0
点赞
收藏
分享

微信扫一扫

微生物群落控制的理论框架

M4Y 2022-02-17 阅读 90

微生物群落控制的理论框架

原文:A theoretical framework for controlling complex microbial communities.
目的:提出一种控制微生物群落的理论框架,使得在这个框架下,可以使用生态网络识别其驱动物种的最小集合,并通过对其进行操作以控制整个群落。


模型基础

x ( t ) ∈ R N x(t) \in \mathbb R^N x(t)RN表示一个微生物群落在 t t t时刻的状态,它是一个 N N N维向量,第 i i i个维度 x i ( t ) x_i(t) xi(t)表示第 i i i个物种的丰度, i = 1 , ⋯   , N i=1,\cdots,N i=1,,N。假设它随时间的演化满足微分方程:
x ˙ ( t ) = f ( x ( t ) ) , f : R N → R N \dot x(t)=f(x(t)),f:\mathbb R^N \to \mathbb R^N x˙(t)=f(x(t)),f:RNRN

其中 f f f用来对物种固有增长率以及物种之间的交互关系建模。通常 f f f是未知的,并且很难通过观察、实验进行推断,但此处假设 f f f是亚纯函数,这个假设并不强,而且可以适用于大部分生态模型。常用的 f f f的例子如下:

  • Generalized Lotka-Volterra (GLV) f ( x ) = diag ( x ) ( A x + r ) f(x)=\text{diag}(x)(Ax+r) f(x)=diag(x)(Ax+r) 其中 A A A为interaction matrix, r r r是固有增长率向量
  • Pairwise Interaction Model f x ( x ) = q i ( x i ) + ∑ j = 1 N a i j h i j ( x i , x j ) f_x(x)=q_i(x_i)+\sum_{j=1}^N a_{ij}h_{ij}(x_i,x_j) fx(x)=qi(xi)+j=1Naijhij(xi,xj)其中 A = ( a i j ) N × N A=(a_{ij})_{N \times N} A=(aij)N×N为interaction matrix, { q i } \{q_i\} {qi}是固有增长率向量, h i j h_{ij} hij代表物种 i i i对物种 j j j丰度变化的响应。

用有向图 G = ( X , E ) \mathcal G=(X,E) G=(X,E)表示生态网络,其中节点 X = { x 1 , ⋯   , x N } X=\{x_1,\cdots,x_N\} X={x1,,xN}代表物种,边 ( x j → x i ) ∈ E (x_j \to x_i) \in E (xjxi)E代表物种 j j j对物种 i i i的增长率存在直接影响。从数学上来讲,微生物群落控制的目标是使得初始状态为 x 0 = x ( 0 ) x_0=x(0) x0=x(0)的生态网络经过一段时间后状态演化为 x d x_d xd,一般假设系统不会自行演化为 x d x_d xd。为了控制微生物群落,选择 M M M个物种作为驱动物种(atuated species),将驱动物种的丰度记为 u ( t ) ∈ R M u(t) \in \mathbb R^M u(t)RM(比如 u j ( t ) < 0 u_j(t)<0 uj(t)<0代表在 t t t时刻降低第 j j j个驱动物种的丰度, u j ( t ) > 0 u_j(t)>0 uj(t)>0代表在 t t t时刻增加第 j j j个驱动物种的丰度)。将驱动物种纳入生态网络 G \mathcal G G中,得到controlled ecological network G C = ( X ∪ U , E ∪ B ) \mathcal G^C = (X \cup U,E \cup B) GC=(XU,EB),其中新增节点 U = { u 1 , ⋯   , u M } U=\{u_1,\cdots,u_M\} U={u1,,uM}代表驱动物种,新增边 B = { ( u j → x i ) } B=\{(u_j \to x_i)\} B={(ujxi)}代表第 j j j个驱动物种对第 i i i个物种的的增长率存在直接影响。

