[论文解读] Quantification of reachable attractors in asynchronous discrete dynamics

Nuno D. Mendes, Pedro T. Monteiro+3 more|arXiv (Cornell University)|Nov 13, 2014

Gene Regulatory Network Analysis参考文献 6被引用 8

一句话总结

本文提出了 Firefront 和 Avatar 两种算法，用于量化生物调控网络的异步离散模型中吸引子的可达性。Firefront 采用基于阈值的广度优先近似探索方法来估计吸收概率，而 Avatar 则利用启发式自适应的蒙特卡洛模拟方法，以处理具有复杂吸引子的大规模模型，两者均无需完整枚举状态空间，即可实现对长期系统行为的概率评估。

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.

研究动机与目标

• 为解决在大型异步离散调控网络模型中，从特定初始条件出发，量化可达吸引子概率的挑战。
• 克服由于状态空间呈指数级增长而导致构建完整状态转移图（STG）的计算不可行性。
• 开发方法以估计从 STG 衍生的有限离散时间马尔可夫链（DTMC）中的吸收概率，而无需显式构建转移矩阵。
• 为具有复杂吸引子（包括振荡性和多稳态行为）的模型提供可扩展的替代方案，避免完全枚举。
• 实现对生物模型的实际分析，其中吸引子代表稳定细胞状态或振荡动力学，并可量化从初始条件的可达性。

提出的方法

• Firefront 执行无记忆的广度优先状态转移图（STG）遍历，传播状态概率，同时将低于阈值 α = 10⁻⁵ 的状态进行剪枝。
• 该算法维护状态上的概率分布，并追踪‘被忽略’集合中的剩余概率，从而实现对吸引子可达性的准精确估计。
• Avatar 实现了一种改进的蒙特卡洛模拟，通过避免在强连通分量（SCC）内重复访问状态，利用启发式方法根据 SCC 的连通性和退出可能性自适应调整重布线策略。
• Avatar 使用循环扩展机制防止在瞬态 SCC 中陷入无限循环，同时在模拟过程中根据观测到的动力学行为动态调整参数。
• 两种方法均依赖逻辑规则作为转移矩阵的隐式表示，避免显式构建 STG。
• 该算法在合成模型和生物模型上进行了验证，包括哺乳动物细胞周期和体节极性网络模型，并与 BoolNet 及人工分析进行了比较。

实验结果

研究问题

• RQ1 如何在无需完整状态空间枚举的前提下，高效量化大规模异步离散模型中吸引子的可达性概率？
• RQ2 在具有复杂吸引子结构的模型中，准精确方法（Firefront）与随机方法（Avatar）之间的性能权衡如何？
• RQ3 状态转移图的结构特征（如 SCC 大小、连通性及瞬态路径长度）如何影响可达性估计的准确性和效率？
• RQ4 基于启发式的蒙特卡洛模拟能否有效近似具有振荡性或多稳态吸引子的模型中的吸收概率？
• RQ5 这些方法在多大程度上可集成到 GINsim 等现有建模框架中，以支持实际的生物网络分析？

主要发现

• Firefront 在可达性估计中表现出高精度，在所有测试模型中剩余概率均低于 10⁻⁵，并正确识别了合成与生物网络中的吸引子。
• 在哺乳动物细胞周期模型中，Firefront 估计从初始状态到达 CA1 吸引子的概率为 100%，与生物学预期一致。
• Avatar 在大型模型（如 4 细胞体节极性网络）中成功估计了吸引子概率，而 Firefront 在此类模型中计算上不可行，Avatar 仅用 10⁴ 次运行在 1.2 小时内实现收敛。
• 在 4 细胞体节极性模型中，Avatar 估计 PA1 的可达性为 87%，PA2 为 6%，PA3 为 6%，其他吸引子概率均低于 1%，与已知的生物学吸引盆一致。
• Avatar 在大规模模型上的运行时间和可扩展性优于 BoolNet，对于状态数超过 10⁵ 的模型，模拟时间均在 2 小时以内。
• 研究结果表明，Avatar 基于启发式的重布线策略在高度连通的 SCC 上显著提升了性能，尤其在退出比例较低时效果更明显。