Structural identifiability of partially-observed stochastic processes: from single-particle trajectories to total particle density data

Technische Zusammenfassung: Strukturelle Identifizierbarkeit teilweise beobachteter stochastischer Prozesse

Problemstellung
Die zunehmende Verfügbarkeit experimenteller Daten hat den Bedarf an der Kalibrierung stochastischer Modelle zur Gewinnung quantitativer Erkenntnisse verschärft. Eine grundlegende Voraussetzung für die Parameterschätzung ist die strukturelle Identifizierbarkeit: die Bestimmung, ob Modellparameter aus idealisierten, rauschfreien Daten eindeutig rekonstruiert werden können. Während für Modelle gewöhnlicher Differentialgleichungen (ODE) umfangreiche Methoden existieren, fehlt es an allgemeinen Methoden zur Beurteilung der strukturellen Identifizierbarkeit stochastischer Prozesse. Diese Herausforderung wird durch die in diesen Prozessen inhärente Zufälligkeit und die Art der verfügbaren Daten verschärft. Insbesondere behandelt die Arbeit, wie die Identifizierbarkeit vom Beobachtungsregime abhängt, wobei zwischen Einzelteilchen-Trajektorien-Daten (individuenbasiert) und Gesamtpartikeldichte-Daten (populationsbasiert) unterschieden wird. Für teilweise beobachtete Markov-Prozesse wird die Herausforderung dadurch verschärft, dass Daten die internen Zustände der Partikel verbergen können, was die Parameterschätzung erschwert.

Methodik
Die Autoren schlagen eine neue Methodik zur Analyse der strukturellen Identifizierbarkeit für eine Klasse von raumzeitlichen stochastischen Prozessen vor, speziell Geschwindigkeitssprung-Modelle, bei denen sich der interne Zustand eines Partikels als zeitstetige Markov-Kette innerhalb eines Netzwerks von Zuständen entwickelt, die jeweils durch eine feste Geschwindigkeit charakterisiert sind. Die Studie verwendet zwei unterschiedliche mathematische Darstellungen, die den beiden Datentypen entsprechen:

1. Individuenbasiertes Modell (Einzelteilchen-Trajektorien):

   • Die Autoren nutzen die explizite individuenbasierte Beschreibung des zeitstetigen Markov-Prozesses.
   • Sie analysieren die Trajektorie $x(t)$ und ihre Ableitung $x'(t)$, die stückweise konstant ist und Werte aus der Menge der Zustandsgeschwindigkeiten annimmt.
   • Die Identifizierbarkeit wird bewertet, indem die kumulative Verteilung der in jedem Zustand verbrachten Zeit hergeleitet wird (zur Identifizierung der Umschaltraten) und die Häufigkeit von Übergängen zwischen Zuständen (zur Identifizierung der Übergangswahrscheinlichkeiten).
   • Anfangsbedingungen (Ort und Zustandsverteilung) werden durch Analyse der Verteilung der Startpunkte und Anfangsgeschwindigkeiten über eine abzählbar unendliche Anzahl von Trajektorien identifiziert.

2. Populationsbasiertes Modell (Gesamtpartikeldichte):

   • Die Autoren leiten ein System partieller Differentialgleichungen (PDE) (eine Fokker-Planck-Formulierung) her, das die Entwicklung der Partikeldichte $n_s(x,t)$ in jedem Zustand $s$ beschreibt.
   • Sie wenden den differential-algebraischen Ansatz an, eine in der ODE-Analyse gängige Technik, auf das PDE-System. Dies beinhaltet das symbolische Eliminieren nicht beobachteter Zustandsvariablen ($n_1, n_2, n_3$), um Eingangs-Ausgangs-Gleichungen herzuleiten, die nur von der beobachtbaren Gesamtdichte $N(x,t)$ und den Modellparametern abhängen.
   • Neuartige Analyse der Anfangsbedingungen: In Anbetracht der Tatsache, dass die Standard-differential-algebraische Analyse bei $t=0$ möglicherweise nicht alle Informationen zur Identifizierbarkeit erfasst (da räumliche und zeitliche Ableitungen proportional sein können), führen die Autoren eine neue Methode ein. Sie nutzen die charakteristischen Gleichungen des PDE-Systems, um eine Taylor-Reihenentwicklung der Dichteentwicklung um $t=0$ zu konstruieren. Dies ermöglicht die Identifizierung zusätzlicher Parameterkombinationen im Zusammenhang mit der Anfangsbedingung, die durch Standard-Eliminierung nicht offensichtlich sind.

Hauptergebnisse
Die Methodik wird auf ein dreizuständiges Geschwindigkeitssprung-Modell mit neun Parametern (Geschwindigkeiten, Umschaltraten und Übergangswahrscheinlichkeiten) angewendet.

• Einzelteilchen-Trajektorien-Daten:

  • Das Modell ist strukturell global identifizierbar (bis auf eine Neubenennung der Zustände), wenn eine abzählbar unendliche Anzahl unendlich langer Einzelteilchen-Trajektorien verfügbar ist.
  • Alle Parameter, einschließlich Geschwindigkeiten, Umschaltraten, Übergangswahrscheinlichkeiten und der Verteilung der Anfangsbedingungen, können eindeutig rekonstruiert werden.

