生化过程常微分方程模型的可扩展推断
定量方法
2018-10-12 v3
摘要
常微分方程模型已成为生化过程机制性描述的标准工具。若从实验数据推断参数，此类机制模型可对潜变量或新实验条件下过程的行为提供准确预测。互补地，模型结构的推断可用于从一组候选中识别最合理的模型结构，从而获得新颖的生物学见解。若干工具箱可开箱即用地推断小规模至中等规模机制模型的参数与结构。然而，高度复用数据集的模型可能需要数百至数千个状态变量与参数。对于此类大规模模型的分析，多数算法所需计算时间高得难以处理。本章概述用于参数与模型推断的先进方法，重点强调可扩展性。
引用
@article{arxiv.1711.08079,
title = {Scalable Inference of Ordinary Differential Equation Models of Biochemical Processes},
author = {Fabian Fröhlich and Carolin Loos and Jan Hasenauer},
journal= {arXiv preprint arXiv:1711.08079},
year = {2018}
}
备注
To appear in the book "Gene Regulatory Networks: Methods and Protocols"