[논문 리뷰] Quantification of reachable attractors in asynchronous discrete dynamics

Nuno D. Mendes, Pedro T. Monteiro외 3명|arXiv (Cornell University)|2014. 11. 13.

Gene Regulatory Network Analysis참고 문헌 6인용 수 8

한 줄 요약

이 논문은 생물학적 조절 네트워크의 이방형 이산 모델에서 흡착점 도달 가능성(정착점 도달 가능성)을 측정하기 위한 Firefront 및 Avatar 두 가지 알고리즘을 제안한다. Firefront는 임계값 기반의 준정확한 너비 우선 탐색을 사용하여 흡수 확률을 추정하며, Avatar는 대규모 모델과 복잡한 정착점 구조를 다룰 수 있도록 히우리스틱을 적용한 몬테카를로 시뮬레이션을 활용한다. 두 알고리즘 모두 전체 상태공간을 명시적으로 나열하지 않고도 장기적 시스템 행동의 확률적 평가를 가능하게 한다.

ABSTRACT

Motivation: Models of discrete concurrent systems often lead to huge and complex state transition graphs that represent their dynamics. This makes difficult to analyse dynamical properties. In particular, for logical models of biological regulatory networks, it is of real interest to study attractors and their reachability from specific initial conditions, i.e. to assess the potential asymptotical behaviours of the system. Beyond the identification of the reachable attractors, we propose to quantify this reachability. Results: Relying on the structure of the state transition graph, we estimate the probability of each attractor reachable from a given initial condition or from a portion of the state space. First, we present a quasi-exact solution with an original algorithm called Firefront, based on the exhaustive exploration of the reachable state space. Then, we introduce an adapted version of Monte Carlo simulation algorithm, termed Avatar, better suited to larger models. Firefront and Avatar methods are validated and compared to other related approaches, using as test cases logical models of synthetic and biological networks. Availability: Both algorithms are implemented as Perl scripts that can be freely downloaded from http://compbio.igc.gulbenkian.pt/nmd/node/59 along with Supplementary Material.

연구 동기 및 목표

• 대규모 이방형 이산 모델에서 특정 초기 조건으로부터 도달 가능한 정착점의 확률을 측정하는 데 도전하는 것.
• 상태 전이 그래프(STG)를 전체적으로 구성하는 데 있어 상태공간의 지수적 증가로 인한 계산의 비현실성 문제를 해결하는 것.
• STG에서 유도된 유한한 이산 시간 마르코프 체인(DTMC)의 흡수 확률을 명시적인 전이 행렬을 만들지 않고 추정하는 방법을 개발하는 것.
• 복잡한 정착점, 예를 들어 진동성 또는 다중 안정성 행동을 포함한 모델에 대해 전수 조사의 대안으로서 확장 가능한 방법을 제공하는 것.
• 정착점이 안정된 세포 상태나 진동성 역학을 나타내는 생물학적 모델의 실용적 분석을 가능하게 하며, 초기 조건으로부터의 도달 가능성에 대해 정량화된 정보를 제공하는 것.

제안 방법

• Firefront는 상태 전이 그래프(STG)에 대해 메모리 없는 너비 우선 탐색을 수행하며, 임계값 α = 10⁻⁵ 이하인 상태는 잘라내면서 상태 확률을 전파한다.
• 이 알고리즘은 상태에 대한 확률 분포를 유지하고, 무시된 상태 집합에 남은 확률을 추적함으로써 정착점 도달 가능성에 대한 준정확한 추정을 가능하게 한다.
• Avatar는 강한 연결 성분(SCC) 내에서 상태를 재방문하지 않도록 수정한 몬테카를로 시뮬레이션을 구현하며, SCC의 연결성과 탈출 가능성에 기반한 히우리스틱을 활용해 리와이어링 전략을 적응적으로 조정한다.
• Avatar는 임시 SCC 내에서 무한 루프를 방지하기 위해 사이클 연장 메커니즘을 사용하며, 시뮬레이션 중 관측된 역학에 기반해 동적으로 매개변수를 조정한다.
• 두 방법 모두 전이 행렬의 암시적 표현으로서 논리 규칙에 의존하여 명시적인 STG 구축을 피한다.
• 알고리즘은 합성 모델과 생물학적 모델(우리의 세포 주기 및 세그먼트 성질 네트워크 포함)에서 검증되었으며, BoolNet 및 수작업 분석과의 비교를 통해 성능을 평가했다.

실험 결과

연구 질문

• RQ1 전체 상태공간을 나열하지 않고도 대규모 이방형 이산 모델에서 정착점 도달 가능성 확률을 효율적으로 측정할 수 있는 방법은 무엇인가?
• RQ2 복잡한 정착점 구조를 가진 모델에서 준정확한(Firefront)과 확률적(avatar) 접근 방식 간의 성능 상호 간의 상충 관계는 어떻게 되는가?
• RQ3 상태 전이 그래프의 구조적 특성—예를 들어 SCC 크기, 연결성, 임시 경로 길이—는 도달 가능성 추정의 정확성과 효율성에 어떤 영향을 미치는가?
• RQ4 히우리스틱 기반 몬테카를로 시뮬레이션은 진동성 또는 다중 안정성 정착점을 포함한 모델에서 흡수 확률을 효과적으로 근사할 수 있는가?
• RQ5 이러한 방법들은 GINsim과 같은 기존 모델링 프레임워크에 통합되어 생물학적 네트워크 분석에 실용적으로 활용될 수 있는가?

주요 결과

• Firefront는 모든 테스트 모델에서 잔여 확률이 10⁻⁵ 이하로 매우 높은 정확도를 보였으며, 합성 및 생물학적 네트워크에서 정착점을 정확히 식별했다.
• 우리의 세포 주기 모델에서 Firefront는 초기 상태로부터 CA1 정착점에 도달할 확률이 100%로 추정되었으며, 생물학적 기대와 일치했다.
• Avatar는 Firefront가 계산적으로 비현실적인 대규모 모델, 예를 들어 4세포 세그먼트 성질 네트워크에서 정착점 확률을 성공적으로 추정했으며, 10⁴번의 시뮬레이션을 사용해 약 1.2시간 내에 수렴했다.
• 4세포 세그먼트 성질 모델에서 Avatar는 PA1 도달 가능성을 87%, PA2는 6%, PA3는 6%로 추정했으며, 나머지 정착점은 1% 미만의 확률을 보였고, 이는 알려진 생물학적 정착지역과 일치했다.
• Avatar는 대규모 모델에서 BoolNet보다 런타임과 확장성 면에서 뛰어난 성능을 보였으며, 10⁵개 이상의 상태를 가진 모델에서 시뮬레이션 시간이 2시간 이내였다.
• 연구 결과는 Avatar의 히우리스틱 기반 리와이어링 전략이 특히 탈출 비율이 낮을 경우 강한 연결 성분이 높이 연결된 경우에 성능 향상에 크게 기여한다는 점을 입증했다.