[논문 리뷰] matLeap: A fast adaptive Matlab-ready tau-leaping implementation suitable for Bayesian inference

Justin Feigelman, Stefan Ganscha외 1명|arXiv (Cornell University)|2016. 08. 25.

Gene Regulatory Network Analysis참고 문헌 8인용 수 3

한 줄 요약

matLeap는 시스템의 강성에 따라 동적으로 스토케스틱 시뮬레이션 알고리즘(SSA), 명시적, 암시적 타우-리프링을 전환하는 빠르고 적응형이며 Matlab 호환성 있는 C++ 구현으로, 비음성 조건을 확보하기 위해 핵심 반응을 활용한다. 이는 효율적인 베이지안 추론을 가능하게 하는 핵심 요약 통계량인 반응 횟수 $ r_i $와 통합 적률 함수 $ G_i $를 유일하게 제공한다. 이로 인해 StochKit 및 SimBiology를 초월하여 최대 350배 빠른 속도를 기록하면서도 높은 정확도를 유지한다.

ABSTRACT

Background: Species abundance distributions in chemical reaction network models cannot usually be computed analytically. Instead, stochas- tic simulation algorithms allow sample from the the system configuration. Although many algorithms have been described, no fast implementation has been provided for τ-leaping which i) is Matlab-compatible, ii) adap- tively alternates between SSA, implicit and explicit τ-leaping, and iii) provides summary statistics necessary for Bayesian inference. Results: We provide a Matlab-compatible implementation of the adap- tive explicit-implicit τ-leaping algorithm to address the above-mentioned deficits. matLeap provides equal or substantially faster results compared to two widely used simulation packages while maintaining accuracy. Lastly, matLeap yields summary statistics of the stochastic process unavailable with other methods, which are indispensable for Bayesian inference. Conclusions: matLeap addresses shortcomings in existing Matlab-compatible stochastic simulation software, providing significant speedups and sum- mary statistics that are especially useful for researchers utilizing particle- filter based methods for Bayesian inference. Code is available for download at https://github.com/claassengroup/matLeap. Contact: [e-mail]

연구 동기 및 목표

• 베이지안 추론에 적합한 빠르고 적응형이며 Matlab 호환 타우-리프링 구현이 부족한 문제를 해결하기 위해.
• 감마 사전 분포 하에서 공액 베이지안 업데이트에 필수적인 반응 횟수 $ r_i $와 통합 적률 함수 $ G_i $를 제공함으로써 효율적인 매개변수 추론을 가능하게 하기 위해.
• 시스템의 강성에 따라 SSA, 명시적, 암시적 타우-리프링 간에 동적으로 전환함으로써 강성 및 비강성 영역 모두에서 정확도와 성능을 향상시키기 위해.
• SimBiology처럼 전체 궤적을 저장하여 매우 느린 기존 도구들과 비교해 계산 오버헤드와 메모리 사용량을 줄이기 위해.
• 복잡한 설정 워크플로우 없이 SBML 모델과 mex 파일 통합을 통해 최소화된 직접 Matlab 인터페이스를 제공함으로써, SimBiology나 StochKit와 달리 별도의 설정이 필요 없는 워크플로우 통합을 가능하게 하기 위해.

제안 방법

• 알고리즘은 반응 적률의 상대적 변화를 기반으로 명시적 또는 암시적 타우-리프링을 적응적으로 선택하며, 핵심 반응이 비음성 위협을 일으키거나 점프 간격이 너무 작아지면 SSA로 전환한다.
• 비음성 조건은 waiting time가 다음 점프 간격과 유사해질 때 SSA로 전환하는 핵심 반응을 통해 강제로 유지된다.
• 암시적 타우-리프링 변형은 반응 적률의 역행렬 야코비안을 사용하며, 이는 Matlab에서 기호적으로 계산해 속도를 높이거나 수치적으로 추정할 수 있다.
• 요약 통계량인 $ r_i $ (발화 횟수)와 $ G_i = \int g_i(X_s) ds $ (통합 적률)는 타우-리프링 동안 트라프레즈로이드 근사로, SSA 동안 정확한 통합으로 계산된다.
• 구현은 C++를 사용해 Eigen과 Boost 라이브러리를 활용해 mex 파일로 컴파일되며, 초기 조건과 매개변수에 대한 행렬 입력을 통해 Matlab에서 직접 호출 가능하다.
• 모델은 libSBML을 사용해 SBML 파일에서 로드되며, 다양한 초기 조건과 매개변수를 가진 배치 시뮬레이션을 지원하는 인터페이스를 제공한다.

실험 결과

연구 질문

• RQ1 Matlab에서 직접 호환되며 베이지안 추론에 적합한 빠르고 적응형 타우-리프링 알고리즘을 구현할 수 있는가?
• RQ2 적응형 명시적-암시적 타우-리프링 방법의 성능 및 정확도는 StochKit 및 SimBiology와 같은 기존 도구와 비교해 어떻게 되는가?
• RQ3 요약 통계량인 $ r_i $와 $ G_i $는 확률적 반응 네트워크에서 베이지안 매개변수 추론의 효율성을 어느 정도 향상시키는가?
• RQ4 암시적 타우-리프링에서 기호적 야코비안을 사용하면 실질적인 속도 향상이 발생하는가?
• RQ5 암시적 타우-리프링에서 분산을 과소평가하는 것으로 알려진 문제점이 있는 강성 시스템에서도 알고리즘이 정확성을 유지할 수 있는가?

주요 결과

• matLeap는 벤치마크 모델에서 Matlab SimBiology 대비 최소 6배에서 최대 350배 빠른 성능을 기록했으며, 강성 있는 디머라이징 모델에서 시뮬레이션 당 최소 0.0042초의 실행 시간을 기록했다.
• matLeap와 SSA 간의 쿨백-라이블러 발산은 StochKit와 유사했으며 평균 $ \approx 0.0037 $이었고, 디머라이징 모델에서 약간의 분산 과소평가가 있었으며 이는 암시적 타우-리프링의 알려진 한계이다.
• 기호적 야코비안을 사용하면 디머라이징 모델에서 약 14%의 속도 향상이 있었으며, 고성능 환경에서 기호 전처리의 이점을 입증했다.
• matLeap는 감마 사전 분포 하에서 공액 베이지안 업데이트에 필수적인 요약 통계량인 $ r_i $와 $ G_i $를 유일하게 제공함으로써 효율적인 사후분포 계산을 가능하게 한다.
• 적응형 전환 메커니즘은 강성 감지를 통해 수치적 불안정성을 방지하고 필요에 따라 SSA로 전환함으로써 정확도를 유지한다.
• 최소화된 mex 파일 인터페이스는 SimBiology나 StochKit처럼 복잡한 설정이나 파일 I/O가 필요 없는 워크플로우에 직접 통합 가능하며, 구성 오버헤드 없이 Matlab 워크플로우에 쉽게 통합된다.