基于机器学习的数据驱动发现细菌趋化迁移
定量方法
2022-08-26 v1 动力系统
摘要
大肠杆菌在趋化吸引物场存在下的趋化运动已通过湿实验室实验、随机计算模型以及基于偏微分方程(PDE)的模型被广泛研究。在这些方法之间建立桥梁最具挑战性的步骤,是确立所谓趋化项的封闭形式,该术语描述了细菌如何由于一系列生化过程而沿化学营养物质浓度梯度偏置其运动。数据驱动模型可用于学习趋化PDE的整个演化算子(黑箱模型),或以更有针对性的方式仅学习趋化项(灰箱模型)。在本工作中,用于学习底层模型PDE的数据驱动机器学习方法(a)通过使用已有连续体模型的仿真数据进行了验证,以及(b)被用于从实验数据推断趋化PDE。即使手头的数据是稀疏的(空间和/或时间上粗糙)、有噪声的(由于测量中固有的随机性)或部分缺失的(例如缺乏相关趋化吸引物场的测量),我们仍可尝试学习演化细菌密度的封闭PDE的右端项。事实上,我们展示了包含细菌密度场短时历史(例如以可测细菌密度的高阶时间PDE形式)的数据驱动PDE能够成功预测进一步的细菌密度演化,甚至有可能恢复未测量的化学营养物质场的估计。此工作的主工具是动力学的有效低维性(遵循Whitney和Takens嵌入定理的精神)。所得数据驱动PDE随后可被仿真以重现/预测计算或实验细菌密度分布数据,并估计底层(未测量的)化学营养物质场演化。
引用
@article{arxiv.2208.11853,
title = {Data-driven Discovery of Chemotactic Migration of Bacteria via Machine Learning},
author = {Yorgos M. Psarellis and Seungjoon Lee and Tapomoy Bhattacharjee and Sujit S. Datta and Juan M. Bello-Rivas and Ioannis G. Kevrekidis},
journal= {arXiv preprint arXiv:2208.11853},
year = {2022}
}
备注
44 pages, 20 figures, 3 tables