For principled model fitting in mathematical biology
用于捕获复杂生物系统特征的数学模型通常是非线性的,这意味着在其输出和可能用于验证它们的数据之间不存在通常有效的简单关系。这使得标准统计方法(如线性回归)背后的假设无效,并且通常用于从数据中参数化生物模型的方法是临时的。从这个角度来看,我将主张在数学生物学中采用一种模型拟合的方法,这种方法结合了现代统计方法,而不会失去通过非线性动态模型获得的见解,并将这种方法称为原则模型拟合。因此,有原则的模型拟合涉及在捕获关键生物机制的模型的基础上定义观察真实数据的可能性。
2014-04-21 q-bio.QM
Biology-Derived Algorithms in Engineering Optimization
生物算法是计算科学的重要组成部分,在许多科学学科和工程应用中起着至关重要的作用。许多计算方法源自或基于自然进化和生物活动的类比,这些生物启发的计算包括遗传算法,神经网络,细胞自动机和其他算法。
2010-03-09 cs.CE cs.NE math.OC
Functional Synthetic Biology
合成生物学家在过去的十年中取得了很大的进展,在开发方法的模块化组装的基因序列和工程生物系统具有广泛的各种功能,在各种情况下和有机体。然而,目前的范例在该领域纠缠的方式,使抽象的顺序和功能,降低工程的灵活性,并损害可预测性和设计重用。功能性合成生物学旨在通过将生物系统的设计集中在功能上而不是序列上来克服这些障碍。这种重新定位将使生物设备的工程设计与这些设备如何投入使用的细节脱钩,需要概念和组织的变化,以及支持软件工具。实现功能性合成生物学的这一愿景将使设备的使用更加灵活,设备和数据的重复使用机会更多,可预测性提高,技术风险和成本降低。
2022-07-01 q-bio.QM
Athena: Modular CAM/CAD Software for Synthetic Biology
合成生物学是细胞网络的工程。它结合了工程原理和生物网络的知识来编程细胞的行为。结合分子生物学技术的计算建模技术已经成功地构建了生物器件,如开关,振荡器和门。合成生物学的目标是从这些基本设备构建复杂的系统,就像从基本部件构建电子电路一样。随着这一雄心壮志成为现实,可互换部件和封装等工程概念将进入生物学领域。我们意识到,有必要的计算工具,将支持这样的工程概念在生物学。作为一种解决方案,我们开发了软件Athena,允许将生物模型构建为模块。模块可以彼此连接,而无需改变模块本身。此外,Athena还提供了各种用于设计合成网络的工具,包括执行模拟、自动导出转录速率表达式以及查看和编辑合成DNA序列的工具。新工具可以通过插件接口、IronPython脚本、系统生物学接口和R统计语言并入Athena,而无需修改现有程序。该程序目前适用于Windows操作系统,Athena的源代码可通过CodeWeb,www.codeplex.com/athena免费获得。
2009-02-16 q-bio.MN q-bio.QM
Spectra of Reduced Fractals and Their Applications in Biology
具有不同自相似性和放大率的分形被定义为约化分形。结果表明,这些减少分形的频谱可以构建和用于描述自然现象的复杂程度。生物系统的具体应用,如绿藻,进行,并建议,所获得的光谱可用于分类所考虑的藻类通过识别与它们相关的光谱。这些光谱的绿藻的范围确定和其他生物以及其他自然系统的扩展提出。
2023-01-04 q-bio.QM
Graph spectra as a systematic tool in computational biology
我们提出的频谱的(归一化)图拉普拉斯算子作为一个系统的工具,为网络的调查,我们描述的特征值和特征函数的基本性质。图形形成的过程,如基序连接或复制,在光谱中留下特征痕迹。这可以提出关于表示生物数据的图的进化的假设。对于这些数据,我们分析了几个生物网络的光谱的粗略定性数据。
2007-06-01 nlin.AO q-bio.QM
BioBO: Biology-informed Bayesian Optimization for Perturbation Design
Johnson & Johnson Innovative Medicine(强生创新医药);ETH Zurich(苏黎世联邦理工学院)
BioBO结合多模态基因嵌入和富集分析,提升代理建模和获取策略,提高标签效率25-40%,并提供路径级解释,链接设计与生物调控电路。
2026-03-23 cs.LG q-bio.QM stat.ML
Open Problems in Mathematical Biology
