利用分段评估与状态估计减少参数估计适应度景观中的局部极小
定量方法
2016-01-19 v1 数据结构与算法
数学软件
摘要
常微分方程（ODE）广泛用于对系统生物学中的建模。由于通常只有部分动力学参数可测量或精确已知，需应用参数估计技术使模型拟合实验数据。参数估计的一个主要挑战是参数空间的复杂性，尤其是其高维度和局部极小。参数估计技术由一个目标函数和一个优化算法组成，目标函数衡量某参数集对实验数据的描述程度，优化算法对该目标函数进行优化。已有大量工作致力于开发高度复杂的优化算法以应对参数空间的复杂性，但令人惊讶的是，很少有文章探讨目标函数对寻找全局最优解计算复杂性的影响。我们扩展了最近开发的用于随机模型参数估计的随机系统多重打靶（MSS）目标函数，并将其应用于 ODE 模型的参数估计。该 MSS 目标函数单独处理测量点之间的区间。这种分离处理使得 ODE 轨迹更贴近数据，并且我们证明它降低了参数空间的复杂性。我们使用来自系统生物学的例子，即 Lotka-Volterra 模型、FitzHugh-Nagumo 振荡器和钙振荡模型，来展示 MSS 方法在降低参数空间复杂性和局部极小数量方面的威力。该方法已在 COPASI 软件包中完整实现，因此广大研究人员可轻松使用。
引用
@article{arxiv.1601.04458,
title = {Reducing local minima in fitness landscapes of parameter estimation by using piecewise evaluation and state estimation},
author = {Christoph Zimmer and Frank T. Bergmann and Sven Sahle},
journal= {arXiv preprint arXiv:1601.04458},
year = {2016}
}