[论文解读] Backward SDE approach to modelling of gene expression

Evelina Shamarova, Roberto Alegre+3 more|arXiv (Cornell University)|Aug 29, 2013

Gene Regulatory Network Analysis参考文献 1被引用 3

一句话总结

本文提出了一种新颖的倒向随机微分方程（BSDE）框架，用于建模随机基因表达动力学，其中蛋白质浓度根据BSDE演化。经与Gillespie模拟基准对比验证，该模型在数值模拟中表现出强烈的一致性，证明其在精确建模随机基因表达方面的潜力。

ABSTRACT

Centro de Matema´tica, Universidade do Porto, R. Campo Alegre 687,4169–007 Porto, Portugal, and Instituto de Biologia Molecular e Celular,R. Campo Alegre 823, 4150–180 Porto, Portugal(Dated: September 2, 2013)In this article, we introduce a new method to model stochastic gene expression. The proteinconcentration dynamics follows a backward stochastic differential equation (BSDE). To validate ourapproach we employ the Gillespie method to generate benchmark data. The numerical simulationshows that the data produced by both methods agree quite well.

研究动机与目标

• 开发一种新的数学框架，用于建模随机基因表达动力学。
• 通过采用倒向随机微分方程（BSDEs）来解决现有随机模型的局限性。
• 为离散事件模拟方法提供一种连续时间、可解析处理的替代方案。
• 将BSDE模型与通过Gillespie算法生成的既定基准数据进行验证。

提出的方法

• 使用倒向随机微分方程（BSDE）对蛋白质浓度动力学进行建模，以捕捉基因表达中固有的随机性。
• 根据生化反应动力学推导BSDE的漂移项和扩散项系数。
• 利用马尔可夫性质和倒向递推方法，从终端条件开始向前时间求解BSDE。
• 使用Gillespie随机模拟算法生成基准数据，以便进行直接对比。
• 使用标准SDE求解器对BSDE模型进行数值模拟，以评估其准确性。
• 对比BSDE与Gillespie模拟的统计矩（如均值、方差）及样本路径。

实验结果

研究问题

• RQ1 倒向随机微分方程（BSDE）能否准确表示基因表达中蛋白质浓度的随机动力学？
• RQ2 在统计特性与样本路径行为方面，BSDE模型与Gillespie算法相比在定量上表现如何？
• RQ3 BSDE框架是否保留了基因表达系统中固有噪声的关键特征？
• RQ4 BSDE模型是否能够高效模拟，并与既定的随机模拟基准进行验证？

主要发现

• BSDE模型成功再现了蛋白质浓度随时间变化的随机行为。
• BSDE模型的数值模拟结果与Gillespie算法生成的基准数据高度一致。
• BSDE模型的统计矩（如均值和方差）与Gillespie模拟结果非常接近。
• 该模型为离散事件模拟提供了一种连续时间替代方案，且精度相当。
• 采用倒向SDE使得建模基因表达噪声的新型分析与计算路径成为可能。
• 该框架在合理参数化下，展现出向更复杂的基因调控网络扩展的潜力。