一个可微分的吉尔斯皮算法,用于模拟化学动力学,参数估计和设计合成生物电路
1Department of Physics, Boston University, Boston, United States.
eLife
|March 17, 2025
概括
我们开发了一个可微分的吉尔斯皮算法 (DGA),使用深度学习来分析复杂的化学反应. 这种方法准确地学习动力学参数,设计生化网络,推进系统和合成生物学.
科学领域:
- 计算生物学 计算生物学
- 系统生物学 系统生物学
- 合成生物学 合成生物学
背景情况:
- 吉尔斯皮算法是模拟化学反应网络的标准.
- 分析这些网络通常需要参数估计和网络设计.
- 深度学习为复杂的建模任务提供了新的方法.
研究的目的:
- 使用深度学习开发一个完全可差异化的吉尔斯皮算法变体.
- 为了实现基于梯度的优化,用于动力参数学习和网络设计.
- 将可微分的吉尔斯皮算法应用于基因促进者的随机模型.
主要方法:
- 利用深度学习的突破,创建一个可差分的吉尔斯皮算法 (DGA).
- 在吉尔斯皮算法中用平滑函数近似不连续运算.
- 使用反向传播来计算梯度.
主要成果:
- DGA从实验mRNA表达数据中准确地学习动力参数.
- 成功应用于两个不同的*Escherichia coli*促进系统.
- 允许设计具有特定输入-输出关系的不平衡促进器架构.
结论:
- 可微分的吉尔斯皮算法为分析随机化学动力学提供了一个强大的工具.
- 促进有效的运动参数学习和生化网络设计.
- 广泛适用于系统和合成生物学中的问题.