生物学数据丰富,概念和假设也同样丰富。因此,试图理解生物过程和系统的一部分就是用统计方法用数据来对抗我们的想法和假设,以确定我们的假设与现实相符的程度。但是,随着我们的假设变得更加详细,我们的数据变得更加复杂,以系统的方式这样做变得越来越具有挑战性。因此,数学方法在生命科学和生物医学科学中越来越重要。数学模型使我们能够测试我们的理解,对未来行为做出可测试的预测,并深入了解我们如何控制生物系统的行为。有人认为,数学方法对生物学家理解数据有很大的好处。但是,数学和数学家将从考虑生命系统固有的复杂性中同样受益。在这里,我们提出了一个小的选择开放的问题和数学生物学的挑战。我们之所以选择这些开放性问题,是因为它们既有生物学意义,又有数学意义。
2022-06-20 physics.bio-ph q-bio.QM
Biological applications of the theory of birth-and-death processes
在这篇综述中,我们讨论了生与死过程理论在生物学问题中的应用,主要是进化基因组学问题。这些过程的理论的数学原理进行了简要描述。生与死过程,加上一些简单的补充,如创新,是一个简单的,自然的正式框架,用于模拟各种各样的生物过程,如种群动力学,物种形成,基因组进化,包括旁系同源基因家族的增长和水平基因转移,以及癌症的体细胞进化。我们进一步描述了经验数据,例如,旁系同源基因家族规模的分布,可以用来选择模型,最好地反映了实际的进化过程中的不同版本的出生-死亡-和创新模型。生-死过程由于其数学上的透明性、灵活性和与基本生物过程的相关性,将成为新兴的系统生物学领域不可或缺的数学工具。
2005-07-15 q-bio.GN q-bio.QM
Explicit tracking of uncertainty increases the power of quantitative rule-of-thumb reasoning in cell biology
涉及粗略估计数量的“信封背面”或“经验法则”计算在发展对物理系统结构和行为的直觉方面发挥着重要的科学作用,例如在物理科学中所谓的“费米问题”中。这种计算可以用来对生物系统进行有力的定量推理,特别是在物理学和生物学之间的界面上。然而,大量的不确定性往往与细胞生物学中的值相关,并且在不考虑这种不确定性的情况下执行计算可能会限制对给定问题的结果解释的程度。我们提出了一种方法,以促进这种计算的不确定性明确跟踪通过推理的路线,并引入一个“概率计算器”称为Caladis,免费提供的网络工具,在www.caladis.org,旨在执行这种跟踪。这种方法使用户能够在细胞生物学中进行统计上更稳健的计算,尽管存在不确定的值,并确定需要更精确地测量哪些量才能做出自信的陈述,从而促进高效的实验设计。我们说明了使用我们的工具来跟踪不确定性的几个例子生物计算,结果产生强大的和可解释的统计数据的数量感兴趣。我们还表明,计算的结果可能会有所不同,从点估计时,不确定性被准确跟踪。Caladis和生物量的Bionumbers存储库之间的完整联系进一步促进了细胞生物学计算中大量实验数据的直接定位,选择和使用。
2014-12-04 q-bio.QM stat.ME
Efficient and Robust Continual Graph Learning for Graph Classification in Biology
Department of Computer Science, Northwestern University(北卡罗来纳大学教堂山分校计算机科学系);Department of Computer Science, Illinois Institute of Technology(伊利诺伊理工学院计算机科学系);School of Data Science and Society and the Department of Mathematics, University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校数据科学与社会学院及数学系);Department of Electrical and Computer Engineering, Illinois Institute of Technology(伊利诺伊理工学院电气与计算机工程系)
针对传统GNN在动态生物图分类中存在灾难性遗忘的问题,提出PSCGL持续图学习框架,通过扰动采样、基于模体的图稀疏化提升效率,兼具后门防御能力,在生物数据集上验证了其知识保留、效率与鲁棒性优势。
2024-11-18 cs.LG q-bio.QM
Dealing with complexity of biological systems: from data to models
