定量生物学 > 定量方法
标题: 用于生物学中数学模型实用可辨识性分析的系统计算框架
标题: A Systematic Computational Framework for Practical Identifiability Analysis in Mathematical Models Arising from Biology
摘要: 实际可辨识性是数据驱动数学系统建模中的一个关键问题。 在本文中,我们提出了一种新的实际可辨识性分析框架,用于评估生物系统数学模型中的参数可辨识性。 从实际可辨识性的严格数学定义出发,我们证明了其与费舍尔信息矩阵的可逆性等价。 我们的框架建立了实际可辨识性与坐标可辨识性之间的关系,引入了一种新的度量方法,相比轮廓似然方法,该方法简化并加速了参数可辨识性的评估。 此外,我们引入了新的正则化项以处理不可辨识的参数,从而实现不确定性量化并提高模型的可靠性。 为了指导实验设计,我们提出了一种最优数据收集算法,确保所有模型参数都是实际可辨识的。 对Hill函数、神经网络和动态生物模型的应用表明,所提出的计算框架在揭示关键生物过程和识别关键可观测变量方面具有可行性和效率。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.