[论文解读] Learning Large Scale Ordinary Differential Equation Systems

Frederik Vissing Mikkelsen, Niels Richard Hansen|arXiv (Cornell University)|Oct 25, 2017

Metabolomics and Mass Spectrometry Studies参考文献 17被引用 5

一句话总结

本文提出了一种自适应积分匹配（AIM）算法，用于从多个实验条件下的时间序列数据中学习大规模多项式与有理函数常微分方程（ODE）系统。通过结合惩罚积分匹配与数值ODE求解，AIM能够在系统生物学中实现准确且稀疏的网络恢复，其在DREAM8磷酸蛋白网络挑战赛中达到0.74的AUROC，展现出最先进的性能以及在大规模系统中的计算可行性。

ABSTRACT

Learning large scale nonlinear ordinary differential equation (ODE) systems from data is known to be computationally and statistically challenging. We present a framework together with the adaptive integral matching (AIM) algorithm for learning polynomial or rational ODE systems with a sparse network structure. The framework allows for time course data sampled from multiple environments representing e.g. different interventions or perturbations of the system. The algorithm AIM combines an initial penalised integral matching step with an adapted least squares step based on solving the ODE numerically. The R package episode implements AIM together with several other algorithms and is available from CRAN. It is shown that AIM achieves state-of-the-art network recovery for the in silico phosphoprotein abundance data from the eighth DREAM challenge with an AUROC of 0.74, and it is demonstrated via a range of numerical examples that AIM has good statistical properties while being computationally feasible even for large systems.

研究动机与目标

• 解决在缺乏或仅有极少网络结构先验知识的情况下，从时间序列数据中学习大规模非线性ODE系统的问题。
• 开发一种计算高效且统计稳健的方法，从多环境实验数据中推断动态系统中的稀疏网络结构。
• 提供一个灵活的框架，支持完全基于数据的推断，同时整合先验生物学知识用于ODE系统学习。
• 在真实和模拟的大规模系统上评估所提方法的性能，包括DREAM8磷酸蛋白网络和酿酒酵母中的糖酵解过程。
• 展示AIM算法在网络恢复准确性与可扩展性方面相对于现有方法的统计与计算优势。

提出的方法

• 提出一种利用来自多种环境（包括干预与扰动）的时间序列数据学习多项式与有理函数ODE系统的方法框架。
• 引入自适应积分匹配（AIM）算法，首先通过惩罚积分匹配步骤估计初始参数值。
• 随后采用改进的最小二乘法步骤，通过数值求解ODE来优化参数估计，从而提高精度。
• 在邻近梯度算法中采用筛选策略，通过在固定时间间隔内识别活跃参数集合来降低计算成本。
• 使用主要化技术处理非凸惩罚项，基于惩罚函数的二阶导数迭代更新惩罚权重。
• 实现R包episode，其中包含AIM及其他算法，并在CRAN上发布，以支持可重现研究与广泛应用。

实验结果

研究问题

• RQ1 基于数据驱动的方法能否从多环境时间序列数据中准确恢复大规模ODE系统的潜在网络结构？
• RQ2 所提出的AIM算法在网络恢复准确性和计算效率方面与现有方法相比表现如何？
• RQ3 该框架在多大程度上能够将先验生物学知识整合到ODE系统学习过程中？
• RQ4 AIM在真实世界的大规模系统（如DREAM8磷酸蛋白网络和酿酒酵母糖酵解）中的表现如何？
• RQ5 不同算法组件（如筛选策略与自适应惩罚权重）如何影响该方法的统计与计算特性？

主要发现

• AIM算法在第八届DREAM挑战赛的体外磷酸蛋白丰度数据上达到0.74的AUROC，展现出网络恢复方面的最先进性能。
• AIM表现出优异的统计特性，即使在高维系统中也能准确识别真实边并保持较低的假阳性率。
• 该算法在大规模系统中具有计算可行性，筛选策略显著减少了不必要的敏感性计算，提升了性能。
• 大量模拟实验表明，AIM在网络恢复准确性方面优于其他方法，尤其在稀疏与非线性ODE系统中表现突出。
• 该框架成功恢复了酿酒酵母糖酵解全尺度模型的正确网络结构，验证了其在复杂生物系统中的适用性。
• 实现AIM及其他算法的R包episode已公开发布于CRAN，支持可重现性，并推动其在系统生物学研究中的广泛应用。