Model-free inference of direct network interactions from nonlinear collective dynamics.
Model-free inference of direct network interactions from nonlinear collective dynamics.
复制标题
从非线性集体动力学直接网络相互作用的无模型推断。
DOI：
10.1038/s41467-017-02288-4
复制
发表时间：
2017-12-19
影响因子：
16.6
通讯作者：
Timme M
中科院分区：
文献类型：
--
作者：
Casadiego J;Nitzan M;Hallerberg S;Timme M
网络动力系统中相互作用的拓扑结构是其功能的根本基础。加速技术进步创造了大量关于物理、生物和技术系统中集体非线性动力学的可用数据。从这些动态中检测直接交互模式仍然是一个悬而未决的主要问题。特别是，当前的非线性动力学方法大多需要先验地知道（通常是高维的）系统动力学模型。在这里，我们开发了一个独立于模型的框架，仅从记录产生的非线性集体动力学来推断直接相互作用。将显式依赖矩阵与块正交回归算法相结合，该方法可以在许多动态状态下可靠地工作，包括向稳态过渡的瞬态动力学、周期和非周期动力学以及混沌。再加上它揭示网络（两点）和超网络（例如三点）相互作用的能力，这个框架可能因此开辟了非线性动力学选项，可以推断出没有已知模型的系统之间的直接相互作用模式。网络动力系统可以代表基因调控网络或代谢回路的集体动力学所涉及的相互作用。在这里，Casadiego等人提出了一种方法，可以直接从观察到的时间序列中推断出这些类型的相互作用，而不依赖于他们的模型。
The topology of interactions in network dynamical systems fundamentally underlies their function. Accelerating technological progress creates massively available data about collective nonlinear dynamics in physical, biological, and technological systems. Detecting direct interaction patterns from those dynamics still constitutes a major open problem. In particular, current nonlinear dynamics approaches mostly require to know a priori a model of the (often high dimensional) system dynamics. Here we develop a model-independent framework for inferring direct interactions solely from recording the nonlinear collective dynamics generated. Introducing an explicit dependency matrix in combination with a block-orthogonal regression algorithm, the approach works reliably across many dynamical regimes, including transient dynamics toward steady states, periodic and non-periodic dynamics, and chaos. Together with its capabilities to reveal network (two point) as well as hypernetwork (e.g., three point) interactions, this framework may thus open up nonlinear dynamics options of inferring direct interaction patterns across systems where no model is known. Network dynamical systems can represent the interactions involved in the collective dynamics of gene regulatory networks or metabolic circuits. Here Casadiego et al. present a method for inferring these types of interactions directly from observed time series without relying on their model.
登录
查看更多内容
DOI：
10.1209/0295-5075/23/5/011
发表时间：
1993-08-10
期刊：
EUROPHYSICS LETTERS
影响因子：
--
作者：
HANSEL, D;MATO, G;MEUNIER, C
通讯作者：
MEUNIER, C
影响因子：
2.9
作者：
Judd, Kevin;Nakamura, Tomomichi
通讯作者：
Nakamura, Tomomichi
基于距离相关性从基因表达数据中推断出非线性基因调节网络。
影响因子：
3.7
作者：
Guo X;Zhang Y;Hu W;Tan H;Wang X
通讯作者：
Wang X
DOI：
10.1073/pnas.1517384113
发表时间：
2016-04-12
影响因子：
11.1
作者：
Brunton, Steven L.;Proctor, Joshua L.;Kutz, J. Nathan
通讯作者：
Kutz, J. Nathan
影响因子：
5.4
作者：
Eldar, Yonina C.;Kuppinger, Patrick;Boelcskei, Helmut
通讯作者：
Boelcskei, Helmut