Professional Documents
Culture Documents
SISTEMI COMPLESSI
(Metodi nonlineari per lo studio di sistemi biologici)
Angelo Di Garbo
Istituto di Biofisica CNR – digarbo@pi.ibf.cnr.it ; tel. 050-3152577
C:\Documents
BREAKUP
ettings\Angelo\De
I fenomeni biologici sono complessi e tipicamente
caratterizzati da proprieta’ emergenti
Interazione CASA
C CASSE
E A
S P PAPA
PACE
Input 1 F1
Sistema
Nonlineare
R1
Input 2 F2
Sistema R2
Nonlineare
OscilArmonico
Sembra apparentemente paradossale ma:
la nonlinearita’ e’ il determinismo possono originare in un sistema
comportamenti impredicibili.
ESEMPIO
Ni ! 0 Numero di individui in una popolazione animale all’anno i-mo
Ni =F(Ni-1) Se R > 1 allora Ni diverge
Caso Lineare: Ni =R Ni-1 Se R < 1 allora Ni " 0
R Tasso di crescita netto=Tasso Nascita popolaz. –tasso mortalita’
Caso Nonlineare:
r R = r[1- Ni /K ], Ni # K
Ni = r[1- Ni-1 /K ] Ni-1
Ni MappaLogistica
ECG
20
15
10
-5
Variabile x: equazioni di
-10
Lorenz
-15
-20
0 50 100 150
t
?
Valori delle misure : x(ti), i=1,..N
Misura della variabile X
Sistema
Time
1 ) ( x * - (t )) 2 &
Un processo stocastico x(t) e' Gaussiano se p(x,t) + exp '* $
, (t ) 2. ( 2, 2 (t ) %
Autocorrelazione
Spettro di Fourier
Esempio: rumore bianco
-4
10
2 -5
10
-8
10
-9
x(t)
10
0 -10
10
-11
10
-12
-1 10
-13
10
-14
10
-2 -15
10
0.0 0.1 0.2 0.3 0.4 0.5
Frequenza (Hz)
-3
0 50 100 150 200
t
350
300
Istogramma Ampiezze
250
200
150
100
50
0
-4 -2 0 2 4
Esempio: modello autoregressivo AR(1)
1 " n /+ , 2
2
1 " n /+ 0,
1 " n " n 3 k /+ 0 se k 2 0 (, 2se k + 0) Madonna
Document
,2
5 x + 0, ,x + 2
n n
1* a2
*4 k
Covarianza del processo : 1 xn xn 3 k /0 , 2 e , ! + - log a
SISTEMI DINAMICI
Un sistema dinamico e’ definito assegnando la tripla (6, 7, T): 6 e’ lo spazio delle fasi
contenente tutti i possibili stati x(t) del sistema (x(t) 8 6) , 7 e’ l’operatore di evoluzione
temporale e T e’ l’insieme di tutti i possibili tempi (t 8 T ).
7: 6 9 T " 6, per ogni t fissato 7(x,t) definisce la mappa 7t(x) : 6 " 6, 7t(x) = 7(x,t)
70= I, 7t ; 7s = 7t+s
xn = f (xn) (f 8 C1).
DINAMICA ASINTOTICA
A seconda della scelta di F (resp. f ) possono essere osservati differenti tipi di
soluzioni: punti fissi, cicli limiti, quasiperiodicita’, comportamenti irregolari e
aperiodici.
Orbita Quasiperiodica
Equazioni di Mappa
Lorentz Logistica
Madonna Madonna
Document Document
ENTROPIA DI KOLMOGOROV-SINAI
Esempi di
costruzione di
insiemi Frattali
Il rate medio di stretching is quantificato dagli esponenti di Lyapunov e
la perdita di informazione dovuta al folding dall’entropia del processo
Entropia di Kolmogorov-Sinai (Kolmogorov,1958; Sinai 1959): si divide
lo spazio delle fasi d-dimensionale in ipercubi Ad e sia P(i0,…,in) la
probabilita’ che la traiettoria si trovi al tempo t=0 nell’ipercubo i0, al
tempo t=T nell’ipercubo i1 , al tempo t=2T nell’ipercubo i2 ecc.
