考察强迫函数输入对结构可辨识性的影响
《Mathematical Biosciences》:Examining the impact of forcing function inputs on structural identifiability
【字体:
大
中
小
】
时间:2026年09月23日
来源:Mathematical Biosciences 2.6
编辑推荐:
**摘要**
生物模型中准确的参数估计——从优化药物给药方案到预测疾病爆发——需要模型参数能够从可用数据中唯一确定。当参数无法唯一确定时,估计将产生非唯一解,导致不可靠的预测和资源错配。现有解决可辨识性问题的方法通常涉及模型重新参数化,但这可能会降低参数的生物学可解释性。我
**摘要**
生物模型中准确的参数估计——从优化药物给药方案到预测疾病爆发——需要模型参数能够从可用数据中唯一确定。当参数无法唯一确定时,估计将产生非唯一解,导致不可靠的预测和资源错配。现有解决可辨识性问题的方法通常涉及模型重新参数化,但这可能会降低参数的生物学可解释性。我们提出了一个数学框架,证明由环境或行为数据(如温度模式、治疗方案或接触率)驱动的时间变化参数,可以在不进行重新参数化的情况下解决参数可辨识性问题。我们证明,将此类驱动函数纳入模型参数中不会恶化结构可辨识性,并建立了它们在可证明情况下改善结构可辨识性的条件。我们的结果表明,驱动函数如何用于打破参数纠缠,有时单个驱动函数可以同时解决多个可辨识性问题。我们通过两个实例验证了该框架,分别来自药代动力学(药物组织 - 血液交换率)和疾病传播(季节性变化的接触率),证明易于获得的时间变化数据可以在保持参数可解释性的同时解决可辨识性。通过将严格的数学证明与实际应用相结合,这项工作为建模人员提供了系统指导,说明何时、何地以及如何利用现有数据流来改善参数估计。
**引言**
在生物系统中,参数估计是开发和利用模型进行实际决策指导的关键步骤。当无法获得模型的唯一参数估计时,可能会产生现实后果,例如物资错配、实验设计不良或预测不切实际。参数可辨识性是一个关键属性,可确保参数估计成功,并表明给定模型和数据集或数据类型的最优参数估计是否唯一。
通常考虑两种广泛(有时重叠)的可辨识性属性:1) 结构可辨识性,评估给定特定测量结构的情况下,模型参数是否在理论上可唯一确定,不考虑噪声或偏差 [1], [2], [3];2) 实际可辨识性(有时也称为可估计性),评估给定嘈杂、可能不完整的数据的情况下,模型参数是否可被唯一估计 [4], [5]。值得注意的是,最近出现了将这些概念整合到统一工作流程中的方法,例如剖面分析(PWA)[6]。
这两种属性都取决于系统的潜在模型和测量过程。然而,只有实际可辨识性考虑了噪声、偏差以及源自现实世界特定数据集的其他问题。结构可辨识性是实际可辨识性的先决条件,因此是确保参数估计成功所必需的 [7], [8]。
在一系列生物和社会学模型中已观察到可辨识性问题,包括疾病传播模型、药代动力学模型、年龄 - 时期 - 世代效应的人口模型以及工程系统 [9], [10], [11], [12], [13], [14]。事实上,有人认为不可辨识性及相关概念可能是系统生物学模型中的普遍属性 [15]。
鉴于可辨识性问题在各个领域模型中的普遍存在,已开发了几种方法来改善可辨识性,包括:收集更多数据 [5], [16], [17], [18];重新参数化模型以减少有效参数数量并使模型可辨识 [18], [19], [20], [21];利用外部信息限制参数空间 [5];或者如果系统输入可以改变,则添加额外输入 [22], [23]。
然而,收集额外数据可能很昂贵,重新参数化模型可能会改变其变量和参数的可解释性,有时会以阻碍其预期使用的方式改变 [12], [24], [25], [26]。
一种较少受到正式分析视角关注的方法是向参数中添加时间变化驱动或输入函数(即参数强迫函数),以改善结构模型可辨识性。大多数关于输入对可辨识性影响的探索都集中在将已知输入作为新项添加到微分方程中 [7], [27], [28] 或用恒定参数替换时间变化输入 [23] 的情况。在这里,我们探讨作为时间变化参数(替换或缩放现有参数)添加的输入如何影响可辨识性。最近的理论工作也开始通过使用权变李导数来处理显式时间依赖性,将可观性秩条件扩展到时间变化非线性系统 [29]。
此类输入在拥有一种模型的时间变化参数(或者在工程或受控系统的情况下可以制造一种)时是标准的,例如传染病模型的气候驱动传播参数 [30], [31], [32], [33],或依赖于其他底物的时间变化化学反应速率 [9], [34], [35]。例如,在流行病学建模中,经常使用时间变化传播率,它们对可辨识性的影响是一个关键研究领域 [28], [36], [37]。
此类时间变化参数通常为了简化而被视为常数。然而,以前的研究表明,在可用情况下纳入这些时间变化参数的数据可以改善结构和实际可辨识性。例如,包括参数 - 强迫函数输入已被证明可以改善具有季节性驱动接触率的疾病传播模型的结构可辨识性 [38],以及在纳入环境传播驱动因素(如降雨)数据时,改善海地霍乱传播模型的实际可辨识性 [32]。在本研究中,我们检查参数强迫函数输入对结构可辨识性的影响。我们表明,将此已知/测量的时间变化纳入参数中(通过用新的输入强迫函数替换或缩放参数)不会恶化模型的结构可辨识性,并且在某些情况下可以显著改善它。这项工作提供了一个专门针对强迫函数如何影响结构可辨识性的理论框架。
