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

技術的概要：部分的に観測された確率過程の構造的識別可能性

問題定義
実験データの入手可能性の増大に伴い、定量的な知見を得るために確率モデルを較正する必要性が高まっている。パラメータ推定の基本的な前提条件は構造的識別可能性、すなわち、理想的なノイズフリーのデータからモデルパラメータを一意に復元できるかどうかを決定することである。常微分方程式（ODE）モデルに対しては広範な手法が存在するが、確率過程の構造的識別可能性を評価するための一般的な手法は欠如している。この課題は、これらの過程に内在するランダム性と、利用可能なデータの本質によってさらに悪化している。具体的には、本論文は識別可能性が観測 regime にどのように依存するかを扱っており、単一粒子軌道データ（個体ベース）と総粒子密度データ（集団レベル）を区別している。部分的に観測されたマルコフ過程の場合、データが粒子の内部状態を隠蔽しているという事実により課題が複雑化し、パラメータ推論が困難となる。

手法
著者らは、空間・時間確率過程のクラス、具体的には粒子の内部状態が、それぞれ固定された速度によって特徴付けられる状態のネットワーク内で連続時間マルコフ連鎖として進化する速度ジャンプモデルに対する構造的識別可能性を分析する新しい手法を提案する。本研究は、2 種類のデータタイプに対応する 2 つの異なる数学的表現を採用する。

1. 個体ベースモデル（単一粒子軌道）：

   • 著者らは、連続時間マルコフ過程の明示的な個体ベース記述を利用する。
   • 軌道 $x(t)$ とその導関数 $x'(t)$ を分析する。$x'(t)$ は区分的に一定であり、状態速度の集合から値をとる。
   • 識別可能性は、各状態に費やされた時間の累積分布を導出すること（スイッチング率を同定するため）と、状態間の遷移頻度を導出すること（遷移確率を同定するため）によって評価される。
   • 初期条件（位置と状態分布）は、数え上げ無限の軌道にわたる開始点と初期速度の分布を分析することで同定される。

2. 集団レベルモデル（総粒子密度）：

   • 著者らは、各状態 $s$ における粒子密度 $n_s(x,t)$ の進化を記述する偏微分方程式（PDE）系（フォッカー・プランク定式化）を導出する。
   • 観測されていない状態変数（$n_1, n_2, n_3$）を記号的に消去して、観測可能な総密度 $N(x,t)$ とモデルパラメータのみに依存する入出力方程式を導出する、ODE 解析で一般的な微分代数アプローチを PDE 系に適用する。
   • 新規な初期条件分析： 標準的な微分代数が $t=0$ においてすべての識別可能性情報を捉えられないこと（空間微分と時間微分が比例し得るため）を認識し、著者らは新しい手法を導入する。PDE 系の特性方程式を利用して、$t=0$ における密度進化のテイラー展開を構築する。これにより、標準的な消去法では明らかにならない初期条件に関連する追加のパラメータ結合の同定が可能となる。

主要な結果
この手法は、9 つのパラメータ（速度、スイッチング率、遷移確率）を持つ 3 状態速度ジャンプモデルに適用される。

• 単一粒子軌道データ：

  • 数え上げ無限の無限長の単一粒子軌道が利用可能な場合、モデルは（状態のラベル付けの変更を除いて）構造的に大域的に識別可能である。
  • 速度、スイッチング率、遷移確率、および初期条件分布を含むすべてのパラメータを一意に復元できる。

• 総粒子密度データ：

  • PDE 系に対する微分代数アプローチを用いることで、著者らはモデルパラメータの関数である係数（$c_1$ から $c_8$）を持つ入出力方程式を導出する。
  • 速度とスイッチング率は（状態のラベル付けの変更を除いて）構造的に識別可能であることが判明する。
  • しかし、遷移確率パラメータは、PDE 単独から導出された入出力係数を用いるだけでは大域的に識別可能ではない；これらは複数の解を与える二次方程式を満たす。
  • 初期条件の影響： $t=0$ における標準的な微分代数アプローチは、初期条件に関連する識別可能な係数（$c_9$）のみを導出するが、これは初期状態確率（$a_1, a_2, a_3$）を同定するには不十分である。
  • テイラー展開の寄与： 特性方程式に基づく新規のテイラー展開手法を適用することで、著者らは追加の係数（$c_{10}$ から $c_{15}$）を同定する。これらの係数により、初期状態確率の同定が可能となる。
  • 局所的識別可能性： テイラー展開からの追加係数を用いても、モデルは確率パラメータに関して構造的に局所的に識別可能であるに留まる。これは、パラメータが真の値の小さな近傍では一意に識別可能である一方で、特定の初期条件の下で同一の総粒子密度進化を生み出す異なるパラメータセット（同等モデル）が存在することを意味する。

• 特殊な場合（共有速度）：

  • 2 つまたは 3 つの状態が同じ速度を共有する場合、識別可能性は低下する。3 つの状態すべてが同じ速度を共有する場合、速度のみが識別可能であり、すべての率および確率パラメータは非識別可能となる。
  • 2 つの状態が速度を共有する場合、それらのスイッチング率の和は識別可能であるが、個々の率および確率は、テイラー展開手法を用いても一般的に非識別のままである。

意義と主張
本論文は、個体ベース記述と集団レベル PDE 定式化の間のギャップを埋める、空間・時間確率過程の構造的識別可能性を分析する最初の一般的な手法を提供すると主張している。

• データタイプ依存性： 本研究は重要な区別を浮き彫りにしている。単一粒子軌道データは大域的構造的識別可能性をもたらすのに対し、総粒子密度データは局所的識別可能性のみをもたらす。これは、実験的観測 regime の選択が、一意のパラメータ推論の実現可能性を根本的に規定することを強調している。
• 初期条件の役割： この研究は、初期条件が PDE モデルにおける構造的識別可能性に大きく影響することを示している。著者らは、標準的な微分代数アプローチがこれらの確率的文脈における初期条件の情報を捉えるのにしばしば不十分であり、特性方程式に基づく提案されたテイラー展開手法が、追加の識別可能なパラメータ結合を明らかにするために必要であると主張している。
• 実験設計への示唆： 構造的に同等なモデル（異なるパラメータが同一の密度進化を生み出す）の存在は、初期条件を変化させることが、実験設計におけるパラメータ識別可能性を改善するための実用的な戦略となり得ることを示唆している。
• 手法の拡張： 著者らは、特にテイラー展開のための特性方程式の使用を含む彼らのアプローチが、そのような方程式をモデルパラメータの関数として記述できる他の確率モデルに適用可能であり、空間成分を有する化学反応ネットワークへも拡張可能であると述べている。

著者らは、現実的な応用については慎重であり、その結果は理想的なノイズフリーの環境における識別可能性を特徴付けるものであると指摘している。彼らは明示的に、有限でノイズのあるデータを用いた実用的な識別可能性に対処し、より複雑な初期条件または境界条件を持つモデルへこれらの手法を拡張するための将来の研究が必要であると述べている。