[논문 리뷰] Uniform sampling in a structured branching population

Aline Marguet|arXiv (Cornell University)|2016. 09. 19.

Stochastic processes and statistical mechanics인용 수 5

한 줄 요약

이 논문은 개체의 특성이 마르코프 과정에 의해 진화하고 분열률 및 자식 개체 분포에 영향을 주는 구조화된 분열 집단에서 균일하게 샘플링된 개체의 특성을 기술하기 위해 '벌금형' 또는 '보조' 과정이라고 불리는 보조 마르코프 과정을 도입한다. 이는 Many-to-One 공식과 그 확장형을 수립하여, 대규모 집단 근처에서 이 보조 과정이 일반 개체의 특성 역학을 정확히 기술함을 증명하며, 명시적인 무한소 생성자와 성장-분열 모델에의 응용을 제공한다.

ABSTRACT

We are interested in the dynamic of a structured branching population where the trait of each individual moves according to a Markov process. The rate of division of each individual is a function of its trait and when a branching event occurs, the trait of the descendants at birth depends on the trait of the mother and on the number of descendants. In this article, we explicitly describe the penalized Markov process, named auxiliary process, corresponding to the dynamic of the trait along the spine by giving its associated infinitesimal generator. We prove a Many-to-One formula and a Many-to-One formula for forks. Furthermore, we prove that this auxiliary process characterizes exactly the process of the trait of a uniformly sampled individual in the large population approximation. We detail three examples of growth-fragmentation models: the linear growth model, the exponential growth model and the parasite infection model.

연구 동기 및 목표

• 개체의 특성이 분열과 자식 개체 분포에 영향을 주는 대규모 구조화된 분열 집단에서 균일하게 샘플링된 개체의 특성을 기하학적으로 기술하는 것.
• 비중립적 분열 과정에서 인구 구조와 샘플링이 유도하는 편향을 규명하는 것.
• 보조 과정과 Many-to-One 공식을 사용하여 특성 역학과 조상 계통을 위한 엄밀한 수학적 프레임워크를 개발하는 것.
• 보조 과정의 명시적 생성자를 제공하고, 대규모 집단에서 균일 샘플링을 근사하는 데의 활용을 검증하는 것.
• 선형, 지수, 기생충 감염 모델을 포함한 세 가지 성장-분열 모델에 이 프레임워크를 적용하는 것.

제안 방법

• 원래의 분열 과정 역학에서 유도된 시간에 비례하지 않는 생성자 $ \mathcal{A}_s^{(t)} $ 를 가진 보조 과정 $ Y_t^{(t)} $ 를 도입한다.
• 벌금형 역학을 포함하는 무한소 생성자 $ \mathcal{A}_s^{(t)}f(x) = \widehat{\mathcal{G}}_s^{(t)}f(x) + \widehat{B}_s^{(t)}(x) \int_{\mathcal{X}} (f(y) - f(x)) \widehat{P}_s^{(t)}(x,dy) $ 를 유도한다.
• Many-to-One 공식을 수립: $ \mathbb{E}\left[\sum_{u\in V_t} F(X_s^u, s\leq t)\right] = m(x,0,t) \mathbb{E}\left[F(Y_s^{(t)}, s\leq t)\right] $, 집단 수준의 합을 보조 과정으로 연결한다.
• 단조 클래스 정리( monotone-class theorem )를 사용하여 Many-to-One 공식을 단순 실린더 함수에서 스토로코호프 공간 상의 모든 유계 가측 함수로 확장한다.
• 선형, 지수, 기생충 감염 모델에 이 프레임워크를 적용하고, 명시적인 생성자 유도를 수행한다.
• 보조 과정이 대규모 집단 근처에서 균일하게 샘플링된 개체의 특성 역학을 수렴하는 경험적 측도의 수렴을 통해 정확히 기술함을 증명한다.

실험 결과

연구 질문

• RQ1 대규모 집단 근처에서 구조화된 분열 집단에서 균일하게 샘플링된 개체의 특성을 어떻게 수학적으로 기술할 수 있는가?
• RQ2 보조 과정은 균일하게 샘플링된 개체의 조상 계통을 기술하는 데 어떤 역할을 하는가?
• RQ3 Many-to-One 공식은 계통 수목의 분기(포크) 형태를 포함하여 어떻게 확장될 수 있는가?
• RQ4 시간에 비례하지 않는 설정에서 보조 과정의 무한소 생성자의 명시적 형태는 무엇인가?
• RQ5 결과는 선형, 지수, 기생충 감염 모델과 같은 구체적인 성장-분열 모델에 어떻게 적용되는가?

주요 결과

• 시간에 비례하지 않는 생성자 $ \mathcal{A}_s^{(t)} $ 를 가진 보조 과정 $ Y_t^{(t)} $ 는 대규모 집단 근처에서 균일하게 샘플링된 개체의 특성 역학을 정확히 기술한다.
• Many-to-One 공식이 성립한다: $ \mathbb{E}\left[\sum_{u\in V_t} F(X_s^u, s\leq t)\right] = m(x,0,t) \mathbb{E}\left[F(Y_s^{(t)}, s\leq t)\right] $, 집단 수준의 함수를 보조 과정으로 연결한다.
• 보조 과정의 무한소 생성자는 명시적으로 유도되었으며, $ \mathcal{A}_s^{(t)}f(x) = \widehat{\mathcal{G}}_s^{(t)}f(x) + \widehat{B}_s^{(t)}(x) \int_{\mathcal{X}} (f(y) - f(x)) \widehat{P}_s^{(t)}(x,dy) $ 로 표현된다.
• 보조 과정은 인구 구조와 크기 편향 샘플링으로 인한 편향을 보상하며, 벌금형 항은 인구의 성장률을 반영한다.
• 선형 성장, 지수 성장, 기생충 감염 모델 세 가지에 대해 이 프레임워크를 검증하였으며, 명시적인 생성자 표현식을 제공하였다.
• 대규모 집단 근사에서 경험적 측도 $ Z_t = \sum_{u\in V_t} \delta_{X_t^u} $ 가 보조 과정의 법칙으로 수렴함이 입증되었다.