基于加权 MaxSMT 的稳态数据中定性模型推断
分子网络
2026-05-14 v2 机器学习
计算机科学中的逻辑
摘要
定性模型为建模复杂生物系统提供了至关重要的工具。虽然自动推理和符号编码的进展已使从数据推断这些模型的过程变得严谨，但该过程仍然脆弱。首先，生物测量误差不可避免地会传播到形式化模型规范中。其次，当规范不可满足时，区分基本设计缺陷和次要技术错误极其困难。这种不确定性常常导致规格不足，因为不清楚哪些观察仍是“安全”的。为克服这些挑战，我们引入一种基于加权MaxSMT的方法。通过将不可确定的生物观察编码为加权软约束，我们的方法使求解器能够识别最能反映观察的模型，即使存在一些相互冲突的约束也是如此。我们的方法支持布尔变量域和多值变量域，以及来自离散化(水平约束)和微分表达(排序约束)的观察。我们展示了该方法可用于从具有200至1300个基因的先验知识网络中推断神经细胞分化模型。
引用
@article{arxiv.2605.07433,
title = {Inference of Qualitative Models from Steady-State Data via Weighted MaxSMT},
author = {Ondřej Huvar and Nikola Beneš and Martin Jonáš and David Šafránek and Samuel Pastva},
journal= {arXiv preprint arXiv:2605.07433},
year = {2026}
}