Upload
lequynh
View
221
Download
7
Embed Size (px)
Citation preview
Biologi: en utmaning for Numerisk Analys
Stefan Engblom
BerakningsvetenskapInformationsteknologiUppsala Universitet
Docentforelasning, Uppsala, 6:e Mars, 2013
(TDB/IT UU) Biologiska Berakningar 130306 1 / 17
Idag
Mal:Utveckla och belysa begrepp fran Berakningsvetenskap I, II och III stalldinfor problem fran Biologisk modellering.
(TDB/IT UU) Biologiska Berakningar 130306 2 / 17
Innehall
MotivationNumerisk analys......Biologisk realitet
1. Stokastiska formuleringar
2. Systemenergi
Avslutning
(TDB/IT UU) Biologiska Berakningar 130306 3 / 17
Motivation Numerisk analys...
Numerisk analysEn komprimerad abstrakt sammanfattning!
Matbara data y , fysik f (ofta en differentialoperator), okant tillstand x .
Matematiskt problem f (x) = y , losning x = f −1(y).
Det matematiska problemet ar stabilt om‖f −1(y1)− f −1(y2)‖ ≤ F‖y1 − y2‖.
Numeriskt problem gh(x) = y , losning x = x(h) = g−1h (y).Diskretiseringsparameter h ∈ (0, 1).
Det numeriska problemet ar stabilt om‖g−1h (y1)− g−1h (y2)‖ ≤ G‖y1 − y2‖.
(TDB/IT UU) Biologiska Berakningar 130306 4 / 17
Motivation Numerisk analys...
Numerisk analysEn komprimerad abstrakt sammanfattning!
Matbara data y , fysik f (ofta en differentialoperator), okant tillstand x .
Matematiskt problem f (x) = y , losning x = f −1(y).
Det matematiska problemet ar stabilt om‖f −1(y1)− f −1(y2)‖ ≤ F‖y1 − y2‖.
Numeriskt problem gh(x) = y , losning x = x(h) = g−1h (y).Diskretiseringsparameter h ∈ (0, 1).
Det numeriska problemet ar stabilt om‖g−1h (y1)− g−1h (y2)‖ ≤ G‖y1 − y2‖.
(TDB/IT UU) Biologiska Berakningar 130306 4 / 17
Motivation Numerisk analys...
Numerisk analysLax ekvivalens
En numerisk metod ar konsistent om ∀x : limh→0 ‖(f − gh)(x)‖ = 0.
En numerisk metod ar konvergent om ∀y : limh→0 ‖(g−1h − f −1)(y)‖ = 0.
En stabil och konsistent numerisk metod ar konvergent.
Bevis.Definiera y := gh(x).
‖Felet‖ = ‖x − x‖ = ‖g−1h (y)− g−1h (y)‖ (stabilt)
≤ G‖y − y‖ = G‖f (x)− gh(x)‖ (konsistent)
→ 0, h→ 0.
(TDB/IT UU) Biologiska Berakningar 130306 5 / 17
Motivation Numerisk analys...
Numerisk analysLax ekvivalens
En numerisk metod ar konsistent om ∀x : limh→0 ‖(f − gh)(x)‖ = 0.
En numerisk metod ar konvergent om ∀y : limh→0 ‖(g−1h − f −1)(y)‖ = 0.
En stabil och konsistent numerisk metod ar konvergent.
Bevis.Definiera y := gh(x).
‖Felet‖ = ‖x − x‖ = ‖g−1h (y)− g−1h (y)‖ (stabilt)
≤ G‖y − y‖ = G‖f (x)− gh(x)‖ (konsistent)
→ 0, h→ 0.
(TDB/IT UU) Biologiska Berakningar 130306 5 / 17
Motivation ...Biologisk realitet
Biologisk realitet
Film #1 : numerisk losning av vagekvationen (K. Mattsson, M. Almquist).
Film #2 : neutrofiler i en mus (G. Christoffersson, M. Phillipson).
Matbara data y? Fysik f ? Tillstand x? Stabilitet? Konsistens?Konvergens?
(TDB/IT UU) Biologiska Berakningar 130306 6 / 17
Motivation ...Biologisk realitet
Biologisk realitet
Film #1 : numerisk losning av vagekvationen (K. Mattsson, M. Almquist).
Film #2 : neutrofiler i en mus (G. Christoffersson, M. Phillipson).
Matbara data y? Fysik f ? Tillstand x? Stabilitet? Konsistens?Konvergens?
(TDB/IT UU) Biologiska Berakningar 130306 6 / 17
1. Stokastiska formuleringar
Brownsk rorelse
Exempel: Partikel i en vatska (Einstein).
En stokastisk modell ar enklare men beror i gengald pa slumpen.
