随机演化的动态控制：一种自适应靶向涌现耐药性的深度强化学习方法
种群与进化
2020-10-28 v2 机器学习
定量方法
机器学习
摘要
控制随机系统的挑战在于，低概率事件可能使系统走上灾难性轨迹，对此需发展一种稳健能力以响应此类事件，同时不显著损害基线控制策略的最优性。本文提出 CelluDose，一种经随机仿真训练的深度学习（deep reinforcement learning）自适应反馈控制原型，用于自动化精准给药，靶向随机且异质性的细胞增殖。耐药性可源于靶向细胞群体中随机且可变的突变；在缺乏适当给药策略时，涌现的耐药亚群可增殖并导致治疗失败。动态反馈剂量控制在对抗此现象上大有前景，但传统控制方法在此类系统中的应用困难重重，缘于细胞动力学的复杂性、模型参数的不确定性，以及医学应用中对可信任以妥善处理意外结果的稳健控制器的需求。在此，基于一个样本生物学场景的训练辨识出单药与联合疗法策略，其展现出 100% 成功率以抑制细胞增殖并响应多样系统扰动，同时建立低剂量无事件基线。这些策略被发现对承受显著不确定性与不可预测动态变化的关键模型参数高度稳健。
引用
@article{arxiv.1903.11373,
title = {Dynamic Control of Stochastic Evolution: A Deep Reinforcement Learning Approach to Adaptively Targeting Emergent Drug Resistance},
author = {Dalit Engelhardt},
journal= {arXiv preprint arXiv:1903.11373},
year = {2020}
}