[논문 리뷰] Parameter identification in large kinetic networks with BioPARKIN

Thomas Dierkes, Susanna Röblitz외 2명|arXiv (Cornell University)|2013. 03. 20.

Gene Regulatory Network Analysis참고 문헌 2인용 수 8

한 줄 요약

이 논문은 생물학적 대사 네트워크의 큰 kinetic 네트워크에서 매개변수를 식별하기 위해, 랭크-공개 Jacobian 분석을 통한 애핀 공변 가우스-뉴턴 방법을 사용하는 소프트웨어 도구 BioPARKIN을 제시한다. 이 방법은 데이터가 부족하거나 노이즈가 있을 경우에도 식별 가능한 부분공간 내에서 유일한 해를 보장한다. 이 방법은 매개변수의 비유일성을 탐지하고 식별 가능성 진술을 제공함으로써 체계 생물학의 신뢰성을 향상시킨다.

ABSTRACT

Modelling, parameter identification, and simulation play an important role in systems biology. Usually, the goal is to determine parameter values that minimise the difference between experimental measurement values and model predictions in a least-squares sense. Large-scale biological networks, however, often suffer from missing data for parameter identification. Thus, the least-squares problems are rank-deficient and solutions are not unique. Many common optimisation methods ignore this detail because they do not take into account the structure of the underlying inverse problem. These algorithms simply return a "solution" without additional information on identifiability or uniqueness. This can yield misleading results, especially if parameters are co-regulated and data are noisy.

연구 동기 및 목표

• 부족하거나 노이즈가 있는 데이터로 인해 비유일한 해가 발생하는 대규모 생물학적 kinetic 네트워크의 매개변수 식별 문제를 해결한다.
• 식별 가능성이나 유일성에 대한 평가 없이도 해를 반환하는 표준 최적화 방법의 한계를 극복한다.
• 수치적 랭크를 모니터링하여 식별 가능한 부분공간 내에서 유일한 해로 수렴하는 수치적 방법을 개발한다.
• SBML 호환성과 사용자 친화적 인터페이스를 통합하여 다학제적 체계 생물학 연구를 지원한다.
• 연구자들이 매개변수의 식별 가능성과 모델의 호환성을 평가할 수 있는 도구를 제공하며, 특히 랭크 결손이 있는 역문제에 유용하다.

제안 방법

• 최적화 중에 Jacobian 행렬의 수치적 랭크를 모니터링하는 애핀 공변 가우스-뉴턴 방법을 사용하여 랭크 결손을 탐지한다.
• 비선형 최소제곱 해법인 NLSCON을 사용하여 체계 생물학에서 흔한 잘못 정의된 역문제를 다룬다.
• 수치 미분 대신 변분 방정식의 해를 통해 Jacobian를 계산함으로써 정확성과 신뢰성을 향상시킨다.
• LIMEX 통합기의 적응적 스텝 사이즈 제어 및 보간을 통해 고정밀도로 강한 ODE 시스템을 임의의 시간점에서 해석한다.
• 임계값 기반의 랭크 탐지 및 민감도 분석을 통해 매개변수 선택을 안내하고 사전에 식별 가능성 여부를 평가한다.
• PARKINcpp라는 C++ 수치 라이브러리와 Python 기반 GUI를 갖춘 이중 구성 소프트웨어인 BioPARKIN에 이 방법을 구현한다.

실험 결과

연구 질문

• RQ1 부족하거나 노이즈가 있는 데이터로 인해 랭크 결손이 발생하는 최소제곱 문제를 겪을 때, 대규모 kinetic 네트워크의 매개변수 식별을 어떻게 강력하게 만들 수 있는가?
• RQ2 가우스-뉴턴 방법이 Jacobian의 수치적 랭크를 모니터링함으로써 매개변수 해의 비유일성을 얼마나 잘 탐지하고 처리할 수 있는가?
• RQ3 변분 방정식을 통한 Jacobian 계산이 유한 차분 대비 매개변수 추정의 정확성과 신뢰성 향상에 기여하는가?
• RQ4 민감도 분석과 상관 행렬은 최적화 이전 및 이후에 매개변수 간 의존성과 식별 가능성에 대해 연구자에게 어떤 정보를 제공하는가?
• RQ5 SBML 호환성과 사용자 친화적 인터페이스의 통합은 비수학자들이 체계 생물학에서 고급 수치 방법을 얼마나 잘 활용할 수 있도록 도와주는가?

주요 결과

• BioPARKIN의 가우스-뉴턴 방법은 전체 매개변수 집합이 식별 불가능하더라도, 식별 가능한 부분공간 내에서 국소적으로 유일한 해로 수렴한다.
• xtol 임계값을 높게 설정할수록 알고리즘이 더 빨리 수렴하지만, 정확도는 낮아지고 일반적으로 고체적 불일치 요소를 가진 안장점에 멈추며 진짜 매개변수 값을 회복하지 못한다.
• 모델 EpoRcptr에서 희박한 데이터를 사용할 경우 $k_6$의 표준편차는 47.83%로 낮은 식별 가능성 수준을 보였지만, 더 빈번한 샘플링을 통해 이 값은 0.03%로 감소하여 식별 가능성 향상을 확인했다.
• 상관 행렬은 $k_4$, $k_5$, $k_6$ 간 강한 상관관계를 보여주었으며, 이는 상호 의존성을 확인하고 해의 다양성(비유일성)을 설명한다.
• 민감도 분석 결과, 후기 시간대의 더 빈번한 샘플링이 $Y_1$ 및 $Y_3$에 대해 모호한 매개변수 다양체의 해상도를 크게 향상시킨다.
• 더 많은 데이터를 사용함으로써 불일치 요소는 0.04845에서 0.03227로 감소하여, 개선된 데이터 샘플링 이후 모델과 데이터 간의 일치도 향상을 확인했다.