本文结构如下:第 2 节建立基础框架,定义模型结构和关键可辨识性概念。第 3 节详细介绍了核心分析引擎,即微分代数方法,包括黎特伪除法算法,并讨论了最近的计算进展。在此基础上,第 4 节提出了我们的第一个主要理论结果:纳入强迫函数不会恶化结构可辨识性。第 5 节随后给出了定理,说明这些输入函数何时改善可辨识性。然后我们在第 6 节将此理论转化为实践指南,概述了针对建模人员的过程方法。第 7 节提供了使用通用线性模型的专注示例。最后,第 8 节展示了这些概念在文献中现实世界示例中的应用,随后我们在第 9 节进行总结。
**章节片段**
**框架与定义**
本节为我们分析结构可辨识性奠定基础。我们首先定义了全文使用的常微分方程(ODE)模型的一般结构(第 2.1 节)。然后我们介绍了与参数可辨识性相关的关键概念,包括全局、局部和不可辨识性,以及强迫输入函数的概念(第 2.2 节)。最后,我们讨论了参数图(第 2.3 节)作为理解...的可视化工具的效用。
**微分代数方法**
本节详细介绍了本文用于分析结构可辨识性的核心数学方法。我们首先通过一个简短示例说明该方法的目标,即将常微分方程组转换为输入 - 输出关系。然后我们正式描述特征集算法(第 3.1 节),这是微分代数中实现此转换的关键技术。最后,我们提出了一个具有启发性的药代动力学示例(第 3.2 节)。
**纳入强迫函数不会恶化结构可辨识性**
本节严格建立了我们的第一个关键结果:引入强迫函数不会损害模型现有的结构可辨识性。我们的论证分阶段展开。我们首先证明两个引理,解决当引入强迫函数时参数解集如何表现,具体表明不会产生新的、有问题的解。在此基础上,定理 1 正式陈述了可辨识参数仍然可辨识,并且其...
**强迫输入可以改善可辨识性**
在确立了强迫函数不会损害可辨识性之后(第 4 节),本节提出了我们的第二个主要贡献:划定这些输入主动改善可辨识性的具体条件的定理,这可能解决不可辨识性或从局部过渡到全局可辨识性。我们将系统地探索场景,从涉及一个自由度的常见可辨识组合开始,首先通过缩放处理加法结构(定理 2,实践中的程序...
**实践中的程序**
本节概述了将第 4 节和第 5 节的定理应用于实际建模场景的一般框架。我们首先详细说明了在初始检查显示不可辨识性时,将理论转化为模型制定和可辨识性分析的可操作步骤的系统过程(第 6.1 节)。随后的章节(第 7 节)将提供使用通用线性模型的具体示例。
**通用线性模型及如何引入强迫函数**
本节提供了将强迫函数应用于改善常见模型结构中可辨识性的具体示例。我们关注通用的 2 维线性模型,通过其输入 - 输出关系演示如何通过缩放或替换引入强迫函数如何改变参数可辨识性。这作为第 6 节讨论的原则以及第 4 节和第 5 节定理的实践示例。更广泛的线性分析...
**文献中的示例**
为了更详细地了解此过程,我们回顾了文献中的两个示例,它们要么(a)已经采用了本文概述的定理,要么(b)可能受益于用于解决结构可辨识性的提议策略。具体来说,我们重新访问了先前介绍过的药代动力学模型(第 8.1 节),并检查了一个霍乱 SIWR 模型(第 8.2 节)。这些示例说明了理论框架如何应用于具体的生物系统。有关...
**结论**
在本研究中,我们探讨了向系统中引入已知强迫输入函数如何改善其结构可辨识性,并证明向系统中引入已知强迫函数输入永远不会恶化结构可辨识性。在证明强迫函数改善可辨识性的结果时,当前工作仅限于改善参数组合的有限子集的结构可辨识性,其中系数映射来自...
**人工智能工具的使用**
作者使用人工智能辅助(Claude, Anthropic)进行 LaTeX 格式化和文档准备。所有数学结果、证明、定理、生物学解释和科学结论完全由作者完成。人工智能仅用于技术手稿准备,未对研究、分析或科学内容做出贡献。
**资助**
本工作是以下资助研究的结果:国家科学基金会(拨款号 DMS-1853032),Clare Boothe Luce 女性 STEM 项目,密歇根计算发现与工程学院,以及洛斯阿拉莫斯国家实验室非线性研究中心。
**CRediT 作者贡献声明**
Jessica Rose Conrad:写作 – 审阅与编辑,写作 – 初稿,可视化,方法论,资金获取,正式分析,概念化。
James M. Hyman:写作 – 审阅与编辑,验证,方法论。
Marisa C. Eisenberg:写作 – 审阅与编辑,可视化,验证,监督,方法论,资金获取,正式分析,概念化。
**利益冲突声明**
作者声明他们没有已知的可能影响本论文报告工作的相互竞争的财务利益或个人关系。
**致谢**
本工作是以下资助研究的结果:国家科学基金会(拨款号 DMS-1853032),Clare Boothe Luce 女性 STEM 项目,密歇根计算发现与工程学院,以及洛斯阿拉莫斯国家实验室中心。作者使用人工智能辅助(Claude, Anthropic)进行 LaTeX 格式化和文档准备。所有数学结果、证明、定理、生物学解释和科学结论完全由作者完成。
Jessica Rose Conrad | James M. Hyman | Marisa C. Eisenberg
密歇根大学,数学系,美国密歇根州安娜堡,教堂街 530 号,邮编 48109
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号