• Gesamtpartikeldichte-Daten:

  • Unter Verwendung des differential-algebraischen Ansatzes auf dem PDE-System leiten die Autoren Eingangs-Ausgangs-Gleichungen mit Koeffizienten ($c_1$ bis $c_8$) her, die Funktionen der Modellparameter sind.
  • Es wird festgestellt, dass Geschwindigkeiten und Umschaltraten strukturell identifizierbar sind (bis auf eine Neubenennung der Zustände).
  • Die Parameter der Übergangswahrscheinlichkeiten sind jedoch nicht global identifizierbar, wenn nur die aus dem PDE allein abgeleiteten Eingangs-Ausgangs-Koeffizienten verwendet werden; sie erfüllen quadratische Gleichungen, die mehrere Lösungen liefern.
  • Auswirkung der Anfangsbedingungen: Der Standard-differential-algebraische Ansatz bei $t=0$ liefert nur einen identifizierbaren Koeffizienten ($c_9$) im Zusammenhang mit der Anfangsbedingung, der nicht ausreicht, um die Anfangszustandswahrscheinlichkeiten ($a_1, a_2, a_3$) zu identifizieren.
  • Beitrag der Taylor-Reihenentwicklung: Durch Anwendung der neuartigen Taylor-Reihenentwicklungsmethode basierend auf charakteristischen Gleichungen identifizieren die Autoren zusätzliche Koeffizienten ($c_{10}$ bis $c_{15}$). Diese Koeffizienten ermöglichen die Identifizierung der Anfangszustandswahrscheinlichkeiten.
  • Lokale Identifizierbarkeit: Selbst mit den zusätzlichen Koeffizienten aus der Taylor-Reihenentwicklung ist das Modell nur lokal strukturell identifizierbar bezüglich der Wahrscheinlichkeitsparameter. Dies bedeutet, dass die Parameter zwar in einer kleinen Umgebung der wahren Werte eindeutig identifizierbar sind, aber es existieren verschiedene Parametersätze (äquivalente Modelle), die unter bestimmten Anfangsbedingungen identische Entwicklungen der Gesamtpartikeldichte erzeugen.

• Spezialfälle (gemeinsame Geschwindigkeiten):

  • Wenn zwei oder drei Zustände dieselbe Geschwindigkeit teilen, verschlechtert sich die Identifizierbarkeit. Wenn alle drei Zustände dieselbe Geschwindigkeit teilen, ist nur die Geschwindigkeit identifizierbar; alle Raten- und Wahrscheinlichkeitsparameter werden nicht identifizierbar.
  • Wenn zwei Zustände eine Geschwindigkeit teilen, ist die Summe ihrer Umschaltraten identifizierbar, aber die einzelnen Raten und Wahrscheinlichkeiten bleiben im Allgemeinen auch mit der Taylor-Reihenentwicklungsmethode nicht identifizierbar.

Bedeutung und Behauptungen
Die Arbeit behauptet, die erste allgemeine Methodik zur Analyse der strukturellen Identifizierbarkeit raumzeitlicher stochastischer Prozesse zu liefern und die Lücke zwischen individuenbasierten Beschreibungen und populationsbasierten PDE-Formulierungen zu schließen.

• Abhängigkeit vom Datentyp: Die Studie hebt eine kritische Unterscheidung hervor: Einzelteilchen-Trajektorien-Daten führen zu einer globalen strukturellen Identifizierbarkeit, während Gesamtpartikeldichte-Daten nur zu einer lokalen Identifizierbarkeit führen. Dies unterstreicht, dass die Wahl des experimentellen Beobachtungsregimes die Machbarkeit einer eindeutigen Parameterschätzung grundlegend bestimmt.
• Rolle der Anfangsbedingungen: Die Arbeit zeigt, dass Anfangsbedingungen die strukturelle Identifizierbarkeit in PDE-Modellen erheblich beeinflussen. Die Autoren behaupten, dass Standard-differential-algebraische Ansätze in diesen stochastischen Kontexten oft unzureichend sind, um Informationen über Anfangsbedingungen zu erfassen, und dass ihre vorgeschlagene Taylor-Reihenentwicklungsmethode basierend auf charakteristischen Gleichungen notwendig ist, um zusätzliche identifizierbare Parameterkombinationen aufzudecken.
• Implikationen für das Experimentdesign: Die Existenz strukturell äquivalenter Modelle (verschiedene Parameter, die identische Dichteentwicklungen erzeugen) legt nahe, dass die Variation von Anfangsbedingungen als praktische Strategie zur Verbesserung der Parameteridentifizierbarkeit im Experimentdesign dienen könnte.
• Methodische Erweiterung: Die Autoren behaupten, dass ihr Ansatz, insbesondere die Verwendung charakteristischer Gleichungen für Taylor-Reihenentwicklungen, auf andere stochastische Modelle anwendbar ist, für die solche Gleichungen in Bezug auf Modellparameter formuliert werden können, und sich potenziell auf chemische Reaktionsnetzwerke mit räumlichen Komponenten erstrecken lässt.

Die Autoren bleiben bezüglich praktischer Anwendungen bescheiden und weisen darauf hin, dass ihre Ergebnisse die Identifizierbarkeit in idealisierten, rauschfreien Settings charakterisieren. Sie stellen ausdrücklich fest, dass zukünftige Arbeiten erforderlich sind, um die praktische Identifizierbarkeit mit endlichen, verrauschten Daten zu adressieren und diese Methoden auf Modelle mit komplexeren Anfangs- oder Randbedingungen zu erweitern.