Entropia KS = lim T"= lim A "0+, lim N"= Bn=1,…,N-1, (Kn+1 – Kn )/NT
KS > 0 D regime caotico, KS = 0 D assenza di caos deterministico
Probabilita’ di trovare una traiettoria del sistema dinamico in B(x,A): p(x,A) = EB(x,A) 5(dy)
- q = 1 (Information dimension)
- q = 2 (Correlation dimension)
- Dq-1! Dq
SUPPONIAMO DI AVER MISURATO UNA CERTA QUANTITA’ DI UN
SISTEMA DINAMICO DETERMINISTICO [cioe’ se x(t) e’ lo stato del
sistema al tempo t, la quantita’ misurata e’ una funzione di tale stato:
s(t)=M(x(t))] ALLORA LA DOMANDA E’:
!Equazioni di Lorenz
!Equazioni di Rossler
ROSSLER
LORENZ
RICOSTRUZIONE DI DINAMICA INTEGRATE & FIRE
E s(t )dt + I
Tj
H ? 30 H ? 10
xn Xn,NN xn
Xn,NN
m m+1
Rumore di misura
Il processo introduce inevitabilmente un rumore dovuto agli apparati
sperimentali impiegati
xn = G(xn) + An
Metodi di filtraggio del rumore di misura (Grassberger et al., 1995)
Rumore dinamico
Un esempio paradigmatico e’ quello in cui l’evoluzione del sistema dinamico
e’ definita dalla mappa dx/dt = f(x, A)
Se il sistema dinamico e’ iperbolico e A << 1 allora vale la proprieta’ di
shadowing: cioe’ che nelle vicinanze di un orbita del sistema con rumore
dinamico c’e’ sempre una corrispondente orbita generata dal sistema in
assenza di rumore. In questi casi il rumore dinamico puo’ essere trattato come
rumore di misura e puo essere opportunamente filtrato (Diks,1999).
Attrattore di Lorenz
Ricostruzione in assenza di Ricostruzione in presenza di
rumore di misura rumore di misura (5%)
EQUAZIONI DI LORENZ CON NOISE DINAMICO
RICOSTRUZIONE: MISURA NATURALE
tcorr= nMin <t tempo di correlazione medio (definito, per esempio, come l’intervallo
di tempo in cui la funzione di auto correlazione decade di 1/e)
Equazioni di Lorenz: regime caotico
Diversi algoritmi:
Wolf et al. (Physica D, 1985)
Sano & Sawada (Phys. Rev. Lett., 1985)
Eckmann et al. (Phys. Rev. A, 1986)
Rosenstein et al. (Physica D, 1993) Maximal Lyapunov exponent
Kantz (Phys. Lett. A, 1994) Maximal Lyapunov exponent
Metodi locali:
Formulazione di modelli locali che approssimano l’evoluzione temporale nello spazio
delle fasi ricostruito.
Dato uno stato xj 8 Rm nello spazio delle fasi si approssima la sua evoluzione temporale
con il modello.
xj* (t+<t) = Bn=1,N cn[xj , {yk,: k=1,2,..N}] yn
I vettori yn appartengono ad una sfera di Rm con centro in xj e raggio assegnato.
I coefficienti cn sono opportuni pesi dipendenti dall’algoritmo impiegato.
La predicibilita’ della serie temporale viene quantificata mediante l’errore di predizione
normalizzato
1/2
A= [Bk=0,…,h (xj*(1,k) – xj(1,k))2] / , ( 0 # A # 1)
xj*(1,k), xj(1,k) sono, rispettivamente, le prime componenti dei vettori xj* , xj al tempo k
La predizione dello stato del sistema al tempo tj+h e’ ottenuta come la media degli
stati dei primi vicini al tempo tj+h (cn =1/N).
ESEMPI DI PREDICIBILITA’ NONLINEARE
B=AC
con Bk = w(|| xk – xn||) sk , Ak,j = w(|| xk – xn||) xk(j) (xk(j) = componente j-ma di xk)
w(|| xk – xn||) = exp[-I|| xk – xn|| / (<|| xk – xn||>)], (I ! 0)
Per valori crescenti del parametro I il peso dell’informazione locale nello spazio delle
fasi (utilizzata per effettuare la predizione) diventa sempre piu’ rilevante.
La soluzione del sistema di equazioni viene determinata mediante l’algoritmo SVD
(Singular Value Decomposition della matrice A)
Predicibilita’ (per h=1) con il metodo S-MAP in
funzione di I
VALIDAZIONE DELLE STIME DI STATISTICHE
NONLINEARI: METODO DEI DATI SURROGATI
h
Conosco la probabilita’ di
SERIE distribuzione P(Q) dei valori
TEMPORALE di Q e allora posso validare.
Sn (n = 1,2,..,N) P(Q) molto spesso non e’
Gaussiana
2. I dati sono stati generati da un processo stocastico lineare Gaussiano. Il piu’ generale
modello lineare (univariato) e’ quello denominato ARMA (AutoRegressive Moving
Average):
3. I dati sono generati dal seguente processo sn= S(xn), dove S e’ una funzione assegnata
invertibile e xn= !i=1, ..M aixn-i+ !i=1, ..N bi-n-i. La forma della funzione S determina
la distribuzione di probabilita’ (in generale non Gaussiana) dei dati (sn , n=1, 2,…)
Numero di serie temporali surrogate che devono essere generate per avere un intervallo
di confidenza del 95% (Theiler et al., 1992):
One-side Test: 19
Two-side Test: 39
<QS>= valore medio della statistica nonlineare determinata impiegando i dati surrogati
Si assume (si vede con esperimenti numerici) che i valori di QS hanno distribuzione
Gaussiana e quindi si calcola la probabilita’ che l’ipotesi nulla possa (o non possa)
essere rigettata (Theiler et al., 1992).
