計算生物學
非線性生物動力系統中的參數估計是一個困難的逆問題，因為其控制方程通常是剛性的或振盪性的，數據稀疏且含有噪聲，並且目標函數景觀是非凸的。物理資訊神經網絡（PINNs）通過使用神經網絡表徵狀態軌跡，同時對違反控制方程的行為施加懲罰，為純基於仿真的校準提供了一種替代方案。本文研究了PINNs在恢復抑制子系統參數方面的經驗可靠性。抑制子是一種由三個循環相互抑制的基因構成的合成遺傳振盪器。我們使用由標準常微分方程模型生成的合成時間序列，並訓練逆PINNs以估計生產參數β和Hill係數n。
該研究考察了觀測噪聲、對抑制蛋白的部分觀測、採樣密度、對初始參數猜測的敏感性，以及穩定狀態與振盪狀態之間的差異。結果表明，當模型結構正確且能夠觀測到三個抑制蛋白時，PINNs可以準確重構軌跡，但參數恢復比軌跡擬合更為脆弱。噪聲、稀疏採樣、未觀測變量以及不利的初始猜測都會增加估計偏差的風險。穩定狀態更容易重構，而振盪狀態雖然提供了更豐富的資訊，但也暴露出對優化的敏感性。
這些發現表明，PINNs可作為小型基因調控常微分方程模型的一種有用逆向工程工具，同時也強調了重複運行、不確定性報告以及改進可辨識性的實驗設計的必要性。
📄 原文連結：https://www.biorxiv.org/content/10.64898/2026.05.12.724679v1?rss=1
🏷️ 物理資訊神經網絡 參數估計 基因調控網絡 抑制子振盪器 常微分方程 系統生物學