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
从低分辨率时间数据推断动力学模型在生物物理学中仍然是一个重要的挑战，我们提出了一种方法，利用与潜在扩散过程相关的概率流来推断插值分布之间的自主的非线性力场，通过使用得分匹配来区分力场和固有噪声，我们的方法可以从非平稳数据中提取非守恒力，在应用于稳态数据时学习均衡动力学，无论是添加型噪声模型还是乘法型噪声模型。
Oct, 2023
本研究比较了离散局部敏感性分析与连续伴随敏感性分析等敏感性分析方法的性能特征，并发现在 ODE 参数估计和神经微分方程拟合等问题中，前向模式自动微分比反向模式和连续前向 / 伴随敏感性分析更有效。同时，作者也发现当模型规模越大时，连续伴随方法比离散伴随方法和前向方法具有更高的性能，但在连续伴随方法中内存使用与性能之间存在权衡，同时说明面向机器学习的反求法技术不适用于大多数科学模型。
Dec, 2018
连续动力系统建模方法研究了数据驱动模型在解决微分方程方面的表现，通过 CodBench 进行了四类不同模型的全面评估并揭示了神经算子对新型力学数据集的困难，为建模动力系统的加速进展和探索提供了动力学研究资源。
Oct, 2023
本文介绍了一种基于路径增强和数据驱动控制的方法，可以高效地确定低采样率下系统的确定性力量，以克服现有方法中对观测时间结构或不变密度几何逼近的局限性。
Apr, 2023