ALGORITMI PER LA GENERAZIONE DI DATI SURROGATI
Shuffling
S(t) D Riordinamento temporale (scorrelato) di S(t) D SS(t)
Phase-Randomized
FT [S(t)] D A(Nn), G(Nn) D Randomizzazione fasi GR(Nn) D IFT [A(Nn), GR(Nn)] D
SPR(t)
Fourier-Shuffled
FT [S(t)] D A(Nn), G(Nn) D Randomizzazione fasi GR(Nn) D IFT [A(Nn), GR(Nn)] D
SPR(t) D Rank-Ordering di S(t) rispetto a SPR(t) D SFS(t)
Gaussian-Scaled
Genero numeri random gaussiani G(t) D Rank-Ordering di G(t) rispetto a S(t) D P(t)
D Creo un surrogato Phase-Randomized di P(t) D PPR(t) D Rank-Ordering di S(t)
rispetto a PPR(t) D SGS(t)
MAPPA DI HENON: PREDICIBILITA’ DATI SURROGATI
MAPPA DI HENON: PREDICIBILITA’ CON RUMORE
EQUAZIONI DI LORENZ : PREDICIBILITA’ DATI SURROGATI
MODELLO AR(2): PREDICIBILITA’ DATI SURROGATI
0.5
x(t) = a cn[a t , 1/2]
0.0
x(t)
-0.5
-1.0
10 20 30
3.0
2.5
Im(t)
2.0
1.5
1.0
10 20 30
Re(t)
Algoritmo PSC
Algoritmo NET
ESEMPI DI APPLICAZIONI A SERIE TEMPORALI BIOLOGICHE
Rita Balocchi§, Michele Barbi, Clara Carpeggiani§, Santi Chillemi, Angelo Di Garbo,
Claudio Michelassi
Abstract
Physiological fluctuations in heart rate, known as 'sinus arrhythmia', are due to the influence of
the autonomic nervous system on the sinus node, modulated by baroreceptor activity and
respiration. Reduction in heart rate variability (HRV) correlated to age or disease has been
reported by several investigators, together with its importance as prognostic indicator in
pathophysiological situations.
In this paper the heart rhythm is investigated in heart transplanted subjects, an apparently
opposite condition with respect to normal hearts as for the influence of the autonomic system.
Selected segments of the (first difference) interbeat interval time series are analysed with an
efficient approach [Sugihara, 1994] able to evaluate both the short term predictability and the
nonlinearity of these data. Moreover, other more qualitative methods are used to better
characterise the experimental sequences.
The results indicate that these time series only occasionally exhibit some degree of predictability,
as assessed by this metric. A careful examination of the predictability behaviour, by means of
surrogate data, reveals that it cannot be interpreted as evidence of nonlinearity. Rather, a
stochastic-like dynamics seems to characterise the transplanted hearts.
1.1 1.1
1.0 1.0
0.9 0.9
A
0.8 0.8
0 2 4 6 8 10 0 2 4 6 8 10
tp
tp
1.0 1.0
0.9 0.9
A
0.8 0.8
0 2 4 6 8 10 0 2 4 6 8 10
tp
dx1 / dt + k1 f ( x2 ) * P 1 x1
dx2 / dt + k 2 x1 * P 2 x2
dx1 / dt + k1 f ( x2 ) * P 1 x1
dx2 / dt + k 2 x1 * P 2 x2
DINAMICA COMPLESSA
Hasty et al., Nature Review Genetics, 2001
ANALISI DI MICROARRAY
G Puo’ essere pensato come il numero totale degli stati nello spazio
delle fasi
Teorema Sia X :8 Rm x n una generica matrice. Allora esistono una matrice ortogonale U 8
Rm x m e una matrice ortogonale V 8 Rn x n tali che
X=USVT
S :8 Rm x n con Si,i =,i > 0 per 1 # i #r ( ,1 ! ,2 ! ,3…….. ! ,r ), Si,i =0 per r < i #n.
U = [u1,u2, ….um], V=[v1,v2, ….vn], uiMuj =>ij, viMvj =>ij, Xvi =,iui, XTui =,ivi
Progression through the eukaryotic cell cycle is known to be both regulated and
accompanied by periodic fluctuation in the expression levels of numerous genes. We
report here the genome-wide characterization of mRNA transcript levels during the cell
cycle of the budding yeast S. cerevisiae. Cell cycle–dependent periodicity was found for
416 of the 6220 monitored transcripts. More than 25% of the 416 genes were found
directly adjacent to other genes in the genome that displayed induction in the same cell
cycle phase, suggesting a mechanism for local chromosomal organization in global
mRNA regulation. More than 60% of the characterized genes that displayed mRNA
fluctuation have already been implicated in cell cycle period-specific biological roles.
Because more than 20% of human proteins display significant homology to yeast
proteins, these results also link a range of human genes to cell cycle period-specific
biological functions
MODELLO PER GENERARE IL MICROARRAY ARTIFICIALE