Deep Reinforcement Learning for Controlled Traversing of the Attractor Landscape of Boolean Models in the Context of Cellular Reprogramming

要約

細胞の再プログラミングは、さまざまな病気の予防と治療の両方に使用できます。
しかし、古典的なウェットラボ実験で再プログラミング戦略を発見する効率は、長時間の拘束と高いコストによって妨げられます。
この研究では、再プログラミング戦略の特定を容易にする深層強化学習に基づく新しい計算フレームワークを開発します。
この目的のために、非同期更新モード下での BN および PBN のフレームワークのセルラー再プログラミングのコンテキストで制御問題を定式化します。
さらに、擬似アトラクターの概念と、トレーニング中に擬似アトラクターの状態を識別する手順を導入します。
最後に、制御問題を解決するための計算フレームワークを考案し、それをさまざまなモデルでテストします。

要約(オリジナル)

Cellular reprogramming can be used for both the prevention and cure of different diseases. However, the efficiency of discovering reprogramming strategies with classical wet-lab experiments is hindered by lengthy time commitments and high costs. In this study, we develop a~novel computational framework based on deep reinforcement learning that facilitates the identification of reprogramming strategies. For this aim, we formulate a~control problem in the context of cellular reprogramming for the frameworks of BNs and PBNs under the asynchronous update mode. Furthermore, we introduce the notion of a~pseudo-attractor and a~procedure for identification of pseudo-attractor state during training. Finally, we devise a~computational framework for solving the control problem, which we test on a~number of different models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google