Ciągłe i stochastyczne układy dynamiczne z zastosowaniami
Andrzej Tomski
11 grudnia 2017
Chatka Puchatka (Alan Milne)
„A Tygrys z Kłapouchym poszli i to razem, ponieważ Kłapouchy chciał powiedzieć Tygrysowi, jak wygrać w misie-patysie, co się łatwo osiąga za pomocą pewnego szarpnięcia...”
Ta dziecinna zabawa to w istocie prosty przykład (ciągłego) układu dynamicznego.
Cel
Chcemy opisać własności rozwiązań (układów) równań różniczkowych lub zbiorów zawierających (ewentualnie dostatecznie bliskich) te rozwiązania, gdy nie potrafimy ich rozwiązać (a zazwyczaj nie potrafimy).
Definicja
Ciągłym układem dynamicznym nazwiemy parę (X , π), gdzie X jest przestrzenią metryczną, a odwzorowanie π : R × X → X spełnia następujące warunki:
π jest ciągłe,
∀x ∈ X : π(0, x) = x,
∀x ∈ X , t, s ∈ R : π(s, π(t, x)) = π(t + s, x).
X nazwiemy wtedy przestrzenią fazową.
Definicja
Trajektorią π(x ) punktu x ∈ X nazwiemy π(R × {x}). Ograniczając się, odpowiednio do dodatniej lub do ujemnej półosi rzeczywistej, otrzymamy półtrajektorię dodatnią lub półtrajektorię ujemną.
Przykłady
Twierdzenie (o zadawaniu układu dynamicznego)
Definicja
Niech n 1, Q ⊂ Rnoraz f : Q → Rn. Autonomicznym równaniem różniczkowym nazywamy równanie postaci:
x0 = f (x ).
Twierdzenie
Autonomiczne równania różniczkowe zadają ciągłe układy dynamiczne, pod warunkiem, że mają jednoznacznie określone rozwiązanie, które można przedłużać w czasie do nieskończoności.
Atraktory
Definicja
Punkt x jest stacjonarny, jeżeli ∀t : π(t, x ) = x .
Definicja
Definicja. Zbiór A ⊂ X jest niezmienniczy, jeżeli z tego x ∈ A wynika, że π(x ) ⊂ A. Najmniejszy niepusty i domknięty zbiór o tych własnościach nazywamy zbiorem minimalnym.
Atraktory - c.d.
Definicja
Zbiór domknięty A nazywamy atraktorem (inaczej: zbiorem przyciągającym), jeżeli istnieje U ⊃ A o własności:
∀t : π(t, U) ⊂ U oraz \
t0
π(t, U) = A.
Uwaga
Będą nas interesować układy dynamiczne losowo przełączające się i zadamy pytanie, czy zbiory niezmiennicze, minimalne, atraktory istnieją również dla tego typu układów?
Przykłady - punkt
Przykłady - punkt (polskie nazewnictwo)
Przykłady - cykl graniczny w modelu Van der Pola
Układ równań
(dx
dt = dydt
dy
dt = (1 − x2)y − x
Przykłady - atraktor fraktalny (Lorentza)
Układ równań
dx
dt = 10(y − z)
dy
dt = x (28 − z) − y
dz
dt = xy −83z
Stochastyczne układy dynamiczne
Uwaga
Zauważmy, że w przypadku zwykłego układu dynamicznego, startując z punktu, po upływie pewnego czasu też znajdziemy się w punkcie. Za to w przypadku stochastycznych układów dynamicznych, startując z punktu, po upływie pewnego czasu otrzymamy rozkład położenia absolutnie ciągły względem miary Lebesgue’a λ, czyli pewien rozkład µ, że istnieje funkcja borelowska f : Rn→ [0, ∞) taka, że:
µ(X ) = Z
Xf (x )d λ(x ), X ∈ B(Rn).
Idea naszego podejścia
Badamy zależności pomiędzy pewnymi typami substancji (cząsteczkami, molekułami, itd.).
Dynamika tych zmian jest opisywana przez układy dynamiczne, które przełączają się losowo.
Chcemy wiedzieć, czy istnieje atraktor dla takiego procesu.
Możemy to rozwiązać, używając technik z teorii półgrup operatorów (co zostanie zdefiniowane później).
Znajdziemy atraktor i pokażemy, że rozkłady procesu są na nim skoncentrowane.
Ekspresja genów: trzy fazy
Po lewej stronie schemat ekspresji genów w oparciu o translację i transkrypcję. Po prawej stronie schemat ekspresji genów w oparciu dodatkowo o produkcję pre-mRNA.
Modele oparte o Piecewise Deterministic Markov Process
(PDMP, M.H.A. Davis, 1984)
Model
Interpretacja
∀i > 0 : stałe Ai> 0 to tempa przyrostu molekuł kolejno: pre-mRNA, mRNA i białek, podobnie ∀i > 0 : stałe di > 0 to tempa biologicznej degradacji molekuł kolejno: pre-mRNA, mRNA i białek.
Modele ekspresji z udziałem pre-mRNA
0−q−−−−−−0(x1,x2,x→ 1, 03) ←q−−−−−−1(x1,x2,x3− 1) dx1
dt = A1γ(t) − d1x1
dx2
dt = A2x1− d2x2
dx3
dt = A3x2− d3x3,
(1)
z Ai > 0 i di > 0. Po dokonaniu prostych podstawień:
dx1
dt = γ(t) − x1 dx2
dt = a(x1− x2)
dx3
dt = b(x2− x3),
(2)
gdzie a, b > 0.
