Model-driven Study of Host Cell Multiscale Dynamics in Viral Infection

点击翻译按钮获取中文摘要

前年度までの流れを受け，観測データと背景知識からのネットワーク推定法の改良に比重を置きつつ，開発した手法の新型コロナウイルス感染症 (COVID-19) への応用も進めた．状態変数に関する多変量時系列データと背景知識を組み合わせて使う「データ・知識融合型アプローチ」を提案し，COVID-19 の遺伝子発現量データと生物学的な背景知識に応用することにより，細胞接着に関わる3種類の分子（遺伝子名：ICAM1, ACTB, C15orf48）の新規パスウェイ構築とネットワークダイナミクス分析に貢献した．同アプローチに立脚しながら，多変量時系列データから深層学習した因果ネットワークを微分方程式系の同定における仮説探索空間の制約として利用する手法を検討した．予備実験として支配方程式既知の決定論的力学系から人工生成した時系列から敵対的生成ネットワークにより構造因果モデルを学習し，元の方程式表現と力学系のダイナミクスを再現できるか評価した．既存の方程式発見手法よりも提案手法の方が数式の再現度が高く，再現できない場合もモデルを必要最低限の変数で倹約的に表現する傾向が見られた．今後は因果性を扱う場合の数学的な前提条件や力学系に取り入れる高次非線形関数の許容範囲を変えつつ，ハイパーパラメータの感度分析とスケーラビリティの評価実験，既存の構造方程式モデリング手法や時系列因果推論手法との比較を行い，新規手法として完成に近づける．