(TDB/IT UU) Biologiska Berakningar 130306 7 / 17
1. Stokastiska formuleringar
Brownsk rorelse
Exempel: Partikel i en vatska (Einstein).
En stokastisk modell ar enklare men beror i gengald pa slumpen.
(TDB/IT UU) Biologiska Berakningar 130306 7 / 17
1. Stokastiska formuleringar
Stokastisk modellering av biokemi
Exempel: Bimolekylar reaktion X + Y → Z .
-Vad ar sannolikhetenP(1st X och 1st Y reagerar i tidsintervallet [0,∆t])?
XY
X
X
X
Y
Y
Y
X V
I P ∝ nX (“antal X -molekyler”)
I P ∝ nY
I P ∝ 1/V
I P ∝ ∆t
=⇒ P(X + Y → Z i tidsintervallet [0,∆t]) = konst · nXnY ∆t/V .
Beskriver en tidskontinuerlig Markovkedja.
(TDB/IT UU) Biologiska Berakningar 130306 8 / 17
1. Stokastiska formuleringar
Stokastisk modellering av biokemi
Exempel: Bimolekylar reaktion X + Y → Z .
-Vad ar sannolikhetenP(1st X och 1st Y reagerar i tidsintervallet [0,∆t])?
XY
X
X
X
Y
Y
Y
X V
I P ∝ nX (“antal X -molekyler”)
I P ∝ nY
I P ∝ 1/V
I P ∝ ∆t
=⇒ P(X + Y → Z i tidsintervallet [0,∆t]) = konst · nXnY ∆t/V .
Beskriver en tidskontinuerlig Markovkedja.
(TDB/IT UU) Biologiska Berakningar 130306 8 / 17
1. Stokastiska formuleringar
Stokastisk modellering av biokemi
Exempel: Bimolekylar reaktion X + Y → Z .
-Vad ar sannolikhetenP(1st X och 1st Y reagerar i tidsintervallet [0,∆t])?
XY
X
X
X
Y
Y
Y
X V
I P ∝ nX (“antal X -molekyler”)
I P ∝ nY
I P ∝ 1/V
I P ∝ ∆t
=⇒ P(X + Y → Z i tidsintervallet [0,∆t]) = konst · nXnY ∆t/V .
Beskriver en tidskontinuerlig Markovkedja.
(TDB/IT UU) Biologiska Berakningar 130306 8 / 17
1. Stokastiska formuleringar
Stokastisk modellering av biokemi
Exempel: Bimolekylar reaktion X + Y → Z .
-Vad ar sannolikhetenP(1st X och 1st Y reagerar i tidsintervallet [0,∆t])?
XY
X
X
X
Y
Y
Y
X V
I P ∝ nX (“antal X -molekyler”)
I P ∝ nY
I P ∝ 1/V
I P ∝ ∆t
=⇒ P(X + Y → Z i tidsintervallet [0,∆t]) = konst · nXnY ∆t/V .
Beskriver en tidskontinuerlig Markovkedja.
(TDB/IT UU) Biologiska Berakningar 130306 8 / 17
1. Stokastiska formuleringar
Stokastisk konvergens
Deterministisk konvergens ‖xh − x‖ → 0 da h→ 0.
Stokastisk konvergens:
Stark E ‖Xh − X‖2 → 0 da h→ 0
Svag E ϕ(Xh)− ϕ(X )→ 0 da h→ 0, ∀ϕ snall testfunktion
-For manga fysiska tillampningar ar svag konvergens tillracklig:observerbarhet (...)
(TDB/IT UU) Biologiska Berakningar 130306 9 / 17
1. Stokastiska formuleringar
Stokastisk konvergens
Deterministisk konvergens ‖xh − x‖ → 0 da h→ 0.
Stokastisk konvergens:
Stark E ‖Xh − X‖2 → 0 da h→ 0
Svag E ϕ(Xh)− ϕ(X )→ 0 da h→ 0, ∀ϕ snall testfunktion
-For manga fysiska tillampningar ar svag konvergens tillracklig:observerbarhet (...)
(TDB/IT UU) Biologiska Berakningar 130306 9 / 17
1. Stokastiska formuleringar
Svag konvergensOscillationer i bakteriemembran
(TDB/IT UU) Biologiska Berakningar 130306 10 / 17
1. Stokastiska formuleringar
Svag konvergensOscillationer i bakteriemembran
−2.25 0 2.55x 10−6
0
0.2
0.4
0.6
0.8
1
Average concentration of MinDm
location (µ m)
1000 1100 1200 1300 1400 15000
250
500
750
1000
MinDm polar oscillations
time (s)
# m
olec
ules
LeftRight
(TDB/IT UU) Biologiska Berakningar 130306 11 / 17
1. Stokastiska formuleringar
Stark konvergensBistabilt problem i tva variabler
0
100
200
300
0 1 2 3 4 5
x 106
0
100
200
300
time
0 1 2 3 4 5
x 106time
(TDB/IT UU) Biologiska Berakningar 130306 12 / 17
2. Systemenergi
Systemenergi, modellering
Exempel: Tva oblandbara vatskor (olja/vatten) i en volym V .Fasfaltsvariabel φ(x) som ar ±1 i respektive vatska, diffust gransskikt darφ = 0.
