A Regime-Aware Trajectory Prediction Framework for 1000+ Systems Biology Models

Motivation

• Known: Neural ODE, Neural Operator 등 데이터 기반 접근법은 단일 시스템에 특화되어 재학습이 필요하고, Transformer/Mamba 같은 범용 시계열 예측 모델은 system-agnostic하지만 결정론적 point forecast만 제공한다. Diffusion model과 flow matching 같은 생성 모델은 불확실성 정량화를 가능하게 했으나 여전히 Gaussian 등 비정보적 prior에 의존한다.
• Gap: 기존 방법들은 장기(long-horizon) 예측에서 과거-미래 매핑의 모호성 문제와 생물학적으로 알려진 거시적 규칙(단조 증가, 지속적 진동 등 biological regime)을 위반하는 궤적을 생성하는 문제를 안고 있으며, 이는 생물학적 inductive bias의 부재에서 기인한다. 또한 TSFlow, CGFM 같은 최근 구조적 prior 도입 시도들도 특정 데이터셋에 국한되거나 외부 보조 예측기에 의존하는 한계가 있다.
• Why: 1,000개 이상의 이질적인 생물학적 시스템에 대해 재학습 없이 일반화 가능한 통합 모델과 대규모 벤치마크는 systems biology 분야의 AI 적용 확장성과 실용성을 크게 높일 수 있으며, 불확실성이 정량화된 신뢰할 수 있는 장기 예측은 생물학적 의사결정에 필수적이다.
• Approach: 다양한 생물학적 규칙(regime)을 Bayesian linear regression으로 인코딩한 구조화된 초기 상태를 conditional flow matching의 source distribution으로 사용하고, 이를 linear-complexity state-space backbone(Mamba 기반)과 adaptive conditioning으로 결합하여 cross-system 일반화 및 불확실성 정량화를 수행한다.

Achievement

Figure 3. MSE comparison between Ours† and five competitive

1. SysBio-Traj 벤치마크 구축: 다양한 organism, biological process, dynamical behavior를 아우르는 1,050개의 ODE 기반 systems biology 모델을 통합 Python 프레임워크로 표준화하여 공개.
2. RegimeFlow 프레임워크 제안: 생물학적 regime 정보를 구조적 prior와 adaptive conditioning으로 인코딩하여 cross-system 일반화와 장기 불확실성 정량화를 동시에 달성.
3. 이론적·실증적 검증: regime-aware prior 초기화가 conditional flow matching에서 optimal transport distance를 줄여 유리한 시작 분포를 제공함을 이론적으로 정당화하고, 벤치마크 전반에서 SOTA 정확도(31% MAE 감소), 잘 보정된 불확실성(17% CRPS 향상), 효율적인 장기 추론을 실증.

How

Figure 2. Overview of regime-aware trajectory prediction framework. Given historical observations yp, RegimeFlow encodes

• 1,050개 ODE 기반 systems biology 모델을 수집하여 organism, biological process, dynamical behavior 기준으로 다양성을 갖춘 SysBio-Traj 벤치마크 구성
• 과거 관측 궤적으로부터 growth trend, oscillatory rhythm 등 biological regime을 식별하고 Bayesian linear regression을 통해 regime-aware source distribution(구조화된 초기 상태) 생성
• 표준 Gaussian noise 대신 이 구조화된 prior를 conditional flow matching의 source distribution으로 대체하여 source-target 간 optimal transport distance를 축소
• 장기(long-horizon) 의존성을 처리하기 위해 선형 복잡도의 state-space backbone(Mamba 계열)을 채택하고, adaptive conditioning으로 vector field를 regime 특성에 동적으로 정렬
• MSE, MAE, CRPS 등의 지표로 TSFlow, CGFM 등 경쟁 방법과 비교 평가 및 ablation 분석 수행

Originality

• Gaussian noise 기반의 표준 flow matching source distribution을 생물학적 regime prior(성장 추세, 진동 리듬 등)로 대체하는 새로운 초기화 전략 제시
• 외부 보조 예측기 없이 regime prior와 adaptive conditioning을 단일 아키텍처 내에 내재화하여 self-contained 모델링 실현
• 1,000개 이상의 이질적 systems biology 모델을 아우르는 대규모 공개 벤치마크(SysBio-Traj)를 최초로 구축하여 cross-system 일반화 연구를 위한 표준 평가 플랫폼 제공

Limitation & Further Study

• 벤치마크가 ODE 기반 모델에 한정되어 있어 확률적 또는 이산 이벤트 기반 생물학적 프로세스로의 일반화 여부는 불명확함
• regime 분류(성장 추세, 진동 등)가 사전 정의된 카테고리에 의존하므로, 새로운 유형의 미지 regime에 대한 강건성 검증이 추가로 필요함
• Bayesian linear regression 기반 prior 구성이 매우 비선형적이거나 chaotic한 동역학에서는 부정확한 초기화를 유발할 가능성이 있음
• 본문 발췌만으로는 다양한 noise level, sparse observation 조건 하에서의 강건성 평가가 충분히 제시되었는지 확인이 어려움

Evaluation

총평: 대규모 systems biology 벤치마크와 생물학적 regime 정보를 활용한 새로운 flow matching 초기화 전략을 결합하여 cross-system 일반화 문제에 실질적 진전을 이룬 우수한 연구이나, regime 분류의 일반성과 비선형 동역학에 대한 강건성 검증이 추가되면 더욱 완성도가 높아질 것이다.