[논문 리뷰] On hybrid simulation schemes for stochastic reaction dynamics

Sergey Plyasunov|ArXiv.org|2005. 04. 22.

Gene Regulatory Network Analysis참고 문헌 24인용 수 9

한 줄 요약

이 논문은 웨이너 및 포아송 랜덤 측도로 구동되는 점프-확산 SDE로 시스템을 모델링함으로써, 이산 및 연속 성분으로 나누어 효율적인 시뮬레이션을 가능하게 하는 하이브리드 시뮬레이션 프레임워크를 제안한다. 주요 기여는 리프시츠 조건과 포아송 점프 샘플링 하에서 강수렴 차수 $ h^{2p} $ 를 보장하는 엄밀한 오차 분석을 제공하는 것으로, $ p = 1/2 $ 는 오일러 방법에 해당한다.

ABSTRACT

The existing literature on stochastic simulation of chemical reaction networks has a tendency to move as quickly as possible to the abstract formulation of the stochastic dynamics in terms of probabilities based on the concept of the Chemical Master Equation (CME), largely ignoring sample path representation. In this publication we discuss both theoretical basis and numerical approach for the problems in this area using sample path methods as a crucial part of the process. Relying as it does on a representation of the underlying stochastic processes as a weak solution of a system of stochastic differential equations driven by Poisson random measures this approach brings to bear a heretofore ignored but quite effective problem solving methodology. We first present a simple and intuitive way of partitioning species and reactions of the interaction network into different groups. We then discuss how original stochastic dynamics with state dependent intensities of transitions can be reformulated in terms of jump-diffusion stochastic differential equations driven by both Wiener noise sources and Poisson random measures. Finally, we show that this approach facilitates the construction of hybrid simulation techniques, an important step in the creation of efficient techniques for modeling multi-scale stochastic dynamics of the reaction networks. Numerical methods related to sampling events from Poisson random measures are demonstratedon simple intuitive examples. Error control analysis of the finite differences scheme is also presented.

연구 동기 및 목표

• 대규모, 다스케일 반응 네트워크에서 정확한 스토케스틱 시뮬레이션 알고리즘(SSA)의 계산 비효율성을 해결하기 위해.
• 일부 종을 연속 확산으로, 다른 일부를 이산 점프로 다루는 하이브리드 시뮬레이션 방법을 개발하여 정확도를 유지하면서도 효율성을 향상시키기 위해.
• 포아송 랜덤 측도로 구동되는 SDE의 약한 해를 이용한 하이브리드 방법에 대한 엄밀한 이론적 기반을 제공하기 위해.
• 특히 상태에 의존하는 강도와 점프 과정을 고려할 때 수치적 방법의 오차 한계를 설정하기 위해.
• 종의 개체수 임계값 기반으로 정확한 업데이트와 근사 업데이트 간의 적응적 전환을 허용하고, $\tau$-리핑 원리에 기반한 시간적 군집화를 통해 실용적 구현을 가능하게 하기 위해.

제안 방법

• 반응 네트워크를 두 그룹으로 분할: 낮은 개체수를 갖는 종은 이산 점프로 처리하고, 높은 개체수를 갖는 종은 연속 확산으로 모델링한다.
• 원래의 점프 과정을 웨이너 과정과 포아송 랜덤 측도로 구동되는 점프-확산 SDE로 재구성하여 상태에 의존하는 전이 강도를 포괄한다.
• $\tau$-리핑을 확산 성분에 적용하고 점프는 정확한 이벤트 샘플링을 사용하며, 점프 시간 $\{\tau_n^\Lambda\}$ 이 분할을 정의한다.
• 이토-스코로호드 미적분을 적용하여 오차 한계를 유도하고, 도브의 부등식과 그론발의 보조정리를 사용해 각 점프 간 시간 간격 내의 $L^2$-오차를 제어한다.
• 포아송 랜덤 측도에서 점프 이벤트를 수치적 방법으로 샘플링하며, $p$-차수 강수렴을 갖는 방법을 사용한다. 예를 들어 오일러 방법은 $p = 1/2$ 를 갖는다.
• 속도 함수의 리프시츠 연속성 가정 하에 조건부 기대값을 통해 이산 성분 $\mathbf{X}$ 와 연속 성분 $\boldsymbol{\sigma}$ 의 오차를 추정한다.

실험 결과

연구 질문

• RQ1 이산 및 연속 동역학을 조합함으로써 다스케일 스토케스틱 반응 네트워크를 효율적으로 모델링할 수 있는 하이브리드 시뮬레이션 체계는 어떻게 구성할 수 있는가?
• RQ2 상태에 의존하는 전이 강도와 점프 과정 하에서 이러한 하이브리드 체계의 이론적 오차 행동은 어떠한가?
• RQ3 넓은 범위의 종 개체수를 갖는 시스템에서 전통적인 KMC/SSA에 비해 포아송 랜덤 측도와 SDE를 사용하는 것이 더 효과적인 프레임워크를 제공할 수 있는가?
• RQ4 시간 분할 방식과 $\tau$-리핑의 선택은 하이브리드 방법의 정확도와 수렴성에 어떤 영향을 미치는가?
• RQ5 연속 확산 근사와 정확한 점프 샘플링을 조합할 때 수치적 방법의 강수렴 속도는 어떠한가?

주요 결과

• 리프시츠 조건 하에서 속도 함수에 대해 강수렴 차수 $ h^{2p} $ 를 달성하며, 오일러 방법의 경우 $ p = 1/2 $ 이다.
• 이산 성분 $\mathbf{X}$ 와 연속 성분 $\boldsymbol{\sigma}$ 의 오차는 $ \epsilon_X([0,T)) \leq C(\{\tau_n^\Lambda\}, T) h^{2p} $ 로 유계이며, 여기서 $ C $ 는 점프 시간과 간격 길이에 따라 달라진다.
• 오차 한계는 확산 근사 오차와 점프 유도 오차를 모두 고려하며, 후자는 점프 강도 함수의 리프시츠 연속성에 의해 제어된다.
• 도브의 부등식과 그론발의 보조정리를 활용하여 각 점프 간 시간 간격 내의 $L^2$-오차를 엄밀히 제어할 수 있다.
• 수치적 검증 결과, 정확한 SSA에 비해 계산 비용을 크게 감소시키면서도 수용 가능한 정확도를 유지함을 확인하였다.
• 프레임워크는 $\tau$-리핑을 통한 시간적 군집화를 지원하며, 종의 개체수 임계값 기반으로 정확한 업데이트와 근사 업데이트 간의 적응적 전환을 허용한다.