参考文献 24被引用数 5

ひとこと要約

本稿では、連続リャプノフ方程式 $B\Sigma + \Sigma B^T + C = 0$ を用いて平衡共分散行列をパラメータ化する図的連続リャプノフモデルを導入し、確率的システムにおけるフィードバックプロセスの図的モデリングを可能にする。著者らは構造学習のための $\ell_1$-正則化損失最小化法を開発し、シミュレーションにおいて既存手法を上回る性能を示し、実データからのタンパク質リン酸化ネットワークの再構築にも成功した。

ABSTRACT

The linear Lyapunov equation of a covariance matrix parametrizes the equilibrium covariance matrix of a stochastic process. This parametrization can be interpreted as a new graphical model class, and we show how the model class behaves under marginalization and introduce a method for structure learning via $\ell_1$-penalized loss minimization. Our proposed method is demonstrated to outperform alternative structure learning algorithms in a simulation study, and we illustrate its application for protein phosphorylation network reconstruction.

研究の動機と目的

• フィードバックループを有する確率過程における平衡共分散行列を表現するため、連続リャプノフ方程式に基づく新しいグラフィカルモデルのクラスを開発すること。
• リャプノフパラメータ化のためのグラフィカルフレームワークを確立し、トレクルールおよびマージナライズドモデルのためのグラフィカルプロジェクションを含めること。
• 効率的な最適化を伴う $\ell_1$-正則化損失最小化を用いて、グラフの有向部分の構造学習アルゴリズムを提案すること。
• 本手法の有効性を、特にサイクルを含む状況下でも既知の生物学的ネットワーク構造の回復において示すこと。
• ARACNe やグラフィカルラasso などの既存手法がフィードバックプロセスをモデル化できないという限界を克服すること。

提案手法

• 平衡共分散行列 $\Sigma$ を連続リャプノフ方程式 $B\Sigma + \Sigma B^T + C = 0$ の解としてパラメータ化し、$B$ と $C$ がグラフィカル構造を符号化すること。
• $B$（有向辺）と $C$（双方向辺）のスパarsity パatters を表現するための混合グラフを用い、$B$ が安定であること（すべての固有値が開左半平面内）を要件とする。
• 古典的なトレクルールを連続時間設定に拡張し、モデル内の条件付き独立制約を特徴付けるトレクルールに基づくグラフィカル表現を開発すること。
• マージナライズドモデルを解として持つリャプノフ方程式を介してパラメータ化するためのグラフィカルプロジェクション法を導入し、マージナライゼーション下での一貫性のある推論を可能にする。
• $B$ のスパース構造を学習するため、フロベニウスノルムとガウス尤度損失の両方を用いた $\ell_1$-正則化最適化フレームワークを実装すること。
• 特に大規模システムにおいて高速化するため、随伴リャプノフ方程式を用いた効率的なヤコビアン計算を伴うプロキシマル勾配法を用いる。

実験結果

リサーチクエスチョン

• RQ1 連続リャプノフ方程式を用いて、確率的システムにおけるフィードバックプロセスを自然に表現する新しいグラフィカルモデルのクラスを定義できるか？
• RQ2 トレクルールおよびグラフィカル分離基準を連続リャプノフモデルに適応させ、条件付き独立性を特徴付けるにはどうすればよいか？
• RQ3 リャプノフパラメータ化下でのマージナライズドモデルは、別のリャプノフ方程式によって一貫して表現可能か？
• RQ4 $\ell_1$-正則化損失最小化が、このモデルクラスの既存の構造学習アルゴリズムを上回る性能を示すか？
• RQ5 本手法は、断面データからタンパク質リン酸化シグナル伝達などの既知の生物学的ネットワーク構造を効果的に回復できるか？

主な発見

• シミュレーション研究において、提案手法の $\ell_1$-正則化負の対数尤度法は、フロベニウスノルム損失最小化および Fitch (2019) の手法を上回り、真のグラフ構造の回復が改善された。
• Sachs et al. (2005) のタンパク質リン酸化ネットワークから、18個の既知の相互作用のうち8つが正しく再構築され、PKA→Mek、PKC→p38、PLC→PIP2 などの主要な制御経路が含まれた。
• 推定されたグラフは生物学的に妥当なサイクルを回復しており、PLC↔PIP2、JNK↔PKC↔p38、Mek↔Raf などのサイクルが、先行研究と整合的であった。
• 安定性選択を用いたデータ分割にさらされても、200回のランダム分割のうち少なくとも85％の確率で出現するエッジは信頼できるとされた。
• ガウス尤度損失の使用は、特に高次元設定下で、フロベニウスノルムよりも構造学習の精度を高めた。
• 最適化フレームワークは計算的に効率的であり、特に大規模システムでは Fitch (2019) の手法と同等またはそれを上回る性能を示した。