计算生物学
非线性生物动力系统中的参数估计是一个困难的逆问题，因为其控制方程通常是刚性的或振荡性的，数据稀疏且含有噪声，并且目标函数景观是非凸的。物理信息神经网络（PINNs）通过使用神经网络表征状态轨迹，同时对违反控制方程的行为施加惩罚，为纯基于仿真的校准提供了一种替代方案。本文研究了PINNs在恢复抑制子系统参数方面的经验可靠性。抑制子是一种由三个循环相互抑制的基因构成的合成遗传振荡器。我们使用由标准常微分方程模型生成的合成时间序列，并训练逆PINNs以估计生产参数β和Hill系数n。
该研究考察了观测噪声、对抑制蛋白的部分观测、采样密度、对初始参数猜测的敏感性，以及稳定状态与振荡状态之间的差异。结果表明，当模型结构正确且能够观测到三个抑制蛋白时，PINNs可以准确重构轨迹，但参数恢复比轨迹拟合更为脆弱。噪声、稀疏采样、未观测变量以及不利的初始猜测都会增加估计偏差的风险。稳定状态更容易重构，而振荡状态虽然提供了更丰富的信息，但也暴露出对优化的敏感性。
这些发现表明，PINNs可作为小型基因调控常微分方程模型的一种有用逆向工程工具，同时也强调了重复运行、不确定性报告以及改进可辨识性的实验设计的必要性。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.12.724679v1?rss=1
🏷️ 物理信息神经网络 参数估计 基因调控网络 抑制子振荡器 常微分方程 系统生物学