系统生物学中随机微分方程模型的可辨识性分析

数学模型通常根据实验数据进行校准，目标从建立预测模型到量化无法测量的参数。从现有数据中是否可以获得可靠的参数估计很容易被忽视。这些参数可识别性问题对模型的预测能力和可以获得的机械洞察力都有重要影响。确定性常微分方程（ODE）模型的可辨识性分析已经很成熟，但在随机模型中没有常用的可辨识分析方法。我们介绍了可辨识性分析，并通过四个实际案例研究，证明了现有的ODE模型分析思想如何应用于随机微分方程（SDE）模型。为了评估结构可识别性，我们使用开源软件工具研究描述随机过程统计矩的常微分方程。使用实际激励的合成数据和马尔可夫链蒙特卡罗方法，我们在可用数据的背景下评估参数的可识别性。我们的分析表明，SDE模型通常可以提取更多关于参数的信息，而不是确定性描述。Github上提供了用于执行分析的所有代码。