Reducing complexity: An iterative strategy for parameter determination in biological networks

پویایی شبکه های بیولوژیکی برای فرآیندهای مختلف در بسیاری از زمینه های زیست شناسی و پزشکی ضروری است. درک این شبکه ها در یک سطح سیستمیک، مدل های ریاضی توصیف این شبکه ها را تسهیل می کنند. با این حال، از آنجا که مدل های ریاضی شبکه های سیگنال معمولا برای توصیف چندین مقیاس بیولوژیکی بسیار متصل هستند و بسیاری از پارامترهای مدل را نمی توان مستقیما اندازه گیری کرد، مدل های پویای کمی اغلب با توجه به کالیبراسیون مدل مواجه می شوند. در اینجا، ما یک رویه تطبیقی ​​تکراری را پیشنهاد می کنیم تا مشکل نصب یک سیستم معادلات دیفرانسیل معمولی مرتبط را که یک شبکه سیگنالینگ را به مقوله های کوچکتر تقسیم می کنند، تجزیه کنیم. پارامترهای هر معادله دیفرانسیلی به صورت جداگانه با استفاده از الگوریتم تکامل دیفرانسیل تخمین زده می شود در حالی که تمام مقادیر پویای دیگر در مدل به عنوان ورودی به سیستم مورد بررسی قرار می گیرند. عملکرد این الگوریتم در شبکه های مصنوعی با ساختار شناخته شده و پارامترهای شناخته شده مدل مورد بررسی قرار گرفته و در مقایسه با یک روش بهینه سازی متعارف برای یک مشکل مشابه است. تجزیه و تحلیل ما نشان می دهد که این روش نتایج بهتری نسبت به الگوریتم معمولی را برای کیفیت مناسب تر و بازدهی کارآمدتر از پارامترهای واقعی به ارمغان می آورد.