《Mathematical Biosciences》：Invariant Image Reparameterisation: Bridging Symbolic and Numerical Methods for Identifiability Analysis, Model Reduction, and Prediction
编辑推荐：
专业术语翻译（摘要部分）
结构和实践参数不可辨识性问题在使用数学模型解释数据时普遍存在。这类问题推动了模型重参数化和约简方法的发展。在此，我们考虑不变像重参数化（Invariant Image Reparameterisation，IIR），它探讨符号重参数化
专业术语翻译（摘要部分）
结构和实践参数不可辨识性问题在使用数学模型解释数据时普遍存在。这类问题推动了模型重参数化和约简方法的发展。在此，我们考虑不变像重参数化（Invariant Image Reparameterisation，IIR），它探讨符号重参数化条件何时可以被单一参考点处的数值导数计算所替代。核心对象是不变像：一个约简的、与基无关的表示，用于刻画控制可观测模型行为的参数组合。我们证明，当参数的一对一逐分量变换使得可观测行为仅依赖于变换后参数的固定线性组合，且约简映射在参考点处具有单射导数时，单一数值雅可比矩阵（Jacobian）即可确定相应的低维重参数化空间。这包括依赖于原始参数单项式组合的模型。我们还给出一个一阶不变性条件，可用于排除此类极小约简的存在，并为精确的非极小约简提取候选不变零方向。在结构可辨识但实践上信息较弱的设定中，相同的计算可分离强信息与弱信息参数组合。不变像允许多种坐标表示：奇异值分解（SVD）给出按局部可辨识性排序的默认标准正交基，而稀疏单项式基通常更具可解释性。将这些坐标视为Profile-Wise分析（PWA）中的关注参数，可得到基于似然的不确定度量化与预测。我们在带泊松极限、扩展泊松极限及非极限情形的参数化正态模型，以及基因调控非线性微分方程模型——抑制子（repressilator）上演示了该方法。IIR的Julia实现，包含上述及其他示例，可在https://github.com/omaclaren/reparam获取。
论文解读
研究背景与问题
在数学生物学及相关领域，机制性数学模型被广泛用于解释实验和观测数据、推断潜在机制并对观测及未观测量进行预测。一个核心挑战是判断现有观测能否唯一确定模型参数，或至少提供足够的精度以支撑机制性解释或信息充分的预测。结构可辨识性分析关注在理想无噪声观测下参数是否被唯一确定；实践可辨识性分析则关注有限含噪数据能否带来足够精确的参数估计。结构不可辨识性表现为不同参数值产生完全相同的可观测行为，导致反演非唯一；实践不可辨识性则表现为不同参数值产生的输出过于相似而无法在给定噪声水平下可靠区分。
当完整参数向量不可辨识时，仍有可能确定可辨识的参数组合，甚至进行模型约简以获得更简单、可能可辨识的模型。然而，现有方法各有局限：符号方法能给出精确的结构可辨识性结果但通常仅适用于理想化设定；Fisher信息、灵敏度方法、活跃子空间及似然信息维数约简等方法扩展性更好，但所得子空间通常是近似的，且不能提供全局有效的符号重参数化；Profile似然方法提供强大的实践可辨识性诊断，但通常需要用户预先选择目标参数或子集，或进行大量人工分析来指导约简。此外，在应用sloppiness和profile似然分析进行模型约简时，用户常将弱可辨识参数简单设为零或任意值，这可能导致单独弱可辨识的参数取值联合违反可辨识参数组合的可行值要求。
文献中存在一个核心空白：理解何时局部数值计算能够恢复在局部近似区域之外仍然有效的参数组合，而无需进一步的符号计算来确立其有效性。Joubert等人使用局部导数信息和奇异值分解诊断局部不可辨识性并寻找参数关系，但用初始数值灵敏度计算引导后续显式符号重参数化；Eisenberg和Hayashi的子集profiling方法使用局部Fisher信息矩阵和子集profile似然的数值计算确定潜在参数关系，但函数拟合步骤一般不能确立所恢复关系是精确的、全局有效的参数组合关系。
