Skip to content

Systems biology informed deep learning for inferring parameters and hidden dynamics

Yazdani, Alireza; Lu, Lu; Raissi, Maziar et al. · 2020 · PLOS Computational Biology

Metadata

Authors: Yazdani, Alireza; Lu, Lu; Raissi, Maziar; Karniadakis, George Em

DOI: 10.1371/journal.pcbi.1007575

📄 Quick Note

快速判断

  • 一句话结论：提出 SBINNs（systems-biology-informed neural networks），将 ODE 系统作为约束嵌入神经网络，从而从少量稀疏含噪测量中推断未知参数和隐藏动力学；在三个合成基准上验证有效。
  • 阅读范围：仅 metadata、first page、abstract、最多 3 个 figure/table captions 和 conclusion；未通读正文
  • 处理决定：保留参考
  • 决定理由：有明确可复用的方法框架（SBINNs），适用于系统生物学参数推断问题，代码已开源（GitHub: alirezayazdani1/SBINNs），方法具有推广潜力。

摘要概述

系统级生物反应的数学模型通常产生含大量未知参数的 ODE 组，而实验测量往往稀疏且含噪。本文提出一种新的 systems-biology-informed deep learning 算法（SBINNs），将 ODE 系统显式嵌入神经网络，通过方程约束来规范优化过程。该方法能从少量稀疏含噪测量中推断未被观测物种的动力学、外部驱动力以及未知模型参数。算法在三个基准问题上成功验证：高度非线性的糖酵解模型、不可辨识的细胞凋亡模型、以及基于营养摄入的葡萄糖-胰岛素超昼夜节律模型。

关键证据

  • 证据 1（定位）：Abstract
  • 展示或报告：方法将 ODE 系统嵌入神经网络，为优化过程添加约束；能从少量稀疏含噪的测量中推断未观测物种的动力学、外部驱动力和未知参数。
  • 支持的结论：SBINNs 的核心创新——利用 ODE 约束替代纯数据驱动，使方法对稀疏和噪声数据具有鲁棒性。

  • 注意事项：正文实现细节（网络结构、损失函数设计、训练策略）本次未核实。

  • 证据 2（定位）：Conclusion

  • 展示或报告：三个 benchmark 问题——高度非线性糖酵解模型、不可辨识的细胞凋亡模型、超昼夜葡萄糖-胰岛素模型。仅使用 1–2 个观测变量即可准确推断全部动力学并同时推断未知参数。还能推断系统中的外部驱动力（如葡萄糖-胰岛素模型中的营养摄入）。
  • 支持的结论：方法在小规模合成问题上覆盖了非线性、不可辨识性和外部驱动三种典型场景。

  • 注意事项：所有测试均基于合成数据；作者声明将在未来工作中应用于更大规模的问题和真实数据（如 [41]），本次未核实。

  • 证据 3（定位）：Fig. 1 caption

  • 展示或报告：SBINN 架构包含输入缩放、特征层、全连接层和输出缩放。
  • 支持的结论：该方法采用显式缩放和特征构造来组织方程约束下的神经网络。
  • 注意事项：层数、激活函数和训练超参数需 deep note 核实。

局限与未核实项

  • 最大局限：仅使用合成数据在三个小规模基准问题上测试，尚未应用于真实实验数据或大规模系统生物学模型。
  • 未核实项：正文中的网络结构细节（feature layer 设计、activation 选择）、超参数设置（Table 1/2 的具体数值）、与其他参数推断方法的定量比较（如 MCMC、标准最小二乘）、Fisher Information Matrix 的详细分析（S1 Text），以及噪声水平对性能的定量影响。

与我的关联

  • 可复用点：SBINN 框架的核心理念——将 ODE 作为物理约束嵌入 NN 用于参数推断——可直接借鉴到类似的系统生物学或生理系统参数估计任务中。代码开源（github.com/alirezayazdani1/SBINNs）。
  • 关联的当前问题：不适用（本次任务无特定关联的研究问题）。
  • 下一步动作：保留参考；需要处理基于 ODE 的参数推断任务时，再升级 deep 并检查开源实现。