本书的四个章节代表了我研究兴趣的四个主要领域:1)分子生物学数据分析,2)生物网络的数学建模,3)基因组进化,4)癌症系统生物学。第一章是致力于我的工作在发展非线性降维方法(弹性映射和主树的方法),扩展了经典的主成分方法。我也提出了应用矩阵分解技术分析癌症数据。第二章致力于分子生物学中数学模型的复杂性。阐述了化学反应网络渐近性的基本思想,旨在剖析和简化复杂的化学动力学模型。这种方法的两个应用:NFkB和细胞凋亡途径的建模,和蛋白质翻译的miRNA作用的建模机制。第三章简要介绍了我对不同生物体(从微生物到人类癌症基因组)基因组结构的研究。无监督数据分析方法用于研究基因组序列中由基因组进化形成并受环境基本属性影响的模式。第四章总结了我用计算方法(通过综合数据分析和数学建模方法相结合)研究癌症的经验。特别是,我描述了正在进行的研究项目,如细胞命运决策的数学建模和DNA修复网络中的合成致死相互作用。综合的结论是列出了计算系统生物学的主要挑战,连接到本文的主题,即处理生物系统的复杂性。
2014-04-06 q-bio.QM
TinkerCell: Modular CAD Tool for Synthetic Biology
合成生物学汇集了工程学和生物学的概念和技术。在这一领域,计算机辅助设计(CAD)是必要的,以弥合计算建模和生物学数据之间的差距。已经创建了一个名为TinkerCell的应用程序,以作为合成生物学的CAD工具。TinkerCell是一个可视化建模工具,支持生物部分的层次结构。此层次结构中的每个部件都由一组定义部件的属性(如序列或速率常数)组成。使用这些部分构建的模型可以使用TinkerCell通过广泛的C和Python API托管的各种C和Python程序进行分析。TinkerCell支持模块的概念,模块是具有接口的网络。这些模块可以相互连接,形成更大的模块化网络。由于TinkerCell将模型中的参数和方程与其各自的零件相关联,因此可以从数据库中加载零件及其参数和速率方程。模块化网络设计可用于交换模块以及测试生物系统中的模块化概念。灵活的建模框架以及C和Python API允许TinkerCell作为众多第三方算法的宿主。TinkerCell是一个基于Berkeley Software Distribution许可证的免费开源项目。下载、文档和教程可在www.tinkercell.com上获得。
2009-07-23 q-bio.MN q-bio.QM
Data-driven discovery of dynamical models in biology
KU Leuven(荷语鲁汶大学)
本文综述了三种数据驱动方法(回归、网络架构、分解技术)在生物动力系统模型发现中的应用,通过Oregonator基准比较它们在预测、交互识别和定性动力学分析方面的表现。
2026-07-03 q-bio.QM
Symmetries of systems of first order ODEs: Symbolic symmetry computations, mechanistic model construction and applications in biology
我们讨论了对称性方法在生物系统分析中的作用和优点。特别是,我们考虑系统的一阶常微分方程,并提供了一个全面的审查有关的几何基础对称性,这样的系统。随后,我们提出了一个算法,用于寻找系统的对称性与合理的反应项的无穷小发电机,并使用符号计算的算法的开源实现。我们讨论了两个互补的角度对称性在机械建模,作为一个给定的模型的分析工具,或作为一个几何原理,将生物学特性的建设新的模型。通过大量与生物学建模相关的例子,我们展示了对称性方法的不同用途,并讨论了如何从实验数据中推断对称性。
2022-02-10 physics.bio-ph q-bio.QM
A Systematic Computational Framework for Practical Identifiability Analysis in Mathematical Models Arising from Biology
Penn State University(宾夕法尼亚州立大学)
本文提出了一种系统计算框架,用于评估生物数学模型中参数的实用可辨识性,通过数学定义和新度量标准提高分析效率,并展示其在揭示生物过程中的应用效果。
2025-06-16 q-bio.QM
Depth Normalization of Small RNA Sequencing: Using Data and Biology to Select a Suitable Method
