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

用于还原为低维系统的高维生命动态时间序列的机器学习及其在控制问题中的应用

基本信息

批准号：
22K11941
负责人：
藤崎弘士
金额：
$ 2.58万
依托单位：
Nippon Medical School
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2022
资助国家：
日本
起止时间：
2022-04-01 至 2025-03-31
项目状态：
未结题

来源：
https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22K11941/
关键词：
時系列解析分子動力学多様体学習ニューラルネットワーク

项目摘要

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。

当我们将生命现象视为动力学时，它们是高维空间中的运动，但是由于各种技术限制，实验和观察数据通常是低维的，并且通常需要对尺寸降低和粗粒度尺寸的动态系统的理解。但是，生物系统的动力学是异质和分层的，因此很难构建一种大致颗粒的一般理论。另一方面，在数据科学领域，自动编码器（AE）是神经网络的方法之一，通常用于降低维度。在此应用程序中，我们将应用时间隔离的自我编码器（时置AES，TAES）和扩散图（一种多种多样的学习），以减少和粗略完善生物系统的多维动力学，例如蛋白质，细胞和EEG，并将它们与常用使用的现有时间序列分析方法进行比较。今年，我们首先改进了加权集合方法，以统计地获得发生状态变化的途径。回到路径权重的想法时，我们将权重视为可能性，并找到了参数之间的条件以最大化它们。将结果应用于一维双井系统并表明其正确的结果之后，将结果应用于室温下的生物分子系统，例如细胞儿童和腺苷酸激酶，从而产生有效的采样时间。接下来，通过对细胞Potts模型进行建模，将TAE应用于伤口愈合过程中，我们能够提取缓慢的移动，低维度的自由度。此外，为了分析高达和其他医科大学与其他人的血管生成有关的细胞视频，使用卷积神经网络（Alexnet）将视频数据首先删除至1000个维度，然后使用扩散图将其减少到几个维度。结果，获得了与血管生成有关的低维自由度。