Ansats pa fri energi:
Fφ =
∫V
f (φ) +ε2
4(∇φ)2 dV ,
f (φ) = (1− φ)2(1 + φ)2, en potential med tva stabila minima φ = ±1.
(TDB/IT UU) Biologiska Berakningar 130306 13 / 17
2. Systemenergi
Systemenergi, Cahn-Hilliard
“Recept”: tag variationsderivatan av Fφ med avseende pa φ,
δFφδφ
= f ′(φ)− ε
2∆φ =: µφ (kemisk potential).
En lamplig PDE for φ ar nu
∂φ
∂t= ∆µφ (Cahn-Hilliards ekvation).
Film #3 : bubblor (M. Do-Quang).
Modelleringen bestar i att gora en energiansats!-Numerisk konvergens?
(TDB/IT UU) Biologiska Berakningar 130306 14 / 17
2. Systemenergi
Systemenergi, Cahn-Hilliard
“Recept”: tag variationsderivatan av Fφ med avseende pa φ,
δFφδφ
= f ′(φ)− ε
2∆φ =: µφ (kemisk potential).
En lamplig PDE for φ ar nu
∂φ
∂t= ∆µφ (Cahn-Hilliards ekvation).
Film #3 : bubblor (M. Do-Quang).
Modelleringen bestar i att gora en energiansats!-Numerisk konvergens?
(TDB/IT UU) Biologiska Berakningar 130306 14 / 17
2. Systemenergi
Monte Carlo modellering: Cellular Potts
Systemenergi (Hamiltonian),
H =∑
grannlador i ,j
J(σi , σj)+
∑lador i
λ[V (σi )− Vref ]2,
dar J ar en randkoefficient, och(λ,Vref ) anger volymvillkor.
(TDB/IT UU) Biologiska Berakningar 130306 15 / 17
2. Systemenergi
Monte Carlo modellering: Cellular Potts
Systemenergi (Hamiltonian),
H =∑
grannlador i ,j
J(σi , σj)+
∑lador i
λ[V (σi )− Vref ]2,
dar J ar en randkoefficient, och(λ,Vref ) anger volymvillkor.
(TDB/IT UU) Biologiska Berakningar 130306 15 / 17
2. Systemenergi
Cellular Potts
-Ramverket ar flexibelt och relativt enkelt att utoka.
-Det finns en klassisk stokastisk algoritm “Metropolis” som simulerardiskreta energisystem med “ratt” statistik. Konvergens i svag mening narantalet drag →∞.
Film #4 : delta-notch signalering mellan celler (M. Soderling).
(TDB/IT UU) Biologiska Berakningar 130306 16 / 17
Avslutning
Avslutning
Ganska vanligt att
I Biologiska problem har en vag definition pa vad som menas med fel
I Modellproblem inom Numerisk analys har en valdigt detaljeraduppfattning pa vad som menas med fel
Grundbegrepp fran Numerisk analys ar fortfarande relevanta (konvergens,stabilitet)
Det gar inte att bortse fran modelleringssteget; modellen kan sallanbetraktas som fardig
(TDB/IT UU) Biologiska Berakningar 130306 17 / 17
Avslutning
Avslutning
Ganska vanligt att
I Biologiska problem har en vag definition pa vad som menas med fel
I Modellproblem inom Numerisk analys har en valdigt detaljeraduppfattning pa vad som menas med fel
Grundbegrepp fran Numerisk analys ar fortfarande relevanta (konvergens,stabilitet)
Det gar inte att bortse fran modelleringssteget; modellen kan sallanbetraktas som fardig
(TDB/IT UU) Biologiska Berakningar 130306 17 / 17
Avslutning
Avslutning
Ganska vanligt att
I Biologiska problem har en vag definition pa vad som menas med fel
I Modellproblem inom Numerisk analys har en valdigt detaljeraduppfattning pa vad som menas med fel
Grundbegrepp fran Numerisk analys ar fortfarande relevanta (konvergens,stabilitet)
Det gar inte att bortse fran modelleringssteget; modellen kan sallanbetraktas som fardig
(TDB/IT UU) Biologiska Berakningar 130306 17 / 17