[論文レビュー] Learning Structural Changes of Gaussian Graphical Models in Controlled Experiments

Bai Zhang, Yue Wang|arXiv (Cornell University)|Mar 15, 2012

Fault Detection and Control Systems参考文献 18被引用数 39

ひとこと要約

本稿では、制御された実験的条件下におけるガウス graphical モデルの構造的変化を検出するために、l1-regularized 推定を用いた凸最適化フレームワークを提案する。ブロック座標降下法を用いて精度行列の差をモデル化することで、顕著な条件付き独立性のシフトを同定し、生物学的データにおける遺伝子調節ネットワークの再編成を効果的に検出する。得られた結果は生物学的に妥当である。

ABSTRACT

Graphical models are widely used in scienti fic and engineering research to represent conditional independence structures between random variables. In many controlled experiments, environmental changes or external stimuli can often alter the conditional dependence between the random variables, and potentially produce significant structural changes in the corresponding graphical models. Therefore, it is of great importance to be able to detect such structural changes from data, so as to gain novel insights into where and how the structural changes take place and help the system adapt to the new environment. Here we report an effective learning strategy to extract structural changes in Gaussian graphical model using l1-regularization based convex optimization. We discuss the properties of the problem formulation and introduce an efficient implementation by the block coordinate descent algorithm. We demonstrate the principle of the approach on a numerical simulation experiment, and we then apply the algorithm to the modeling of gene regulatory networks under different conditions and obtain promising yet biologically plausible results.

研究の動機と目的

• 制御された実験的条件下におけるガウス graphical モデルの条件付き独立構造の構造的変化を検出すること。
• 環境的または実験的スティミュラスが確率変数間の依存関係にどのように影響を与えるかを特定すること。
• 高次元データから差分 graphical モデルを学習するための効率的でスケーラブルな手法を開発すること。
• 外部干渉による顕著なネットワーク再構成を明らかにすることで、システムの適応を可能にすること。

提案手法

• l1 正則化を用いた差分精度行列推定問題として、構造的変化の検出を定式化する。
• 凸最適化を用いて、差分 graphical モデルの l1-regularized 最尤推定を解く。
• ブロック座標降下法を用いて最適化問題を効率的に解き、高次元設定へのスケーラビリティを実現する。
• 二つの実験的条件下における精度行列の差をスパース行列としてモデル化する。
• 差行列におけるスパarsityを促進するため、fused lasso 型のペナルティを適用し、顕著な構造的変化のみを強調する。
• 得られたスパース差行列を用いて、条件間で追加・削除・変更されたエッジを同定する。

実験結果

リサーチクエスチョン

• RQ1 実験的条件が変化した際、ガウス graphical モデルにおける構造的変化を効果的に検出する方法は何か？
• RQ2 高次元設定において、二つの精度行列の差を推定する最も効率的で正確な方法は何か？
• RQ3 l1-regularized 最適化は、遺伝子調節ネットワークにおける生物学的に意味のある再編成を信頼性高く同定できるか？
• RQ4 提案手法は、既存の手法と比較して、条件付き独立性のシフトを検出する上で優れているか？
• RQ5 制御された生物学的実験において、外部スティミュラスへの応答として顕著なネットワーク変化は何か？

主な発見

• 本手法は、異なる生物学的条件下における遺伝子調節ネットワークの顕著な構造的変化を効果的に検出し、生物学的に妥当なネットワーク再編成を明らかにした。
• l1-regularized 最適化フレームワークは、精度行列のスパース差を同定し、最も関連性のある条件付き独立性のシフトを強調した。
• ブロック座標降下法の実装により、高次元データにおける効率的計算が可能となり、スケーラビリティが確保された。
• 数値シミュレーションにより、本手法が真の構造的変化を高い感度と特異度で回復できることを確認した。
• 実際の遺伝子発現データへの応用により、既知の生物学的経路と整合する条件特異的調節相互作用が明らかになった。