化学主方程的模型降阶：一种信息论方法
定量方法
2023-03-29 v1 分子网络
亚细胞过程
摘要
生物学中数学模型的复杂性使得模型降阶成为定量生物学家工具箱中不可或缺的工具。对于使用化学主方程描述的随机反应网络，常用的方法包括时间尺度分离、线性映射近似和状态空间归并。尽管这些技术取得了成功，但它们显得相当分散，且目前尚无针对随机反应网络的通用模型降阶方法。在本文中，我们证明，化学主方程的大多数常见模型降阶方法都可以看作是在轨迹空间上最小化全模型与其降阶模型之间的一个已知信息论量——Kullback-Leibler 散度。这使我们能够将模型降阶任务重新表述为一个变分问题，并使用标准数值优化方法加以解决。此外，我们推导出了降阶系统倾向性的通用表达式，推广了使用经典方法得到的表达式。我们通过文献中的三个例子——自调控反馈环、Michaelis-Menten 酶系统和基因振荡器——证明了 Kullback-Leibler 散度是评估模型偏差和比较不同模型降阶技术的有效度量。
引用
@article{arxiv.2210.05329,
title = {Model Reduction for the Chemical Master Equation: an Information-Theoretic Approach},
author = {K. Öcal and G. Sanguinetti and R. Grima},
journal= {arXiv preprint arXiv:2210.05329},
year = {2023}
}