随机化学反应网络的自动化深度抽象
分子网络
2020-02-06 v1 机器学习
机器学习
摘要
从分子相互作用的机理模型出发预测随机细胞动力学是系统生物学中一项长期存在的挑战:底层化学反应网络(CRN)模型会产生高维连续时间马尔可夫链(CTMC),其计算代价高昂且常在实践中难以分析。一种近期提出的抽象方法使用深度学习,通过以规则时间间隔采样轨迹(可由给定CRN模拟得到,或作为实验时间序列数据)训练混合密度深度神经网络,将该CTMC替换为离散时间连续空间过程。这种抽象的主要优势在于其产生的计算模型执行成本大幅降低,同时保留了训练数据的统计特征。一般而言,抽象精度随训练数据量提升而改善。然而,取决于具体CRN,该方法的整体质量——效率增益与抽象精度——也依赖于由层类型及其连接等超参数给定的神经网络架构选择。因此,在实践中,建模者不得不针对每个给定CRN,通过繁琐耗时的试错循环手动寻找合适架构。本文中,我们提出通过在学习抽象过程的转移核的同时学习最优神经网络架构,进一步实现随机CRN深度抽象的自动化。架构的自动搜索使该方法可直接应用于任意给定CRN,为深度学习专家节省时间,对非专业人员亦至关重要。我们实现了该方法,并在若干具有多模态涌现表型的代表性CRN上展示了其性能。
引用
@article{arxiv.2002.01889,
title = {Automated Deep Abstractions for Stochastic Chemical Reaction Networks},
author = {Tatjana Petrov and Denis Repin},
journal= {arXiv preprint arXiv:2002.01889},
year = {2020}
}