1 / 43

Two-phase search 法 : 動的生化学ネットワークモデルの偏りのない効率的なパラメータ探索

Two-phase search 法 : 動的生化学ネットワークモデルの偏りのない効率的なパラメータ探索. 前田和勲 1 、倉田博之 2. 1 九州工業大学大学院情報工学府　博士後期課程　 2 九州工業大学大学院情報工学研究院　　　　　　　　. 序論. コンピュータシミュレーション は複雑な生命システム ( 生化学ネットワーク ) の動的な特性を理解するための重要なツールである. システムの動的な挙動は ネットワーク構造 と 速度パラメータ によって決まる. ネットワーク構造はデータベースから入手可能であるが、速度パラメータの値に関する情報は入手が困難である.

garan
Download Presentation

Two-phase search 法 : 動的生化学ネットワークモデルの偏りのない効率的なパラメータ探索

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Two-phase search法: 動的生化学ネットワークモデルの偏りのない効率的なパラメータ探索 前田和勲1、倉田博之2 1九州工業大学大学院情報工学府　博士後期課程　 2九州工業大学大学院情報工学研究院　　　　　　　　

  2. 序論 コンピュータシミュレーションは複雑な生命システム(生化学ネットワーク)の動的な特性を理解するための重要なツールである システムの動的な挙動はネットワーク構造と速度パラメータによって決まる ネットワーク構造はデータベースから入手可能であるが、速度パラメータの値に関する情報は入手が困難である 未知の速度パラメータを推定する 実験データとシミュレーションのズレを最小化する速度パラメータを求める (最適化問題)

  3. 序論 推定された(1つの)速度パラメータセットを用いてシミュレーションやシステム解析が行われる • 速度パラメータは環境によって変化する • 実験データは必ず誤差を含む • 1つの挙動を生み出す速度パラメータセットが1つとは限らない 特定の速度パラメータセットに依存しており、システムのローカルな特性しか反映されていないのでは？ 実験データを再現しうる多様な速度パラメータセットを求め、それらを用いて共通の結論を導く

  4. 序論 実験データを再現しうる多様な速度パラメータセットを探し出すにはどうすれば良いか？ 探索が狭い領域で集中的に行われてはいけない ランダム探索 一様乱数による探索 →探索に偏りはないが、探索効率が悪い 遺伝的アルゴリズム 生物の進化を模倣した発見的最適化手法 探索範囲を狭めていき、有望な領域を集中的に探索 　　→探索効率は良いが、探索に偏りがある 効率的で偏りのない探索手法を開発する

  5. Two-phase search法 ランダム探索(RS)と遺伝的アルゴリズム(GA)を組み合わせた探索手法 Pが解となる条件 First Phase AE: Allowable Error RSによって解候補を探し出す 解候補 Second Phase 解が存在する領域 GAによって解候補の近傍を集中的に探索し、解を得る 効率的で偏りのない探索を実現する

  6. TPS法のコントロールパラメータ • AEC: Pが解候補となる閾値　(AEC<AE) • RIG: Second phaseのGAを行う範囲 AEC: Allowable Error for a Coarse solution RIG: Region of Initial population for a search by GAs Pが解候補となる条件 (First phase終了条件) Pが解となる条件 (Second phase終了条件) Second phaseでは解候補を中心とした各辺の長さがRIGのn次元超立方体の中でGAを行う

  7. 検証 • TPS法は効率的で偏りのない探索を行えるのか？ • TPS法の探索はコントロールパラメータ(AECとRIG)の設定によってどのように変化するのか？ • TPS法は実際のパラメータ推定でも効率的で偏りのない探索を行えるのか？ →実験1: ベンチマーク関数への適用 →実験2: 大腸菌熱ショック応答モデルへの適用

  8. 実験1: ベンチマーク関数への適用 • TPS法を用いて、下表の各ベンチマーク関数の10000個の解(f(P)<AEを満たすP)を探索した • 対照としてRSとSGA(Search by GAs)でも探索を行った

  9. ランドスケープ 解が存在する領域 Sphere Rosenbrock Rastrigin Schwefel

  10. ANFMベンチマーク関数 ANFM: Autogenous negative feedback model 生化学モデルに基づいたベンチマーク関数 下式で表される、タンパク質が自身の合成を抑制する反応を考える y:　タンパク質濃度 k: 合成速度定数 K: 結合定数 定常状態でのタンパク質濃度ysは ys=1となるときのk,Kを求めることを考えると 本研究ではf(k,K)<0.0001を満たすk,Kを解とした 探索範囲は(k,K)=(2,1)×10±2