在这里插入图片描述

根据引入的控制变量修正生态系统的演化模型为:
x ˙ ( t ) = f ( x ( t ) ) + g ( x ( t ) ) u ( t ) \dot{x}(t)=f(x(t))+g(x(t))u(t) x˙(t)=f(x(t))+g(x(t))u(t)

其中 g : R N → R M g:\mathbb R^N \to \mathbb R^M g:RNRM,用它表示驱动物种对生态网络的影响,假设 g g g也是亚纯函数,并且 ( u j → x i ) ∈ B (u_j \to x_i) \in B (ujxi)B时, g i j ≠ 0 g_{ij} \ne 0 gij=0

识别驱动物种

U = { u 1 , ⋯   , u M } U=\{u_1,\cdots,u_M\} U={u1,,uM}成为驱动物种的条件是 { f , g } \{f,g\} {f,g}代表的演化模型 x ˙ ( t ) = f ( x ( t ) ) + g ( x ( t ) ) u ( t ) \dot{x}(t)=f(x(t))+g(x(t))u(t) x˙(t)=f(x(t))+g(x(t))u(t)不存在autonomous elements(或称这个模型accessible),即不存在函数 ξ \xi ξ,使得 F ( ξ , ξ ( 1 ) , ⋯   , ξ ( ν ) ) = 0 F(\xi,\xi^{(1)},\cdots,\xi^{(\nu)})=0 F(ξ,ξ(1),,ξ(ν))=0,其中 ν ∈ Z \nu \in \mathbb Z νZ F F F是亚纯函数。

下面贴上一段原文,这段原文的主要作用是推导continuous与impulse control scheme的模型accessible的条件等价(continuous scheme的含义是控制 u ( t ) u(t) u(t)连续变化,impulse control scheme的含义是让 u ( t ) u(t) u(t)只在部分时间点具有非0值,其他时候都为0),这个结论可以降低实验设计的难度,避免需要寻找连续控制驱动物种丰度的方法。

另外,在无法直接证明 G C \mathcal G^C GC为accessible system时,另一种可行的方案是验证 G C \mathcal G^C GC是否满足以下条件:

  • 每个节点都可以作为从以驱动物种为起点的有向路径的终点;
  • 存在一系列回路或路径,它们互不相交但经过所有节点

这个结论的推导与证明可以看原文Structural accessibility characterizes the generic absence of autonomous elements.部分,以及附录第三节。

原文提出可以用一种maximum matching与strongly-connected component decomposition结合的算法计算minimum sets of driver species。

在这里插入图片描述

在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述

操纵驱动物种

考虑impulse control sequence { u ( t k ) : t k ∈ T } \{u(t_k):t_k \in \mathbb T\} {u(tk):tkT},接下来的目标是根据目标 x d x_d xd,确定control sequence的取值。用 L L L表示prediction horizon,在 t k t_k tk时刻,使用已知信息,即当前各种群丰度 x ( t k ) x(t_k) x(tk)、增长率的演化规律 { f , g } \{f,g\} {f,g}以及接下来 L L L期的control sequence { u t k , ⋯   , u t k + L − 1 } \{u_{t_k},\cdots,u_{t_{k+L-1}}\} {utk,,utk+L1},预测的未来 L L L期的丰度为 { x ^ t k + 1 , ⋯   , x ^ t k + 1 + L } \{ \hat x_{t_{k+1}},\cdots,\hat x_{t_{k+1+L}}\} {x^tk+1,,x^tk+1+L},则最优control sequence为
U k , L ∗ = arg min ⁡ U k , L ∈ R M × L J x d ( X ^ k , L , U k , L ) , U k , L ∈ Ω U_{k,L}^*= \argmin_{U_{k,L} \in \mathbb R^{M \times L}} J_{x_d}(\hat X_{k,L},U_{k,L}),U_{k,L} \in \Omega Uk,L=Uk,LRM×LargminJxd(X^k,L,Uk,L),Uk,LΩ

其中 Ω \Omega Ω代表控制序列需要满足的约束, J J J表示某种cost function。因此确定control sequence的方法就是求解这个动态规划。

举报

相关推荐

0 条评论