一种发现生物过程调控机制的符号与统计学习框架：细胞培养实例

生物过程机理建模对于推进生物制造的智能数字孪生表示至关重要，然而由于复杂的细胞内调控、随机系统行为以及有限的实验数据，挑战依然存在。本文介绍了一个符号与统计学习框架，用于识别关键调控机制并量化模型不确定性。生物过程动力学被表述为表征内在过程变异性的随机微分方程，并基于生物学知识构建了一组预定义的候选调控机制。我们开发了一种贝叶斯学习方法，该方法基于通过混合模型公式对动力学参数和调控结构进行联合学习。为了提高计算效率，我们开发了一种带有伴随灵敏度分析的 Metropolis-adjusted Langevin 算法用于后验探索。与最先进的贝叶斯推断方法相比，所提出的框架实现了更高的样本效率和稳健的模型选择。一项实证研究证明了其在数据有限条件下恢复缺失调控机制并提高模型保真度的能力。