Machine learning of high-dimensional life dynamics time series for reduction to low-dimensional systems and its application to controlling problems

点击翻译按钮获取中文摘要

生命現象をダイナミクスとして考えるとそれは高次元空間上の運動であるが、実験・観測データは様々な技術上の制約から低次元であることが多く、次元が縮約・粗視化された力学系としての理解が求められることが多い。しかし、生体系のダイナミクスは不均一で階層性があるので、それを粗視化する一般論を構築することは非常に難しい。一方、データサイエンスの現場においては、ニューラルネットワークの手法の一つである自己符号化器(autoencoder, AE）が次元削減のために用いられることが多い。本申請ではそれを時間軸方向に拡張した時間遅れのある自己符号化器(time-lagged AE,tAE)や多様体学習の一種である拡散マップを適用することで、タンパク質や細胞、脳波のような生体系の多次元ダイナミクスを縮約・粗視化し、よく用いられる既存の時系列解析手法と比較する。本年度はまず状態変化が起こる経路を統計的に得るための重み付きアンサンブル法の改良を行った。経路の重みの考えに立ち返り、その重みを尤度と考えて、最大化するためのパラメータ間の条件を見出した。その結果を1次元の二重井戸の系に適用し、それが正しいことを示した後、その結果を常温のシニョリンやアデニル酸キナーゼといった生体分子系に適用し、効率的なサンプリング時間を得ることができた。次に、細胞のダイナミクスをセルラーポッツ模型でモデル化し、創傷治癒過程に tAE を適用することで、ゆっくりと動く低次元の自由度を取り出すことができた。また、日医大の高田らの血管新生に関する細胞動画を解析するために、その動画データをまず畳み込みニューラルネットワーク(AlexNet)で1000次元に落としてから、それをさらに拡散マップで数次元に低次元化した。その結果、血管新生に関わる低次元の自由度を取り出すことができた。