[论文解读] On hybrid simulation schemes for stochastic reaction dynamics

Sergey Plyasunov|ArXiv.org|Apr 22, 2005

Gene Regulatory Network Analysis参考文献 24被引用 9

一句话总结

本文提出了一种用于随机反应网络的混合模拟框架，通过将系统建模为由维纳和泊松随机测度驱动的跳跃-扩散SDE，实现高效模拟，方法是将物种划分为离散和连续两部分。主要贡献在于严格的误差分析，表明该方法在Lipschitz条件和泊松跳跃采样下实现了$ h^{2p} $阶的强收敛，其中欧拉方法的$ p = 1/2 $。

ABSTRACT

The existing literature on stochastic simulation of chemical reaction networks has a tendency to move as quickly as possible to the abstract formulation of the stochastic dynamics in terms of probabilities based on the concept of the Chemical Master Equation (CME), largely ignoring sample path representation. In this publication we discuss both theoretical basis and numerical approach for the problems in this area using sample path methods as a crucial part of the process. Relying as it does on a representation of the underlying stochastic processes as a weak solution of a system of stochastic differential equations driven by Poisson random measures this approach brings to bear a heretofore ignored but quite effective problem solving methodology. We first present a simple and intuitive way of partitioning species and reactions of the interaction network into different groups. We then discuss how original stochastic dynamics with state dependent intensities of transitions can be reformulated in terms of jump-diffusion stochastic differential equations driven by both Wiener noise sources and Poisson random measures. Finally, we show that this approach facilitates the construction of hybrid simulation techniques, an important step in the creation of efficient techniques for modeling multi-scale stochastic dynamics of the reaction networks. Numerical methods related to sampling events from Poisson random measures are demonstratedon simple intuitive examples. Error control analysis of the finite differences scheme is also presented.

研究动机与目标

• 为解决在大规模、多尺度反应网络中精确随机模拟算法（SSA）的计算低效问题。
• 开发一种混合模拟方法，将部分物种视为连续扩散，其余物种视为离散跳跃，从而在不牺牲精度的前提下提高效率。
• 为基于泊松随机测度驱动的SDE弱解的混合方案提供严格的理论基础。
• 建立数值方案的误差界，尤其针对状态依赖强度和跳跃过程的情形。
• 通过从泊松随机测度采样以及使用$\tau$-leaping原理进行时间粗粒化，实现实际可实施性。

提出的方法

• 将反应网络划分为两组：低种群数量的物种作为离散跳跃处理，高种群数量的物种建模为连续扩散。
• 将原始跳跃过程重新表述为由维纳过程和泊松随机测度共同驱动的跳跃-扩散SDE，以捕捉状态依赖的跃迁强度。
• 采用时间离散化方案，对扩散分量使用$\tau$-leaping，对跳跃事件使用精确事件采样，跳跃时间$\{\tau_n^\Lambda\}$定义时间分区。
• 应用伊藤-斯科罗霍德微积分推导误差界，利用杜布不等式和格朗沃尔引理控制近似在$ L^2 $范数下的误差。
• 通过具有$ p $阶强收敛的数值方案从泊松随机测度中采样跳跃事件，例如欧拉方法中$ p = 1/2 $。
• 通过条件期望和对倾向函数的Lipschitz连续性假设，估计离散分量$\mathbf{X}$和连续分量$\boldsymbol{\sigma}$的误差。

实验结果

研究问题

• RQ1 如何构建一种混合模拟方案，通过结合离散与连续动力学，高效模拟多尺度随机反应网络？
• RQ2 在状态依赖跃迁强度和跳跃过程下，此类混合方案的理论误差行为如何？
• RQ3 使用泊松随机测度和SDE是否能为具有广泛种群数量差异的系统提供比传统KMC/SSA更有效的框架？
• RQ4 时间分区选择和$\tau$-leaping如何影响混合方法的精度与收敛性？
• RQ5 当结合扩散近似与精确跳跃采样时，数值方案的强收敛速率是多少？

主要发现

• 在倾向函数满足Lipschitz条件时，混合方案实现了$ h^{2p} $阶的强收敛，其中欧拉方法的$ p = 1/2 $。
• 离散分量$\mathbf{X}$和连续分量$\boldsymbol{\sigma}$的误差满足$ \epsilon_X([0,T)) \leq C(\{\tau_n^\Lambda\}, T) h^{2p} $，其中$ C $依赖于跳跃时间和区间长度。
• 误差界同时考虑了扩散近似误差和跳跃引起的误差，后者通过跳跃强度函数的Lipschitz连续性得到控制。
• 利用杜布不等式和格朗沃尔引理，能够对跳跃之间每个时间区间内的$ L^2 $-误差实现紧密控制。
• 数值验证表明，该方案在显著降低计算成本的同时保持了可接受的精度。
• 该框架支持通过$\tau$-leaping实现时间粗粒化，并允许根据物种种群阈值自适应地在精确更新与近似更新之间切换。