研究内容与结论
研究人员提出不变像重参数化（IIR）方法。其核心证明是：当参数的一对一逐分量变换使可观测行为仅依赖于变换后参数的固定低维线性组合，且约简映射在参考点处具有单射导数时，符号重参数化条件具有局部数值形式——该点处的雅可比矩阵计算即可确定代表可观测模型行为所依赖参数组合的约简参数空间，即不变像。这一结果涵盖依赖于原始参数单项式组合的模型。符号方法通常聚焦于极小可辨识重参数化，而IIR也考虑提供部分约简的非极小像重参数化，即使可进一步约简，这些部分约简也能给出可观测行为的有效低维表示。一阶不变性条件可排除极小情形并提取用于精确非极小约简的候选不变零方向。在结构可辨识但实践弱信息的模型中，相同计算可分离强信息与弱信息参数组合。
不变像允许多种坐标表示：SVD给出按局部可辨识性排序的默认标准正交基，但可能稠密而难以解释；稀疏单项式基通常更具可解释性。不变像内的坐标支持模型约简，并为Profile-Wise分析（PWA）提供自然的关注参数，从而给出关注参数和预测的定向区间估计。方法在参数化正态模型（含泊松极限、扩展泊松极限及非极限情形）和抑制子（repressilator）基因调控模型上得到验证。抑制子模型结构不经额外变换即超出某些微分代数符号可辨识性方法所需的标准多项式/有理式形式，但模型输出和导数在数值上可访问，体现了IIR对复杂模型的适用性。
关键技术方法
IIR方法建立在辅助映射框架之上：将机制模型视为从模型参数θ到数据分布参数?的确定性映射，结合统计模型p(y;θ)=p(y;?(θ))。方法的核心技术包括：其一，符号重参数化条件的微分形式表述，以辅助映射雅可比矩阵的行空间和零空间刻画；其二，将重参数化分解为逐分量变量变换、变换后变量的常数线性约简及约简坐标的逐分量重参数化序列，证明在此结构下单参考点处的局部导数信息可精确表示符号条件；其三，一阶不变性计算用于排除极小情形并提取非极小约简的候选不变方向。所需导数通过Julia中的自动微分（automatic differentiation）在源码级计算固定输入值处的导数值，区别于符号微分。实现代码开源于
https://github.com/omaclaren/reparam 。
研究结果
参数化正态模型的实践与结构可辨识性分析。 研究人员以二项模型泊松极限附近的正态近似为运行示例，其辅助映射给出均值和方差?(n,p)=(np,np)T 。通过IIR计算，在实践可辨识但弱信息设定下分离强信息与弱信息参数组合，并展示在结构不可辨识极限情形下不变像如何给出全局有效的参数组合表示。
抑制子模型的非线性微分方程分析。 抑制子模型作为更复杂的机制性基因调控模型，其结构不经变换即超出标准多项式/有理式形式。IIR方法仅需数值可计算的参数到可观测量映射及其导数，即可对该类模型进行结构可辨识性判断、提取可辨识参数组合并进行模型约简，展示了方法对复杂非线性动态模型的适用性。
不变像的多种坐标表示。 SVD给出按局部可辨识性排序的标准正交基，但可能稠密难解释；稀疏单项式基通常更可解释。不同参数组合可理解为同一不变像内的不同坐标选择，这为模型约简和后续不确定性量化提供了灵活框架。
Profile-Wise分析的不确定性量化与预测。 将不变像内的坐标作为关注参数纳入PWA框架，可得到基于似然的关注参数区间估计和预测区间，实现结构可辨识但实践弱信息情形下的可靠推断。
讨论与结论
IIR方法填补了局部数值计算与全局有效符号重参数化之间的空白：在满足特定变换结构条件下，单一参考点的雅可比矩阵计算即可确定全局有效的参数组合空间，无需进一步符号验证。与Joubert等人方法相比，IIR不依赖后续符号计算；与Eisenberg和Hayashi的子集profiling相比，IIR不依赖函数拟合步骤来确立关系的全局有效性。不变像的多坐标表示兼顾了SVD的默认排序与稀疏单项式基的可解释性，而PWA框架将约简坐标转化为可操作的似然推断工具。方法在泊松极限正态模型和抑制子模型上的成功演示表明，IIR为复杂机制模型的参数可辨识性分析、模型约简和预测提供了统一的数值计算框架。
