[논문 리뷰] Perfect Sampling of the Chemical Master Equation for Gene Regulatory Networks

Martin Hemberg, Mauricio Barahona|arXiv (Cornell University)|2006. 10. 27.

Gene Regulatory Network Analysis인용 수 1

한 줄 요약

이 논문은 유전자 조절 네트워크(Gene Regulatory Networks, GRNs)의 화학적 마스터 방정식(Chemical Master Equation)의 정적 분포에서 보장된 샘플링을 달성하기 위해 도미네이티드 커플링 프롬 더 퍼스트(Dominated Coupling From The Past, DCFTP)와 질라드의 확률적 시뮬레이션 알고리즘(Stochastic Simulation Algorithm, SSA)을 결합한 퍼펙트 샘플링 알고리즘을 제안한다. 이는 이분기성 토글 스위치와 진동하는 리프레릴레이터를 포함한 복잡한 GRNs의 정확한 시뮬레이션을 가능하게 하며, 수렴성과 오차 한계를 엄밀하게 보장한다.

ABSTRACT

We present a Perfect Sampling algorithm that can be applied to the Master Equation of Gene Regulatory Networks (GRNs). The method recasts Gillespie's Stochastic Simulation Algorithm (SSA) in the light of Markov Chain Monte Carlo methods and combines it with the Dominated Coupling From The Past (DCFTP) algorithm to provide guaranteed sampling from the stationary distribution. We show how the DCFTP-SSA can be generically applied to genetic networks with feedback formed by the interconnection of linear enzymatic reactions and nonlinear Monod- and Hill-type elements. We establish rigorous bounds on the error and convergence of the DCFTP-SSA, as compared to the standard SSA, through a set of increasingly complex examples. Once the building blocks for GRNs have been introduced, the algorithm is applied to study properly averaged dynamic properties of two experimentally relevant genetic networks: the toggle switch, a two-dimensional bistable system, and the repressilator, a six-dimensional genetic oscillator.

연구 동기 및 목표

• 유전자 조절 네트워크(Gene Regulatory Networks, GRNs)의 화학적 마스터 방정식(Chemical Master Equation)의 정적 분포에서 정확하고 보장된 샘플링을 위한 방법을 개발하는 것.
• 표준 확률적 시뮬레이션 알고리즘(Stochastic Simulation Algorithm, SSA)의 한계를 극복하는 것. 이는 근사적 샘플링을 제공하며 수렴 보장을 하지 못한다.
• DCFTP를 SSA와 통합하여 비선형 피드백 요소(예: 모노드-형 및 힐-형 동역학)를 포함한 GRNs에서 퍼펙트 샘플링을 가능하게 하는 것.
• 제안된 DCFTP-SSA 방법에 대한 엄밀한 이론적 오차 및 수렴 한계를 수립하는 것.
• 토글 스위치와 리프레릴레이터와 같은 실험적으로 관련성이 높은 GRNs에 알고리즘을 적용하여 평균 동적 성질을 연구하는 것.

제안 방법

• 마르코프 체인 몬테카를로(Markov Chain Monte Carlo, MCMC) 프레임워크 내에서 질라드의 확률적 시뮬레이션 알고리즘(SSA)을 재구성하여 퍼펙트 샘플링을 가능하게 한다.
• 도미네이티드 커플링 프롬 더 퍼스트(Dominated Coupling From The Past, DCFTP) 알고리즘을 적용하여 버닝 인(burn-in) 또는 수렴 진단 없이도 정적 분포에서 정확한 샘플링을 달성한다.
• 선형 효소 반응과 비선형 조절 요소(모노드-형 및 힐-형 동역학)를 빌딩 블록으로 사용하여 GRNs를 모델링한다.
• 모든 쌍방향 체인들이 유한 시간 내에 융합하도록 보장하는 커플링 메커니즘을 사용한다. 이는 정확성을 보장한다.
• 커플링 시간을 둘러싸는 지배 과정(dominating process)의 존재를 보장하기 위해 지배적 커플링 전략을 적용한다.
• 두 가지 표준 GRNs인 이차원 토글 스위치와 육차원 리프레릴레이터에 방법을 적용하여 확장성과 정확성을 입증한다.

실험 결과

연구 질문

• RQ1 DCFTP는 SSA와 효과적으로 통합되어 유전자 조절 네트워크(GRNs)의 화학적 마스터 방정식(Chemical Master Equation)의 정적 분포에서 퍼펙트 샘플링을 달성할 수 있는가?
• RQ2 표준 SSA와 비교해보았을 때, DCFTP-SSA 방법의 이론적 수렴성 및 오차 한계는 어떠한가?
• RQ3 DCFTP-SSA는 토글 스위치와 리프레릴레이터와 같은 복잡한 GRNs의 평균 동적 성질을 얼마나 잘 포착하는가?
• RQ4 이 방법은 선형 효소 반응과 비선형 조절 요소로 구성된 GRNs에 일반적으로 적용 가능한가?
• RQ5 네트워크 차원이 증가함에 따라 DCFTP-SSA의 계산 비용과 확장성은 어떠한가?

주요 결과

• DCFTP-SSA 알고리즘은 화학적 마스터 방정식의 정적 분포에서 보장된 샘플링을 제공하여 버닝 인 단계나 수렴 진단의 필요성을 제거한다.
• 이 방법은 이론적으로 엄밀한 수렴성과 오차 한계를 확보하며, 표준 SSA에서 결여된 보장을 제공한다.
• 알고리즘은 이분기성 시스템인 토글 스위치를 성공적으로 시뮬레이션하여 기존에 알려진 이중모달 정적 분포를 높은 정확도로 복원한다.
• 육차원 유전자 진동자인 리프레릴레이터는 정확하게 시뮬레이션되어 적절히 평균화된 동적 성질을 통해 그 진동 행동을 드러낸다.
• DCFTP-SSA는 점점 더 복잡해지는 GRNs에 걸쳐 확장성과 강건성을 보이며, 정확성과 수렴 보장을 유지한다.
• DCFTP와 SSA의 통합은 비선형 피드백을 포함한 네트워크에서도 정확한 샘플링을 가능하게 하여 퍼펙트 샘플링의 적용 가능성을 생물학적으로 관련성이 높은 GRNs로 확장한다.