深度学习方法用于对生理模型的参数优化

科学领域:

• 计算生物学 计算生物学
• 系统生物学 系统生物学
• 生物物理学的生物物理.

背景情况:

• 生物数据建模在推断非线性动态和参数方面面临挑战,原因是限制传统优化方法在生理范围中的困难.
• 现有的方法通常依赖于假设机制,使参数推理复杂化.

研究的目的:

• 提出和评估一种使用神经网络进行生物建模,参数化和参数推理的新方法.
• 为了解决生物系统常规参数优化的局限性.

主要方法:

• 开发了一个深度学习框架,使用卷积神经网络 (CNN) 来进行参数推理.
• 利用生理性脂解模型 (葡萄糖,胰岛素,自由脂肪酸) 的模拟数据来训练CNN.
• 训练CNN从葡萄糖,胰岛素和自由脂肪酸 (FFA) 的时间过程数据中预测模型参数.

主要成果:

• 在测试数据集和优化模型拟合曲线上,CNN实现了准确的参数推断和轨迹重建.
• 该方法证明了各种特征工程策略和训练数据集大小的高R平方值和低p值.
• 评估了特征工程和训练数据大小的影响,显示了适当的特征转换和激活函数的改进准确性.

结论:

• 在生理系统的数学模型中建立了一个强大的深度学习框架,用于参数推理.
• 拟议的方法提供了一种强大的方法来克服生物数据建模和参数估计方面的挑战.
• 该框架可适应多种生理系统,有望在计算生物学中得到更广泛的应用.