[論文レビュー] Saturation Probabilities of Continuous-Time Sigmoidal Networks

Randall D. Beer, Bryan C. Daniels|arXiv (Cornell University)|Oct 8, 2010

Gene Regulatory Network Analysis参考文献 28被引用数 4

ひとこと要約

本稿では、連続時間シグモイドネットワーク（CTSN）におけるM次元ダイナミクスが観測される確率を分析するための確率的フレームワークを提案する。数値的手法と閉形式近似の両方を用い、飽和確率（ダイナミクスが低次元多様体に制限される確率）がネットワークサイズN、目的次元M、パラメータ範囲に強く依存することを明らかにした。これにより、CTSNのパrameter空間の構造的組織についての知見が得られた。

ABSTRACT

From genetic regulatory networks to nervous systems, the interactions between elements in biological networks often take a sigmoidal or S-shaped form. This paper develops a probabilistic characterization of the parameter space of continuous-time sigmoidal networks (CTSNs), a simple but dynamically-universal model of such interactions. We describe an efficient and accurate method for calculating the probability of observing effectively M-dimensional dynamics in an N-element CTSN, as well as a closed-form but approximate method. We then study the dependence of this probability on N, M, and the parameter ranges over which sampling occurs. This analysis provides insight into the overall structure of CTSN parameter space.

研究の動機と目的

• 連続時間シグモイドネットワーク（CTSN）のパrameter空間を特徴づけること。CTSNはシグモイドダイナミクスを用いて生物学的相互作用をモデル化する。
• N要素のCTSNにおいて、有効にM次元ダイナミクスが観測される確率を定量化すること。
• この確率がネットワークサイズN、目的次元M、パラメータサンプリング範囲にどのように依存するかを理解すること。
• 飽和確率を計算するための正確な数値的手法と近似解析的手法の両方を提供すること。
• ダイナミカルな複雑性と次元性に影響を与える、CTSNパラメータ空間の構造的パターンを明らかにすること。

提案手法

• 著者らは、生物学的調節および神経相互作用を表現するため、シグモイド関数を用いた連続時間力学系としてCTSNをモデル化する。
• 飽和を、系のダイナミクスがM次元部分空間（M < N）に制限される状態として定義する。
• パラメータ空間をサンプリングし、定常状態におけるヤコビ行列のランクを評価することで、M次元ダイナミクスが観測される確率を効率的に計算する数値的手法を開発する。
• シグモイド関数が中央部ではほぼ線形であり、端で飽和することを仮定し、これに基づいて飽和確率の解析的推定を可能にする閉形式近似を導出する。
• パラメータ範囲を考慮し、組み合わせ論的推論を用いてM次元ダイナミクスをもたらすパラメータ空間の割合を推定する。
• 広範なシミュレーションと数値結果と解析的結果の比較を通じて、分析の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 N要素の連続時間シグモイドネットワークにおいて、M次元ダイナミクスが観測される確率は何か？
• RQ2 この飽和確率は、ネットワークサイズNと目的次元Mにどのように変化するか？
• RQ3 この飽和確率は、ネットワークでサンプリングされるパラメータ値の範囲に対してどれほど感度を示すか？
• RQ4 閉形式近似は、真の飽和確率をどれくらい正確に反映しているか？
• RQ5 CTSNパラメータ空間のどの構造的特徴が、ダイナミクス次元の低減確率を高めたり低くしたりするか？

主な発見

• N要素のCTSNにおいてM次元ダイナミクスが観測される確率は、MがNに近い場合を除き、Mが増加するにつれて急激に減少する。
• Mを固定した場合、パラメータ範囲が広いほど飽和確率が上昇し、広いパラメータチューニングが低次元ダイナミクスの実現確率を高めることを示している。
• 閉形式近似は、シグモイド関数が非常に非線形である（すなわち、飽和付近である）領域で、数値結果と強い一致を示している。
• 数値的手法により、パラメータ空間が強く構造化されており、高飽和確率領域がパラメータ空間全体にわたり複雑で非一様なパターンを形成することが明らかになった。
• 単純なCTSNにおいても、パラメータ設定の大部分が低次元多様体に制限されたダイナミクスをもたらすことが示され、生物学的ネットワークにおける本質的な次元削減が生じることを示唆している。
• 結果から、生物学的ネットワークがシグモイド的相互作用とパラメータ制約の影響を受けるため、自然に低次元ダイナミクス領域で動作している可能性が示唆された。