[논문 리뷰] Determination of Functional Network Structure from Local Parameter Dependence Data

Boris Ν. Kholodenko, Eduardo D. Sontag|ArXiv.org|2002. 05. 02.

Bioinformatics and Genomic NetworksBiochemistry, Genetics and Molecular Biology참고 문헌 4인용 수 21

한 줄 요약

이 논문은 정적 상태에서의 국소적 매개변수 민감도 데이터로부터 동적 시스템의 기능적 상호작용 네트워크를 복원하는 방법을 제안한다. 알려진 구조적 제약(어느 매개변수가 어떤 식에 직접적인 영향을 미치는지)과 민감도 벡터 및 시스템의 야코비안 행벡터 간의 수직성 조건을 활용하여, 스칼라 배수를 제외한 야코비안 행렬을 복원함으로써 생화학적 및 기타 복잡한 네트워크에서 상호작용 구조와 상대적 영향력 강도를 추론할 수 있다.

ABSTRACT

In many applications, such as those arising from the field of cellular networks, it is often desired to determine the interaction (graph) structure of a set of differential equations, using as data measured sensitivities. This note proposes an approach to this problem.

연구 동기 및 목표

• 함수 형태가 알려지지 않은 미분방정식 시스템의 상호작용 그래프와 상대적 영향력 강도를 추론하고자 한다.
• 정적 상태에서의 국소 민감도 데이터만을 사용하여 시스템의 야코비안 행렬을 스칼라 배수까지 복원하고자 한다.
• 어느 매개변수가 어떤 식에 직접적인 영향을 미치는지에 대한 사전 지식(구조적 제약)을 활용하여 민감도 기반 야코비안 복원의 본질적 모호성을 해결하고자 한다.
• 시간 도함수 민감도와 고차원 공간에서의 수직성을 활용하여 비정적 상태 데이터로도 이 방법을 확장하고자 한다.

제안 방법

• 실험적 민감도 데이터 Σ를 사용하며, 여기서 σkj = ∂ξk/∂pj(ṗ)는 정적 상태에서 농도가 매개변수 변화에 따라 어떻게 변하는지를 나타낸다.
• 구조적 가정을 적용: 각 식 i에 대해, 일부 매개변수 집합 Si는 fi에 직접적인 영향을 주지 않으며, j ∈ Si 이면 ∂fi/∂pj(ẋ,ṗ) = 0 임을 안다.
• 야코비안 행벡터 Ai가 모든 j ∈ Si 에 대해 민감도 벡터 Γj = ∂ξ/∂pj(ṗ) 와 수직이어야 하므로, Ai · Γj = 0 인 조건을 도출한다.
• 민감도 벡터 집합 {Γj | j ∈ Si} 가 생성하는 선형 부분공간 Ki 내에서 수직 조건을 만족시키는 방식으로 Ai를 스칼라 배수까지 복원하며, 이때 dim(Ki) ≥ n−1 이라고 가정한다.
• 비정적 상태로 확장하기 위해 시간 도함수 민감도 ηij = ∂²ξi/∂t∂pj 를 포함하여 증강된 벡터 Σij = (ηij, σ1j, ..., σnj) 를 구성한다.
• 벡터 [−1, Ai] 가 {Σij | j ∈ Si} 가 생성하는 부분공간 Hi 와 수직이 되도록 하여 Ai 를 제약하며, 일반성 조건(예: dim(Hi) = n) 하에서 유일성이 보장된다.

실험 결과

연구 질문

• RQ1 정적 상태에서의 국소 민감도 데이터로부터 미분방정식 시스템의 기능적 상호작용 구조를 추론할 수 있는가?
• RQ2 어느 매개변수가 어떤 식에 직접적인 영향을 미치는지에 대한 사전 지식를 어떻게 활용하여 민감도 기반 야코비안 복원의 모호성을 해결할 수 있는가?
• RQ3 민감도 데이터로부터 야코비안을 스칼라 배수까지 복원하기 위해 필요한 최소한의 구조적 가정은 무엇인가?
• RQ4 시간 도함수 민감도를 활용하여 비정적 상태 측정치로도 이 방법을 확장할 수 있는가?
• RQ5 수직 조건이 야코비안 행벡터를 유일하게 결정하는 조건은 무엇인가?

주요 결과

• 민감도 데이터 Σ 와 매개변수 의존성에 대한 구조적 제약 조건만을 사용하여 야코비안 행벡터 Ai 를 스칼라 배수까지 복원할 수 있다.
• 이 방법은 fi 에 직접적인 영향을 미치지 않는 매개변수 j 에 대해 야코비안 행벡터 Ai 와 민감도 벡터 Γj 간의 수직성을 기반으로 한다.
• 관련 민감도 벡터가 생성하는 부분공간 Ki 의 차원이 적어도 n−1 이상이면, Ai 는 스칼라 배수까지 유일하게 결정된다.
• 비정적 상태 데이터의 경우, 증강된 벡터 Σij = (ηij, σ1j, ..., σnj) 를 사용하여 [−1, Ai] 가 부분공간 Hi 와 수직이 되도록 조건을 강제한다.
• 일반성 조건(예: dim(Hi) = n) 하에서 벡터 [−1, Ai] 는 유일하게 결정되며, 이는 상호작용 구조의 완전한 복원을 가능하게 한다.
• 이 접근법은 작은 오차에 대해 강건하며, 정확한 도함수 대신 유한 차분을 사용하여 구현 가능하다.