[论文解读] Reviving the Two-state Markov Chain Approach (Technical Report)

Andrzej Mizera, Jun Pang+1 more|arXiv (Cornell University)|Jan 8, 2015

Gene Regulatory Network Analysis参考文献 4被引用 6

一句话总结

本文重新啟用兩狀態馬可夫鏈方法，用於近似大型機率Boolean網絡（PBNs）中的穩態機率，識別並解決了初始樣本大小所導致的偏差問題。透過大量實驗，證明該方法在性能上優於Skart批次均值法，並成功分析了一個包含91個節點的肝細胞凋亡PBN模型，揭示了關鍵調控節點的長期非可忽略影響。

ABSTRACT

Probabilistic Boolean networks (PBNs) is a well-established computational framework for modelling biological systems. The steady-state dynamics of PBNs is of crucial importance in the study of such systems. However, for large PBNs, which often arise in systems biology, obtaining the steady-state distribution poses a significant challenge. In fact, statistical methods for steady-state approximation are the only viable means when dealing with large networks. In this paper, we revive the two-state Markov chain approach presented in the literature. We first identify a problem of generating biased results, due to the size of the initial sample with which the approach needs to start and we propose a few heuristics to avoid such a pitfall. Second, we conduct an extensive experimental comparison of the two-state Markov chain approach and another approach based on the Skart method and we show that statistically the two-state Markov chain has a better performance. Finally, we apply this approach to a large PBN model of apoptosis in hepatocytes.

研究动机与目标

• 為解決系統生物學中常見的大規模機率Boolean網絡（PBNs）的穩態分佈計算挑戰。
• 重新啟用並改進兩狀態馬可夫鏈方法，儘管其理論基礎堅固，但長期以來未被充分使用。
• 識別並修正原始兩狀態馬可夫鏈方法因初始樣本大小不當所導致的偏差。
• 透過實證比較，評估兩狀態馬可夫鏈方法與Skart批次均值法在準確性與收斂性方面的表現。
• 將改進後的方法應用於肝細胞凋亡的真實、大規模PBN模型，以評估其生物相關性。

提出的方法

• 採用Raftery與Lewis（1992）最初提出的兩狀態馬可夫鏈方法，用於估計馬可夫鏈蒙地卡羅模擬中的收斂性。
• 引入三種啟發式方法，以確保適當的初始樣本大小選擇，特別是在穩態機率估計的脈絡下，避免偏差結果。
• 透過在合成與生物PBN上的大量模擬，實現並比較兩狀態馬可夫鏈方法與Skart批次均值法。
• 使用l₁-範數量化基因干擾對網絡穩態分佈的長期敏感度。
• 在TNF與UV-B共刺激條件下，將該方法應用於一個91個節點的肝細胞凋亡PBN模型。
• 使用統計假設檢定評估對關鍵節點（如C3ap17、NF-κB）聯合穩態分佈的干擾顯著性。

实验结果

研究问题

• RQ1 兩狀態馬可夫鏈方法是否能有效重新啟用並改進，以適用於高維狀態空間的大規模PBN？
• RQ2 原始兩狀態馬可夫鏈方法因初始樣本大小而產生的具體偏差為何？如何修正？
• RQ3 兩狀態馬可夫鏈方法在收斂準確性與穩定性方面，與Skart批次均值法相比表現如何？
• RQ4 對特定調控節點（如RIP-deubi）進行永久開/關干擾，對大型凋亡網絡中穩態分佈的長期影響為何？
• RQ5 該方法是否能可靠地檢測到在精確穩態計算不可行的複雜生物網絡中，非可忽略的調控影響？

主要发现

• 在大多數實驗配置中，兩狀態馬可夫鏈方法在統計表現上優於Skart方法。
• 原始兩狀態馬可夫鏈方法在初始樣本大小過小時會產生偏差，此偏差可透過所提出的啟發式方法修正。
• 對於91個節點的凋亡PBN模型，對RIP-deubi進行干擾時，co2的長期敏感度非可忽略，其平均敏感度分別為0.2089（TNF & UV1）與0.2105（TNF & UV2）。
• 該方法成功識別出RIP-deubi與co2之間的互動在長期動態中具有顯著作用，即使未顯著改變C3ap17與NF-κB的聯合分佈。
• 該方法實現了對大規模PBN的可靠、可擴展分析，而精確穩態計算在這些情境下不可行，進而支持系統層級的生物洞見。
• 本研究確認了兩狀態馬可夫鏈方法在複雜調控網絡的定量分析中具有可行性，特別是在最小結構干擾的脈絡下。