Czym jest γ(t)?
Definicja
Niech i0∈ {0, 1}, T0= 0, x = (x1, x2, x3), wtedy:
γ(t) =
(i0, t ∈ [T0, T1) 1 − i0, t = T1
T1jest nazywane „czasem pierwszego skoku procesu” i to jest zmienna losowa o rozkładzie:
Fx ,i0(t) = Prob(T16 t) = 1 − exp
− Z t
0
qi0(πi0(s, x ))ds
.
Uwaga
Jeżeli qi0 jest stałą, ten rozkład to po prostu rozkład wykładniczy z parametrem qi0. Podobnie, zmienne losowe: Ti, i = 2, ..., są nazywane
„czasami n-tego skoku procesu”.
Model z udziałem pre-mRNA - układy dynamiczne
Narzędzia: półgrupy Markowa indukowane przez PDMP
Niech (X, Σ, m) be a σ−skończoną przestrzeń mierzalną z miarą m.
Przez D oznaczamy podzbiór L1:= L1(X, Σ, m) która jest zbiorem gęstosci; to znaczy:
D = {f ∈ L1: f > 0, ||f ||L1 = 1}
Definicja
Odwzorowanie liniowe zachowujące zbiór D P : L1→ L1, (P(D) ⊂ D) jest nazywane operatorem Markowa.
Półgrupy Markowa
Definicja
Rodzinę {P(t)}t>0operatorów Markowa, która spełnia następujące warunki:
P(0) =Id (I),
P(t + s) = P(t)P(s) dla s, t > 0 (II),
dla każdego f ∈ L1funkcja t → P(t)f jest ciągła ze względu na normę L1(silna ciągłość) (III),
nazywamy półgrupą Markowa.
Asymptotyczna stabilność
Asymptotyczna stabilność (w sensie Liapunowa)
Półgrupa Markowa {P(t)}t>0 jest asymptotycznie stabilna, jeżeli istnieje gęstość niezmiennicza dla {P(t)}t>0, czyli f∗∈ D taka, że P(t)f∗= f∗ dla każdego t > 0,
dla każdej f ∈ D :
t→∞lim ||P(t)f − f∗|| = 0. (3)
Wniosek
Półgrupa Markowa generowana przez PDMP jest asymptotycznie stabilna
⇒ rozkłady procesu zmierzają do stacjonarnej gęstości.
Stochastyczny atraktor
W zastosowaniach, mamy X = X × I , gdzie X ⊂ Rd, I = {0, 1, ..., n}
i konstruujemy półgrupę Markowa {P(t)}t0, w przestrzeni
L1(X × I , B(X × I ), dx × di). Zawężamy jej analizę do zbioru o nazwie stochastyczny atraktor, czyli mierzalny podzbiór zbioru S of X , taki że:
t→∞lim Z
S×I
P(t)f (x , i )dx di = 1 (4)
dla każdej funkcji f ∈ L1(X × I ). To pozwoli nam zacieśnić dziedzinę {P(t)}t0 tylko do funkcji f ∈ L1(S × I ). Co więcej, chcemy znaleźć atraktor, który zagra rolę nośnika gęstości niezmienniczej.
Model z udziałem pre-mRNA: atraktor
Twierdzenie
Niech qi(x) > 0, i = 0, 1 dla x ∈ [0, 1]3. Wtedy półgrupa Markowa {P(t)}t>0 jest asymptotycznie stabilna oraz nośnikiem gęstości niezmienniczej jest A = A × {0, 1}, gdzie A jest wyrażone w bazie wektorów własnych:
A = {(x − y + z, xa− ya+ za, xb− yb+ zb) : 1 > x > y > z > 0}. (5)
Idea dowodu(1)
Idea dowodu(2)
Idea dowodu(3)
Projekcje na płaszczyznę
Komunikacja między stanami
Komunikacja między stanami w A
Dało to odpowiedź na następujące pytanie: czy jest możliwe, by połączyć każde 2 punkty we wnętrzu A łącząc trajektorie obydwu układów?
Trajektorie (w R
3)
Estymacja gęstości niezmienniczej
Rozważamy szczególnie interesujące zachowanie modelu, gdy obie intensywności q0 and q1zmierzają do nieskonczoności, w przeciwieństwie do ich stosunku. Wtedy możemy zastąpić the proces stochastyczny γ(t) przez jego wartość oczekiwaną Γ := Eγ = q0q+q0 1m by otrzymać stan o nazwie granica deterministyczna lub adiabatyczna. Stąd, układ transformuje się do deterministycznego układu trzech ODEs:
dx1
dt = Γ(x3) − x1
dx2
dt = a(x1− x2) dx3
dt = b(x2− x3).
(6)
W zależności od wartości parametrów a i b, badamy pewne specyficzne typy zachowań [2]. Rozważamy przypadek negatywnej autoregulacji, to znaczy gdy Γ jest malejącą funkcją x3.
Cykl graniczny w granicy adiabatycznej i negatywnej
autoregulacji (a=1, b=1)
Bistabilność w granicy adiabatycznej i pozytynwej
autoregulacji(a=1, b=1)
Inne modele
Nieliniowy model różnicowania komórek macierzystych (Paździorek).