Entropía Topológica Correlaciona con el Poder Predictivo de la Computación de Conjuntos Multiplexados en Red

Área de la Ciencia:

• Biología Computacional
• Teoría de Sistemas Dinámicos
• Aprendizaje Automático

Sus antecedentes:

• El modelado de procesos biológicos no lineales, multiescala y caóticos es un desafío.
• Los modelos tradicionales de aprendizaje profundo requieren grandes conjuntos de datos y carecen de interpretabilidad para sistemas biológicos resueltos en el tiempo.
• Las arquitecturas estándar de computación en red (RC) tienen dificultades con datos biológicos de alta dimensionalidad y regímenes temporales complejos.

Objetivo del estudio:

• Introducir el Aprendizaje Automático de Sistemas Dinámicos (DynML), un novedoso marco de red multiplexada.
• Abordar las limitaciones de los modelos existentes para capturar dinámicas biológicas complejas.
• Unificar el modelado de series temporales biológicas y las tareas convencionales de aprendizaje automático.

Principales métodos:

• DynML utiliza redes de Lorenz heterogéneas para codificar señales biológicas.
• Una única lectura global captura la dinámica dependiente de la etapa.
• Se utiliza la entropía topológica de la red para predecir el rendimiento del modelo.

Principales resultados:

• DynML modela con precisión la dinámica de la expresión génica en la regeneración hepática y la embriogénesis de *Drosophila*.
• La entropía topológica de la red predice cuantitativamente la precisión de la predicción biológica.
• DynML demuestra generalidad en la clasificación de dígitos manuscritos MNIST utilizando una red en red caótica basada en Rossler.

Conclusiones:

• DynML proporciona un marco escalable, interpretable y computacionalmente eficiente.
• El marco unifica el modelado de series temporales biológicas y el aprendizaje automático.
• DynML aprovecha los sistemas dinámicos para aplicaciones avanzadas de biología computacional.