[論文レビュー] Haploid-Diploid Evolution: Nature's Memetic Algorithm

Michail‐Antisthenis Tsompanas, Larry Bull+2 more|arXiv (Cornell University)|Nov 13, 2019

Evolution and Genetic Dynamics被引用数 4

ひとこと要約

本稿では、真核生物のライフサイクルに着想を得て、ドミナント表現型と再結合を通じてベイドウィン効果を活用する、新規のメタヒューリスティックアルゴリズム、単倍体・二倍体遺伝的アルゴリズム（HDEA）を提案する。2つの単倍体ゲノムの複合的評価としてのフィットネス評価により、HDEAは粗いフィットネスランドスケープ上でも、標準的な単倍体遺伝的アルゴリズムよりも優れた探索性能を示し、抽象的なNKモデルとナノ粒子を用いたがん治療の最適化を目的としたPhysiCellシミュレーションの両方で優れた結果を達成した。

ABSTRACT

This paper uses a recent explanation for the fundamental haploid-diploid lifecycle of eukaryotic organisms to present a new memetic algorithm that differs from all previous known work using diploid representations. A form of the Baldwin effect has been identified as inherent to the evolutionary mechanisms of eukaryotes and a simplified version is presented here which maintains such behaviour. Using a well-known abstract tuneable model, it is shown that varying fitness landscape ruggedness varies the benefit of haploid-diploid algorithms. Moreover, the methodology is applied to optimise the targeted delivery of a therapeutic compound utilizing nano-particles to cancerous tumour cells with the multicellular simulator PhysiCell.

研究の動機と目的

• 真核生物に見られる自然な単倍体・二倍体サイクルを模倣することで、探索効率を向上させる新しい進化的計算フレームワークの開発。
• 表現型の可塑性が進化的な道筋に与える影響（ベイドウィン効果）が、二倍体表現型を用いて計算アルゴリズムに組み込まれる方法の調査。
• 本稿で提案するHDEA手法の評価を、抽象的なフィットネスランドスケープ（NKモデル）および複雑な生物学的シミュレータ（PhysiCell）を用いた治療法設計の両方で実施。
• 標準的な単倍体遺伝的アルゴリズムと比較して、二倍体表現型と再結合が最適化性能を向上させるかどうかの検証。
• マルチセルラーなシミュレーション環境下で、HDEAを用いてがん細胞へのナノ粒子送達の最適パラメータを同定すること。

提案手法

• HDEAは、各個体が2つの単倍体ゲノムから構成される二倍体個体を用い、探索空間における解を表現することで、フィットネスランドスケープ上の2点の一般化を可能にする。
• フィットネス評価は、両方の単倍体ゲノムからの寄与を組み合わせ、優性ルールを適用するのではなく、共優性や部分優性のような遺伝子相互作用効果を模倣する。
• 減数分裂による再結合が、繁殖段階で適用され、親のゲノム間の遺伝的混合が可能になり、ハイブリッド特徴を有する新たな二倍体後代が生成される。
• 自然な真核生物のライフサイクルを模倣するために、二倍体選抜と単倍体配偶子形成の段階を交互に繰り返し、二倍体表現を通じた表現型の可塑性を実現する。
• アルゴリズムは、フィットネスランドスケープの粗さを変化させられる調整可能なNKモデルを用いて性能を評価し、がん治療最適化のためのPhysiCellマルチセルラー・シミュレータに適用した。
• 30回の独立実験を用いた非パラメトリック検定（ウィルコクソン符号順位検定）により、HDEAと標準的な単倍体遺伝的アルゴリズムとの間で統計的比較が行われた。

実験結果

リサーチクエスチョン

• RQ1 HDEAは、粗さが異なる抽象的なフィットネスランドスケープ上での標準的な単倍体遺伝的アルゴリズムと比較して、どのように性能を発揮するか？
• RQ2 HDEAにおける二倍体表現型と再結合は、複雑で粗いフィットネスランドスケープ上での探索性能を向上させるために、ベイドウィン効果を効果的に活用できるか？
• RQ3 PhysiCellマルチセルラー・シミュレータ内でのがん細胞へのナノ粒子送達最適化において、HDEAは標準的な遺伝的アルゴリズムを上回る性能を示すか？
• RQ4 HDEA最適化ナノ粒子設計における、最適な治療的成果をもたらす主要パラメータ設定は何か？
• RQ5 複数回の実験において、平均および最良解の質の観点から、HDEAの性能向上は統計的に有意であるか？

主な発見

• NKモデルにおいて、HDEAは標準的な単倍体遺伝的アルゴリズムよりも顕著に高い平均フィットネス値を達成した（p = 0.0256、ウィルコクソン符号順位検定）。
• NKモデルでは最良解に統計的有意差は認められなかった（p = 0.3763）が、最初の10回の実行ではHDEAが顕著に優れた解を発見した（p = 0.0215）。
• PhysiCellシミュレーションでは、フィットネスランドスケープの高い確率的変動にもかかわらず、HDEAはより速くより優れた解に到達した。これは、強靭性と効率性を示している。
• キャリッジ放出O2閾値パラメータが最も影響力が強く、最適解は11 mmHg付近に集中しており、先行研究と整合的であった。
• HDEAの解は、相対的反発力が低く、ワーカーの移動持続時間が高い傾向にあり、特徴的なパラメータ空間の好みを示している。
• ボックスプロットと散布図から、HDEAは特に治療的設計の主要パラメータに関して、より一貫性があり集中したパラメータ分布を生成していることが明らかになった。