[논문 리뷰] Statistical estimation of a growth-fragmentation model observed on a genealogical tree

Marie Doumic, Marc Hoffmann외 2명|arXiv (Cornell University)|2012. 10. 11.

Gene Regulatory Network Analysis참고 문헌 40인용 수 82

한 줄 요약

이 논문은 유전자계통수에서 관측된 개별 수준의 데이터(크기, 출생 시각, 성장률 포함)를 활용하여 성장-분열 모델에서 분열률 $ B(x) $에 대한 비모수적 추정기법을 제안한다. 제곱오차 오류에서 최적 수렴 속도 $ n^{-s/(2s+1)} $ 를 달성하며, 이는 이전의 간접 추정 방법보다 직접적인 계통적 관측을 활용함으로써 향상된 성능을 보인다.

ABSTRACT

We model the growth of a cell population by a piecewise deterministic Markov branching tree. Each cell splits into two offsprings at a division rate $B(x)$ that depends on its size $x$. The size of each cell grows exponentially in time, at a rate that varies for each individual. We show that the mean empirical measure of the model satisfies a growth-fragmentation type equation if structured in both size and growth rate as state variables. We construct a nonparametric estimator of the division rate $B(x)$ based on the observation of the population over different sampling schemes of size $n$ on the genealogical tree. Our estimator nearly achieves the rate $n^{-s/(2s+1)}$ in squared-loss error asymptotically. When the growth rate is assumed to be identical for every cell, we retrieve the classical growth-fragmentation model and our estimator improves on the rate $n^{-s/(2s+3)}$ obtained in \\cite{DHRR, DPZ} through indirect observation schemes. Our method is consistently tested numerically and implemented on {\\it Escherichia coli} data.

연구 동기 및 목표

• 개별 개인이 지수적으로 성장하고 크기에 따라 의존적인 비율로 분열하는 성장-분열 과정에서 분열률 $ B(x) $에 대한 통계적 추정기법을 개발한다.
• 정적 크기 분포의 경험적 측도에 의존하는 기존 간접 추정 방법보다, 계통수 상의 개인 라인저지 직접 관측을 통해 이를 향상시키고자 한다.
• 확률적이고 마코프 성질을 갖는 이진 계통수 모델과 결정론적 성장-분열 방정식을 연결함으로써 개인 성장률의 변동성을 통합하고자 한다.
• 분열률 $ B(x) $에 대한 소보레프 스무쓰니스 조건 하에서 추정기의 비점근적 위험 한계를 수립하고, 실제 E. coli 데이터에 대해 방법을 검증하고자 한다.

제안 방법

• 모델은 이진 계통수 상의 조각별 결정론적 마코프 분열 프로세스로 수립되며, 개인의 크기는 지수적으로 변화하고 분열률은 $ B(x) $ 에 따라 이루어진다.
• 관측된 데이터(출생 시 크기, 수명 주기, 출생 시각, 라인저지에 따른 성장률)를 바탕으로 추정기법을 구성한다.
• 편향과 분산을 균형 있게 조절하기 위해 밴드위드 $ h_n \sim n^{-1/(2s+1)} $ 를 갖는 비모수적 커널 기반 추정기법을 제안한다.
• 마르팅글 기반 접근법과 모멘트 부등식을 활용하여 이론적 위험 한계를 도출하며, 분산 항에 대해 로그 보정을 적용한다.
• 개별 성장률 $ \tau $ 의 랜덤성까지 고려하여 라인저지 간 변동성을 수용할 수 있도록 한다.
• 수치적 검증은 시뮬레이션 데이터와 실제 E. coli 계통수 데이터를 대상으로 수행되어 실용성과 정확도를 입증한다.

실험 결과

연구 질문

• RQ1 성장하고 분열하는 집단에서 개인 라인저지의 직접 관측을 통해 분열률 $ B(x) $ 는 일致적으로 추정될 수 있는가?
• RQ2 완전한 계통수와 개인 수준의 데이터가 관측되었을 때, $ B(x) $ 의 비모수적 추정에서 최적의 수렴 속도는 무엇인가?
• RQ3 개별 성장률 $ \tau $ 의 변동성을 고려할 경우, $ B(x) $ 의 통계적 추정에 어떤 영향을 미치는가?
• RQ4 제안된 추정기법은 경험적 정적 크기 분포에 기반한 기존 간접 방법보다 우월한 성능을 보일 수 있는가?
• RQ5 표본 추출 방식은 추정기의 수렴 속도와 강건성에 어떤 영향을 미치는가?

주요 결과

• 소보레프 스무쓰니스 $ s $ 조건 하에서 제곱오차 오류에서 제안된 추정기법은 로그 요소를 제외한 최적 수렴 속도 $ n^{-s/(2s+1)} $ 를 달성한다.
• 이러한 속도는 이전에 정적 크기 분포의 간접 관측을 통해 확보된 $ n^{-s/(2s+3)} $ 의 속도보다 향상된 것이다.
• 시뮬레이션 데이터와 실제 E. coli 계통수 데이터에 대해 수치적으로 검증되었으며, 뛰어난 실증 성능을 보였다.
• 개별 성장률 $ \tau $ 의 변동성에 대해 추정기법은 강건성이 있으며, 모델 내에서 이는 랜덤 변수로 처리된다.
• 표본 크기 $ n $, 밴드위드 $ h_n $, 스무쓰니스 $ s $ 에 대한 명시적 의존성을 갖는 이론적 위험 한계가 수립되었다.
• 나무의 구조를 고려하고, 계통적 과정에서의 점프 프로세스를 제어하기 위해 마르팅글 기반 접근법을 사용하였다.