Realizing Reduced and Sparse Biochemical Reaction Networks from Dynamics
Maurice Filo, Mustafa Khammash
我们提出了一个直接的优化框架,用于从时间序列轨迹数据中学习减少和稀疏的化学反应网络(CRN)。 与广泛使用的间接方法(例如基于稀疏识别非线性动力学(SINDy)的方法相反,该方法通过拟合数值估计的导数来推断反应动力学,我们的方法通过解决动态受限的优化问题来适应整个轨迹。 这种配方能够构建低维和稀疏的减少CRN,同时保留原始系统的关键动态行为。 我们开发了一个加速的近端梯度算法,以有效地解决由此产生的非凸优化问题。 通过示例,包括Drosophila昼夜节律振荡器和糖解振荡器,我们展示了我们的方法恢复准确和可解释的减序CRN的能力。 值得注意的是,直接方法避免了衍生估计步骤,并减轻了间接方法固有的错误积累问题,使其成为数据驱动的CRN实现的强大替代方案。
We propose a direct optimization framework for learning reduced and sparse chemical reaction networks (CRNs) from time-series trajectory data. In contrast to widely used indirect methods-such as those based on sparse identification of nonlinear dynamics (SINDy)-which infer reaction dynamics by fitting numerically estimated derivatives, our approach fits entire trajectories by solving a dynamically constrained optimization problem. This formulation enables the construction of reduced CRNs that ar...