MODE: Learning compositional representations of complex systems with Mixtures Of Dynamical Experts
Nathan Quiblier, Roy Friedman, Matthew Ricci
生命科学中的动态系统通常由重叠的行为机制的复杂混合物组成。 细胞亚群可能从循环转向平衡动力学或分支,转向不同的发育命运。 这些制度之间的过渡可能显得嘈杂和不规则,对传统的基于流的建模技术构成严重挑战,这些技术假设局部平滑的动态。 为了应对这一挑战,我们提出了MODE(混合动态专家),这是一种图形建模框架,其神经闸门机制将复杂的动力学分解为稀疏的可解释组件,使行为机制的无监督发现和跨政权过渡的准确长期预测成为可能。 至关重要的是,由于我们框架中的代理可以跳转到不同的管理法律,MODE特别针对上述嘈杂的过渡。 我们评估我们的方法从计算生物学的合成和真实数据集。 首先,我们使用合成动态快照数据(包括在嘈杂、少采样的设置中)对无监督分类任务进行MODE进行系统基准测试。 接下来,我们展示了MODE如何在具有挑战性的预测任务上取得成功,这些任务模拟了细胞生物学中的关键循环和分支过程。 最后,我们将我们的方法部署在人类单细胞RNA测序数据上,并表明它不仅可以区分增殖和分化动力学,还可以预测细胞何时会致力于其最终命运,这是计算生物学中的一个关键突出挑战。
Dynamical systems in the life sciences are often composed of complex mixtures of overlapping behavioral regimes. Cellular subpopulations may shift from cycling to equilibrium dynamics or branch towards different developmental fates. The transitions between these regimes can appear noisy and irregular, posing a serious challenge to traditional, flow-based modeling techniques which assume locally smooth dynamics. To address this challenge, we propose MODE (Mixture Of Dynamical Experts), a graphica...