Brock D. Sherlock; Marko A. A. Boon; Maria Vlasiou et al. · 2024 · Bulletin of Mathematical Biology (2024) 86:111
Metadata
Authors: Brock D. Sherlock; Marko A. A. Boon; Maria Vlasiou; Adelle C. F. Coster
📄 Quick Note¶
摘要概述¶
本文针对稀疏采样、时间演化的生物实验数据（多个实验协议、每个时间点样本量小、观测破坏性故无配对数据），提出一种非参数的分层距离算法，用于定量比较随机模型输出与实验数据分布。算法在三个尺度上累积距离：各时间点 ECDF 比较、单实验时间程聚合、跨所有实验的整体距离，比较器分为基于离散点的（如 Kolmogorov–Smirnov）与基于积分的（如 Wasserstein-1）两类。使用合成的"真值"模型生成拟生物数据（GLUT4 在脂肪细胞中对胰岛素响应的转位过程，建模为闭环排队网络），并在合成数据上扰动参数与添加噪声以检验距离度量的特性。结果表明：离散度量在真值附近对参数高度敏感但其他区域几乎不敏感，而积分度量过渡更平滑、对噪声更鲁棒，更适合驱动参数推断（如 ABC）与模型比较。
关键图表¶
- Fig. 1：分层距离算法示意——在三个尺度（单时间点、单实验时间程、全部实验组合）上构建距离，用于参数推断与模型比较。
与我的关联¶
为稀疏、依赖但不配对的时间序列生物数据提供了可借鉴的模型-数据定量比较框架，其非参数分层距离与"积分度量更平滑鲁棒"的结论对我自己做参数推断与模型验证有直接方法学参考价值。