rebop

rebop 是一个用于良好混合的化学反应网络的快速随机模拟器。

性能和用户体验被非常重视。因此，提供了两个独立的 API 来描述和模拟反应网络

• 一个由宏实现的 DSL，由 define_system 实现，通常效率最高，但需要编译 Rust 程序；
• 一个由模块 gillespie 实现的基于函数的 API，也可以通过 Python 绑定访问。这个 API 不需要 Rust 编译，允许在运行时定义系统。它的速度通常比宏 DSL 慢 2 到 3 倍，但仍然比其他所有尝试过的软件快。

宏 DSL

它目前仅支持由质量作用定律定义的反应速率。以下宏定义了一个二聚化反应网络

use rebop::define_system;
define_system! {
    r_tx r_tl r_dim r_decay_mRNA r_decay_prot;
    Dimers { gene, mRNA, protein, dimer }
    transcription   : gene      => gene + mRNA      @ r_tx
    translation     : mRNA      => mRNA + protein   @ r_tl
    dimerization    : 2 protein => dimer            @ r_dim
    decay_mRNA      : mRNA      =>                  @ r_decay_mRNA
    decay_protein   : protein   =>                  @ r_decay_prot
}

要模拟系统，请将此定义放入 Rust 代码文件中，实例化问题，设置参数、初始值，并启动模拟

let mut problem = Dimers::new();
problem.r_tx = 25.0;
problem.r_tl = 1000.0;
problem.r_dim = 0.001;
problem.r_decay_mRNA = 0.1;
problem.r_decay_prot = 1.0;
problem.gene = 1;
problem.advance_until(1.0);
println!("t = {}: dimer = {}", problem.t, problem.dimer);

或者对于经典的 SIR 例子

use rebop::define_system;

define_system! {
    r_inf r_heal;
    SIR { S, I, R }
    infection   : S + I => 2 I  @ r_inf
    healing     : I     => R    @ r_heal
}

fn main() {
    let mut problem = SIR::new();
    problem.r_inf = 1e-4;
    problem.r_heal = 0.01;
    problem.S = 999;
    problem.I = 1;
    println!("time,S,I,R");
    for t in 0..250 {
        problem.advance_until(t as f64);
        println!("{},{},{},{}", problem.t, problem.S, problem.I, problem.R);
    }
}

可以产生类似这样的输出

Python 绑定

此 API 通过 Python 绑定而更加出色，允许用户轻松定义模型

import rebop

sir = rebop.Gillespie()
sir.add_reaction(1e-4, ['S', 'I'], ['I', 'I'])
sir.add_reaction(0.01, ['I'], ['R'])
print(sir)

ds = sir.run({'S': 999, 'I': 1}, tmax=250, nb_steps=250)

您可以通过从 PyPI 安装 rebop 来测试此代码，使用 pip install rebop。要从源码构建 Python 绑定，最简单的方法是克隆此 Git 仓库并使用 maturin develop。

传统 API

Python 包底层的基于函数的 API 也可以从 Rust 访问，如果您想在运行时定义模型（而不是使用上述宏 DSL 在编译时定义）。SIR 模型定义为

use rebop::gillespie::{Gillespie, Rate};

let mut sir = Gillespie::new([999, 1, 0]);
//                           [  S, I, R]
// S + I => 2 I with rate 1e-4
sir.add_reaction(Rate::lma(1e-4, [1, 1, 0]), [-1, 1, 0]);
// I => R with rate 0.01
sir.add_reaction(Rate::lma(0.01, [0, 1, 0]), [0, -1, 1]);

println!("time,S,I,R");
for t in 0..250 {
    sir.advance_until(t as f64);
    println!("{},{},{},{}", sir.get_time(), sir.get_species(0), sir.get_species(1), sir.get_species(2));
}

性能

性能被非常重视，因此 rebop 在性能上优于我们尝试过的每个其他软件包和编程语言。

免责声明：该软件目前包含的功能远超rebop（例如空间模型、自定义反应速率等）。其中一些功能可能需要它们在速度上做出妥协。此外，尽管我们尽量保持比较公平，但有些返回的数据过多或过少，或者将它们写入磁盘。我们试图接近所有这些程序的基本线如下： 模型刚刚修改，我们想模拟它N次，并打印等间距的测量点。这意味着，如果适用，我们始终包括初始化或（重新）编译时间。我们认为，这是研究模型的科研人员最典型的使用场景。这种方法可以记录初始化时间（y截距）和每次模拟的模拟时间（斜率）。

在许多玩具示例上进行的小型基准测试被追踪以指导开发。为了与其他软件比较性能，我们使用了一个低中尺寸的真实世界模型（9种物种和16个反应）：Vilar振荡器（《遗传振荡器的噪声抗性机制》，Vilar等人，PNAS 2002）。在这里，我们从这个模型t=0模拟到t=200，以时间单位的时间间隔报告状态。

我们可以看到，rebop的宏DSL在每次模拟时间和包含编译时间方面都是最快的。其次是rebop的传统API，通过Python绑定方便地调用。

即将到来的功能

• 隔室体积
• 任意反应速率
• 其他SSA算法
• tau跳跃
• 自适应tau跳跃
• 混合模型（连续和离散）
• SBML
• 命令行界面
• 参数估计
• 局部敏感性分析
• 并行化

可能不会到来的功能

• 事件
• 空间（反应-扩散系统）
• 规则建模

基准测试想法

• DSMTS
• 纯解耦指数
• 环
• 切换开关
• LacZ，LacY/LacZ（来自STOCKS）
• Lotka Volterra，Michaelis-Menten，网络（来自StochSim）
• G蛋白（来自SimBiology）
• Brusselator / Oregonator（来自Cellware）
• GAL，repressilator（来自Dizzy）

类似的软件

维护

• GillesPy2
• STEPS
• SimBiology
• Copasi
• BioNetGen
• VCell
• Smoldyn
• KaSim
• StochPy
• BioSimulator.jl
• DiffEqJump.jl
• Gillespie.jl
• GillespieSSA2
• Cayenne

看起来未维护

• Dizzy
• Cellware
• STOCKS
• StochSim
• 系统生物学工具箱
• StochKit（继任者：GillesPy2）
• SmartCell
• NFsim

许可：MIT