面向系统生物学的傅里叶增强型神经网络
机器学习
2025-02-12 v1 定量方法
摘要
在系统生物学领域，常用于建模生物系统的微分方程在大规模和复杂系统上计算代价高昂。最近，机器学习与数学建模的集成为生物学和健康领域的科学发现提供了新机会。新兴的物理信息神经网络(PINN)被提出作为解决这一问题的方案。然而，PINN在处理复杂生物系统时可能计算代价高且不可靠。为此，我们提出面向系统生物学的傅里叶增强型神经网络(SB-FNN)。SB-FNN使用内嵌式傅里叶神经网络，结合自适应激活函数和循环惩罚函数，以优化生物动态的预测，尤其适用于呈现振荡模式的生物系统。实验结果表明，SB-FNN在处理复杂生物模型方面性能更好且更高效。针对细胞和种群模型的实验结果显示，SB-FNN在准确性和效率方面均优于PINN，使其成为处理复杂生物模型的有前景的替代方法。该方法在六个生物模型上取得了更好性能，预计将取代PINN成为系统生物学中最先进的方法。
引用
@article{arxiv.2502.07129,
title = {Fourier-enhanced Neural Networks For Systems Biology Applications},
author = {Enze Xu and Minghan Chen},
journal= {arXiv preprint arXiv:2502.07129},
year = {2025}
}