Graph Neural Network-Based Reinforcement Learning for Controlling Biological Networks: The GATTACA Framework

要約

ある細胞型から別の細胞型への人工的な変換である細胞初期化は、複雑な疾患に対する治療の可能性があるため、研究上の関心が高まっている。しかし、古典的なウェットラボ実験によるリプログラミング戦略の発見は、長い時間と高いコストによって妨げられている。本研究では、深層強化学習（DRL）を用いて、遺伝子制御ネットワークやシグナル伝達経路ネットワークのような複雑な生物システムのブールネットワークモデルを制御することを探求する。本研究では、非同期更新モードにおけるブール型ネットワークモデルの新しい制御問題を、細胞リプログラミングの文脈で定式化する。また、スケーラビリティを向上させるために、以前に紹介した擬似アトラクターの概念を考慮し、擬似アトラクターの状態を効果的に同定するための手順を改良する。最後に、制御問題を解くための計算フレームワークを考案する。生物学的システムの構造を活用するため、DRLエージェントが学習する行動値関数の人工ニューラルネットワーク近似器に、グラフ畳み込みを用いたグラフ・ニューラル・ネットワークを組み込む。文献にある多数の大規模な実世界生物ネットワークを用いた実験により、本アプローチのスケーラビリティと有効性を実証する。

要約(オリジナル)

Cellular reprogramming, the artificial transformation of one cell type into another, has been attracting increasing research attention due to its therapeutic potential for complex diseases. However, discovering reprogramming strategies through classical wet-lab experiments is hindered by lengthy time commitments and high costs. In this study, we explore the use of deep reinforcement learning (DRL) to control Boolean network models of complex biological systems, such as gene regulatory networks and signalling pathway networks. We formulate a novel control problem for Boolean network models under the asynchronous update mode in the context of cellular reprogramming. To facilitate scalability, we consider our previously introduced concept of a pseudo-attractor and we improve our procedure for effective identification of pseudo-attractor states. Finally, we devise a computational framework to solve the control problem. To leverage the structure of biological systems, we incorporate graph neural networks with graph convolutions into the artificial neural network approximator for the action-value function learned by the DRL agent. Experiments on a number of large real-world biological networks from literature demonstrate the scalability and effectiveness of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL