Markov-Ketten - Max-Planck-Institut für Dynamik komplexer ...
Markov-Ketten - Max-Planck-Institut für Dynamik komplexer ...
Markov-Ketten - Max-Planck-Institut für Dynamik komplexer ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
<strong>Markov</strong>ketten und biologische Netzwerke<br />
Die <strong>Markov</strong>-Eigenschaft findet sich fast überall in der Natur. Viele Systeme können ausreichend über<br />
den aktuellen Zustand und die potentiellen Reaktionen beschrieben werden. Die Vergangenheit eines<br />
Systems spielt selten eine Rolle. (Auch nicht bei der Hysterese, da dort die Vergangenheit im System<br />
abgespeichert wird und somit im Zustand des Systems enthalten ist.)<br />
Beispiel: Geburten- und Sterbeprozess<br />
In biologischen Systemen interessiert häufig die Anzahl vorhandener Teilchen oder Tiere. Wenn man<br />
davon ausgeht, dass pro Zeitschritt nur ein Teil dazukommen oder verschwinden kann, sieht der dazugehörige<br />
Übergangsgraph wie folgt aus:<br />
0 1 2 3 4<br />
p10<br />
p12 p23 p34 p45<br />
p21<br />
p00 p11<br />
p22 p33 p44<br />
p32<br />
Abbildung 1: Übergangsgraph zu Geburten- und Sterbeprozess in diskreter Zeit<br />
Kontinuierliche Zeit<br />
Einzig die diskrete Beschreibung der Zeit ist unzureichend. Natürliche Prozesse spielen sich in kontinuierlicher<br />
Zeit ab. Und insbesondere <strong>für</strong> große n ist die Wahrscheinlichkeit, dass mehr als ein Ereignis<br />
pro Zeitschritt eintritt, recht groß.<br />
’Anpassung’:<br />
Die Übergangswahrscheinlichkeit pij wird auf ein Intervall △t bezogen und Propensity genannt. Propensities<br />
können auch größer als 1 werden, da sie (grob gesagt) auf die Frage antworten, wie viele<br />
Reaktionen dieser Art im Mittel im kommenden Zeitfenster △t stattfinden.<br />
Für jeden Zustand x lassen sich die Propensities <strong>für</strong> alle möglichen Nachfolgezustände direkt berechnen<br />
und werden entsprechend der dazugehörigen Übergangsfunktion Rµ mit aµ(x) bezeichnet.<br />
Die Wartezeit auf die nächste Reaktion ist damit exponentialverteilt mit Parameter λ(x) = � M<br />
µ=1 aµ(x).<br />
p43<br />
a1(1) a1(2) a1(3)<br />
0 1 2 3 4<br />
a2(1) a2(2) a2(3) a2(4) a2(5)<br />
Abbildung 2: Geburten- und Sterbeprozess in stetiger Zeit<br />
Die Propensities ergeben sich aus dem modellierten System. Jeder Zustand wird nach der Anzahl<br />
a vorhandener Teilchen vom Typ A benannt.<br />
R1 : A κ+<br />
−→ A + A a1(n) = a · κ +<br />
R2 : A κ−<br />
−→ ∅ a2(n) = a · κ −<br />
7<br />
p54<br />
a1(4)