利用伴随灵敏度推断细胞动态变化的扰动数据
本文提出了一种基于 S 系统格式的自适应方法,将这个方法与模型选择相结合,以获得高预测能力和结构复杂度适应于推断问题难度的动力学模型。
Jun, 2014
本文提出了一种基于图变分贝叶斯因果推断的框架,利用基因调控网络的信息预测受干扰细胞的基因表达,并使用图卷积网络进行邻接矩阵更新,实现数据自适应的调控网络和对基因关系的更深入挖掘,在对控制干扰的效果进行渐近有效估计的同时,展示了该方法在个体响应预测方面超越当前深度学习模型的优势。
Sep, 2022
基于表型的筛选方法在识别具有活性的化合物方面引起了广泛的关注。本文提出了一种基于编码 - 解码架构的深度学习框架,可以将初始细胞状态映射到潜在空间中,其中假设药物对细胞状态的影响符合线性可加性。通过引入循环一致性约束条件,我们可以强制要求经过药物干扰的初始细胞状态产生受扰动的细胞响应,反之亦然,从受扰动的细胞状态中去除药物干扰则会恢复到初始细胞状态。循环一致性约束条件和潜在空间中的线性建模能够学习可解释且可迁移的药物干扰表示,从而使我们的模型能够预测对未知药物的细胞响应。我们在三种不同类型的数据集上验证了我们的模型,包括批量转录响应、批量蛋白响应以及单细胞转录响应对药物扰动。实验结果显示,我们的模型比现有的最先进方法取得了更好的性能。
Nov, 2023
本文探讨了使用 “灰盒子”(基于物理信息和数据驱动的混合模型)来学习 CHO 细胞生物反应器的动态演化模型,并使用机器学习来直接学习演化方程,找回未知的物理参数,以及学习部分未知的动力学表达式。
May, 2023
本研究提出一种基于伴随方法的优化问题,用于从数据中发现潜在的偏微分方程,通过考虑参数化的偏微分方程形式,并最小化 PDE 解与数据之间的误差来计算 PDE 参数的梯度。该方法通过变分计算获取了保正参数的演化方程,可以精确地还原真实的 PDE,尽管在存在噪声的情况下,方法精确度与 PDE-FIND 方法相当。
Jan, 2024
发展生物学的主要目标之一是揭示基因调控网络(GRNs)以实现多能祖细胞向具体细胞类型的准确分化。本文展示了如何使用物理信息神经网络(PINNs)推断预测性和动力学的 GRNs 参数,以提供生物过程的机制理解。我们的分析将为今后使用 PINNs 进行实验设计提供参考,并为进一步探索这一强大类神经网络模型提供起点。
Jan, 2024
本文提出了一种机器学习框架来从高精度随机模拟中学习大尺度化学趋化偏微分方程及其闭合问题,使用自适应相关决策根据高维数据选择合适的共同特征来简化该问题并使用机器学习的方式学习宏观大尺度的效应。
May, 2022
扩散模型的优化和参数的梯度计算是一个复杂而具有挑战性的问题,本文提出了一种基于随机伴随灵敏度方法的新方法,用于计算模型的梯度,并演示了该方法在人脸变形问题上的有效性。
May, 2024