综述：实用可识别性的不同分类方法

这篇综述深入探讨了系统生物学中常微分方程（ODE）模型的实用可识别性（Practical Identifiability）分析方法，区分了基于敏感度（Sensitivity）和置信区间（Confidence Interval）的两类评估标准，强调需通过术语明确方法学差异，并提出参数应依据所用方法分别称为"先验/后验敏感"或"有限可识别"。

　　

实用可识别性的多维解析

引言

计算能力的进步推动数学建模在系统生物学和医学中的应用。机制模型（Mechanistic Models）需通过可识别性验证才能确保参数估计的可靠性。结构可识别性（Structural Identifiability）是模型固有属性，而实用可识别性则因定义模糊导致评估结果分歧。

定义实用可识别性

结构可识别性要求参数θ_i满足全局唯一性条件：模型预测轨迹y(θ)与y(θ')完全一致时必有θ_i=θ'_i。实用可识别性则分为两类方法：

1. 1.

   敏感度分析法

   通过敏感度矩阵S=?y/?θ评估参数影响力，需设定启发式阈值判断"先验/后验敏感"。例如，快速反应系统中若数据未覆盖动态变化时段（如饱和期观测），敏感度分析可能遗漏参数不敏感性。

2. 2.

   置信区间法

   基于轮廓似然函数（Profile Likelihood），若参数置信区间在给定显著性水平α下无界，则判定为"非有限可识别"。典型案例显示，Michaelis-Menten模型拟合质量作用（Mass-action）数据时，K_m参数仅存在下限而无上限约束。

典型非可识别性成因

数据缺陷

• •

  高噪声数据（图1B）导致置信区间扩大但保持有限

• •

  观测时段不当（图1C）使快速反应速率k→∞仍符合数据

模型复杂度失配

质量作用数据用Michaelis-Menten模型拟合时，虽能复现数据，但k_cat与K_m比值恒定导致双参数均非有限可识别（图2B）。敏感度分析对此类过参数化问题无效。

方法论价值

• •

  敏感度分析适用于实验设计阶段，通过参数扫描确定关键观测窗口

• •

  轮廓似然法需实测数据，能识别模型冗余机制，如K_m参数在低底物浓度时的渐进等效性

结论

明确术语区分"敏感度"与"有限可识别"至关重要。前者反映模型理论特性，后者体现数据约束能力。二者结合可优化模型简化与实验设计，提升系统生物学研究的可重复性。