  11. 探索性能の評価方法 探索効率の評価 ＥＶＡ:目標とする数の解を得るまでに必要な評価回数 解分布の評価 CRV: 解の重心 SDV: 各速度パラメータの標準偏差 散布図 ヒストグラム CRV: Centroid Vector SDV: Standard Deviation Vector TPS法は効率的で偏りのない探索を目指すので、RSよりも少ない評価回数でRSと同じ解分布を得られると期待される ただし、Mは解の数、またi番目の解ベクトルをPsiとして TPS法のEVAはRSよりも小さくなると期待される TPS法のCRV、SDV、散布図、ヒストグラムはRSに近いことが期待される psi,jはi番目の解のj番目の速度パラメータ

  12. 結果: Rosenbrock関数 (RAEC=1.03, RRIG=0.8) RS SGA TPS

  13. 結果: Rosenbrock関数 RS(○),SGA(□),TPS(△)

  14. 結果: ANFM (RAEC=106, RRIG=2×10-3) RS SGA TPS

  15. 結果: ANFM RS(○),SGA(□),TPS(△)

  16. 結果 TPS法はRSと同等の解分布とRSより優れた探索効率を達成した

  17. コントロールパラメータの探索効率への影響 TPS法のコントロールパラメータ AEC: Pが解候補となる閾値 RIG: Second phaseのGAを行う範囲 • AECが小さい時、EVAはRSに近い • AECとRIGが大きい時、EVAはSGAに近い • AECが大きくRIGが小さい時、EVAは大きい EVA:目標数の解を得るまでに必要な評価回数 ANFM

  18. コントロールパラメータの解分布への影響 CRV: 解の重心 SDV: 各速度パラメータの標準偏差

  19. AECが小さい時、TPS法はRSに近い AECとRIGが大きい時、TPS法はSGAに近い AECが大きくRIGが小さい時、RSともSGAとも異なる コントロールパラメータの影響 RSと同じ解分布を得られて、かつ探索効率が最も良い 最適なコントロールパラメータ値 • ANFMはAECを大きくしてもRSと同じ解分布を得ることができる • ANFMはAECを大きくとれるのでEVAを小さくすることができる

  20. ランドスケープ 生化学モデルに基づいた問題は一般のベンチマークとは異なるランドスケープを持つ Sphere Rosenbrock TPS法は生化学モデルに基づいた問題で特に効果を発揮する Rastrigin ANFM

  21. 実験2: 大腸菌熱ショック応答モデルへ適用 • 熱ショックはタンパク質を変性させて機能を損なわせる • 大腸菌は熱ショック時に熱ショックタンパク質(hsps)を発現させ、変性タンパク質を正常な構造に戻す 大腸菌熱ショック応答の制御の中心はσ32である

  22. 評価関数 • 変性タンパク質濃度に対して正常タンパク質濃度が十分に高い • σ32濃度は熱ショック開始時にピークに達し、熱ショック前より高い濃度の定常状態に落ち着く ただし、penalty1,penalty2<0のときpenalty1=penalty2=0 TPS法を用いて1000個の解を得るまで探索を行った (AE=0.02)

  23. 結果: EVA, CRV, SDV AEC=1 (RAEC=50) RIG=4 (RRIG=0.5) RS(○),SGA(□),TPS(△)

  24. 結果: 解分布 RS(○),SGA(□),TPS(△)

  25. 結果: 解分布 RS(○),SGA(□),TPS(△) TPS法はRSよりも優れた探索効率でRSに近い解分布を達成した

  26. 結論 • 生化学ネットワークのパラメータ推定において、目的の挙動を再現する多様な速度パラメータセットを探索するために、TPS法を開発した • TPS法は偏りなく効率的な探索を実現できた • 2つのコントロールパラメータが探索の性能に与える影響について明らかにした • 大腸菌熱ショック応答モデルのパラメータ推定問題でも有効性を示した

  27. 謝辞 基盤研究(B) ご清聴ありがとうございました

  28. ・効率的に解を見つけ出せる ・探索空間の広い範囲から解を見つけ出すことには向いていない ・広い範囲から偏りなく解を見つけ出すことができる ・探索効率は悪い E + S E:S E + P

  29. 結果: Rastrigin関数 (RAEC=1.01, RRIG=0.8) RS SGA TPS

  30. 結果: Rastrigin関数 (RAEC=1.01, RRIG=0.8) RS(○),SGA(□),TPS(△)

  31. 結果: Sphere関数 RS(○),SGA(□),TPS(△)

  32. 結果: Schwefel関数 RS(○),SGA(□),TPS(△)

  33. ベンチマーク　探索実行条件 SGA&2nd phase in SGA: UNDX+MGG, 最大世代数100,母集団サイズ10,MGGの子の数10 HSR　探索実行条件 SGA: UNDX+MGG, 最大世代数100,母集団サイズ10,MGGの子の数10 2nd phase in TPS: : UNDX+MGG, 最大世代数20,母集団サイズ10,MGGの子の数10

  34. ←260.6時間、約11日　at Xeon 3.2GHz?

More Related