[论文解读] Determination of Functional Network Structure from Local Parameter Dependence Data

Boris Ν. Kholodenko, Eduardo D. Sontag|ArXiv.org|May 2, 2002

Bioinformatics and Genomic Networks参考文献 4被引用 21

一句话总结

本文提出了一种方法，仅从稳态下局部参数敏感性数据中重建动力系统的功能交互网络。通过利用已知的结构约束（即哪些参数直接影响哪些方程）以及敏感性向量与系统雅可比矩阵行之间的正交性，该方法可恢复雅可比矩阵至标量倍数，从而实现对生物化学及其他复杂网络中交互结构和相对影响强度的推断。

ABSTRACT

In many applications, such as those arising from the field of cellular networks, it is often desired to determine the interaction (graph) structure of a set of differential equations, using as data measured sensitivities. This note proposes an approach to this problem.

研究动机与目标

• 当方程的功能形式未知时，推断微分方程组的相互作用图与相对影响强度。
• 仅使用稳态下的局部敏感性数据，将系统的雅可比矩阵恢复至标量倍数。
• 利用关于哪些参数直接影响哪些方程的先验知识（结构约束），解决基于敏感性的雅可比矩阵重建中的固有模糊性。
• 通过引入时间导数敏感性与高维空间中的正交性，将该方法扩展至非稳态数据。

提出的方法

• 使用实验敏感性数据 Σ，其中 σkj = ∂ξk/∂pj(ṗ)，表示稳态浓度如何随参数扰动而变化。
• 应用结构假设：对于每个方程 i，已知参数子集 Si 不会直接影响 fi，因此 ∂fi/∂pj(ẋ,ṗ) = 0 对所有 j ∈ Si 成立。
• 推导出雅可比行 Ai 必须与所有 j ∈ Si 的敏感性向量 Γj = ∂ξ/∂pj(ṗ) 正交，从而得出条件 Ai · Γj = 0。
• 通过在由 {Γj | j ∈ Si} 张成的线性子空间 Ki 内求解正交性条件，将 Ai 恢复至标量倍数，假设 dim(Ki) ≥ n−1。
• 将方法扩展至非稳态情形，通过引入时间导数敏感性 ηij = ∂²ξi/∂t∂pj，形成扩展向量 Σij = (ηij, σ1j, ..., σnj)。
• 利用 [−1, Ai] 与由 {Σij | j ∈ Si} 张成的子空间 Hi 的正交性来约束 Ai，在通用性条件下（如 dim(Hi) = n）实现唯一性。

实验结果

研究问题

• RQ1 能否仅从稳态下的局部敏感性数据推断微分方程组的功能交互结构？
• RQ2 如何利用关于哪些参数直接影响哪些方程的先验知识，解决基于敏感性的雅可比矩阵重建中的模糊性？
• RQ3 恢复雅可比矩阵至标量倍数所需的最少结构假设集合是什么？
• RQ4 能否通过时间导数敏感性将该方法扩展至非稳态测量？
• RQ5 在何种条件下，正交性条件能唯一确定雅可比矩阵行？

主要发现

• 仅使用敏感性数据 Σ 和参数依赖关系的结构约束，即可将雅可比行 Ai 恢复至标量倍数。
• 该方法依赖于雅可比行 Ai 与不直接影响 fi 的参数 j 对应的敏感性向量 Γj 之间的正交性。
• 当由相关敏感性向量张成的子空间 Ki 的维数至少为 n−1 时，Ai 唯一确定至标量倍数。
• 对于非稳态数据，该方法使用扩展向量 Σij = (ηij, σ1j, ..., σnj) 来强制 [−1, Ai] 与子空间 Hi 正交。
• 在通用性条件（如 dim(Hi) = n）下，向量 [−1, Ai] 唯一确定，从而实现交互结构的完整重建。
• 该方法对小误差具有鲁棒性，且可使用有限差分替代精确导数实现。