[论文解读] Learning Structural Changes of Gaussian Graphical Models in Controlled Experiments

Bai Zhang, Yue Wang|arXiv (Cornell University)|Mar 15, 2012

Fault Detection and Control Systems参考文献 18被引用 39

一句话总结

本文提出了一种使用l1-正则化估计的凸优化框架，用于检测在受控实验条件下高斯图模型中的结构变化。通过使用块坐标下降法对精度矩阵的差异进行建模，该方法识别出显著的条件独立性变化，展示了在生物数据中有效检测基因调控网络重布线的能力，并获得了具有生物学合理性的结果。

ABSTRACT

Graphical models are widely used in scienti fic and engineering research to represent conditional independence structures between random variables. In many controlled experiments, environmental changes or external stimuli can often alter the conditional dependence between the random variables, and potentially produce significant structural changes in the corresponding graphical models. Therefore, it is of great importance to be able to detect such structural changes from data, so as to gain novel insights into where and how the structural changes take place and help the system adapt to the new environment. Here we report an effective learning strategy to extract structural changes in Gaussian graphical model using l1-regularization based convex optimization. We discuss the properties of the problem formulation and introduce an efficient implementation by the block coordinate descent algorithm. We demonstrate the principle of the approach on a numerical simulation experiment, and we then apply the algorithm to the modeling of gene regulatory networks under different conditions and obtain promising yet biologically plausible results.

研究动机与目标

• 在受控实验条件下检测高斯图模型条件独立性结构的结构性变化。
• 识别环境或实验刺激如何改变随机变量之间的依赖关系。
• 开发一种高效且可扩展的方法，用于从高维数据中学习差异图模型。
• 通过揭示因外部干预导致的显著网络重构，实现系统的自适应。

提出的方法

• 将结构变化的检测建模为使用l1正则化的差异精度矩阵估计问题。
• 采用凸优化求解差异图模型的l1-正则化最大似然估计。
• 使用块坐标下降法高效求解优化问题，从而在高维设置下实现可扩展性。
• 将两种实验条件下精度矩阵之间的差异建模为稀疏矩阵。
• 应用融合lasso型惩罚项，以在差异矩阵中促进稀疏性，从而突出显示显著的结构性变化。
• 利用所得的稀疏差异矩阵识别在不同条件下被添加、移除或修改的边。

实验结果

研究问题

• RQ1 当实验条件改变时，如何有效检测高斯图模型中的结构性变化？
• RQ2 在高维设置下，估计两个精度矩阵之间差异的最高效且最准确的方法是什么？
• RQ3 l1-正则化优化能否可靠地识别出基因调控网络中具有生物学意义的网络重布线？
• RQ4 与现有方法相比，该方法在检测条件独立性变化方面表现如何？
• RQ5 在受控的生物实验中，外部刺激引发的关键网络变化是什么？

主要发现

• 该方法成功检测到在不同生物条件下基因调控网络中的显著结构性变化，揭示了具有生物学合理性的网络重布线。
• l1-正则化优化框架识别出精度矩阵之间的稀疏差异，仅突出显示最相关的条件独立性变化。
• 块坐标下降的实现支持在高维数据上的高效计算，具备良好的可扩展性。
• 数值模拟证实了该方法在高敏感性和高特异性下恢复真实结构性变化的能力。
• 在真实基因表达数据上的应用揭示了与已知生物通路一致的条件特异性调控相互作用。