深度测序已成为生物医学研究中最受欢迎的转录组分析工具之一。虽然存在大量的计算方法用于“归一化”测序数据以去除由于实验处理而导致的不想要的样品间变化,但是对于哪种归一化最适合于给定的数据集没有共识。为了解决这个问题,我们开发了“DANA”-一种基于生物学动机和数据驱动的指标评估microRNA测序数据标准化方法性能的方法。我们的方法利用了microRNA的众所周知的生物学特征,用于其表达模式和染色体聚类,以同时评估(1)归一化如何有效地去除处理伪影,以及(2)归一化如何适当地保留生物信号。通过DANA,我们确认了八种常用的归一化方法在不同数据集上的性能差异很大,并为选择合适的方法提供了指导。因此,它应该被采用作为microRNA测序数据分析的常规预处理步骤(在归一化之前)。DANA是用R语言实现的,可在https://github.com/LXQin/DANA上公开获取。
2022-01-13 q-bio.GN q-bio.QM stat.ME
Probabilistic and Piecewise Deterministic models in Biology
我们提出了最近的研究结果分段确定性马尔可夫过程(PDMP),参与生物建模。PDMP,首先由Davis(1984)在概率文献中介绍,是一类非常普遍的马尔可夫过程,并且在生物学应用中越来越受欢迎。从理论的角度来看,它们也提出了新的有趣的挑战。我们在这里给出不同的例子,在长时间的行为切换马尔可夫模型应用于人口动态,均匀抽样一般分支模型应用于结构化人口动态,在时间尺度分离的集成和消防模型在神经科学中使用,最后,在矩演算随机模型的基因表达。
2017-06-28 math.PR q-bio.QM
BioKERN: Biological Kernel Regularization for Histology-to-Transcriptomics Neighborhood Retrieval
Rice University(莱斯大学)
该研究针对空间解析生物学的组织学-转录组学邻域检索问题,提出BioKERN框架,通过结合转录组相似性与空间邻近性构建生物核实现正则化,在相关数据集上较BLEEP提升了检索性能。
2026-08-26 cs.LG q-bio.QM
Key challenges facing data-driven multicellular systems biology
越来越复杂的实验,加上大规模的计算模型,有可能系统地测试生物学假设,以推动我们对多细胞系统的理解。在这篇简短的综述中,我们探讨了实现强大的、可重复的数据驱动的多细胞系统生物学所必须克服的关键挑战。如果这些挑战能够得到解决,我们就可以超越目前孤立的工具和数据集,发展成为一个由社区驱动的可互操作数据、软件实用程序和计算建模平台的生态系统。进展在我们的掌握之中,但这需要社区(和财政)的承诺。
2019-09-27 q-bio.QM
Full Computational Reproducibility in Biological Science: Methods, Software and a Case Study in Protein Biology
科学结果的独立计算再现性在科学进步中正迅速变得至关重要,因为计算本身在科学的许多分支中发挥着越来越重要的作用。从历史上看,再现性遵循了熟悉的波普尔模型[38],即理论不能通过科学测试来验证,它只能被证伪。最后,这意味着,如果一个实验不能独立地复制到某种令人满意的精度水平,它的价值基本上是不可量化的;残酷地说,它不可能确定其科学价值。软件在大多数科学工作中的迅速出现增加了一个新的、特别不透明的复杂性层[29]。尽管最近对许多科学领域感兴趣,但重点仍然更多地放在程序,限制和讨论上[12,14,16,29,30,37,41],反映了大多数科学期刊在软件方面缺乏经验,而不是如何实际实现计算再现性的细节,对此似乎有相对较少的指导性示例[6,10,17]。在考虑基本原则后,在这里,我们展示了如何在实践中实现完整的计算再现性在每个阶段使用开放的SwissProt蛋白质数据库上的一个多千兆字节的蛋白质研究的案例研究,从数据下载一直到个人的数字复制作为一般科学计算的范例。
2016-08-24 q-bio.QM
Epigenetic Tracking: a model for all biology
“表观遗传跟踪”是生物细胞系统的模型,能够生成任何种类和复杂性(在细胞数量、颜色数量等方面)的任意二维或三维细胞形状。从单个细胞开始。如果将这种结构的复杂性解释为生物结构复杂性的隐喻,我们可以得出结论,这种模型具有产生生物典型复杂性的潜力。可以显示该模型如何能够再现关键生物现象的简化版本,例如发育、“垃圾DNA”的存在、衰老现象和致癌过程。该模型将基因和细胞的性质和行为与生物体的性质和行为联系起来,用统一的框架描述和解释所述现象:因此,我们认为它可以作为所有生物学的模型。本书中所包含的材料并不新鲜:模型及其含义在以前的作品中已经从计算机科学的角度进行了描述。这项工作有两个目标:1)以有机和结构化的方式呈现整个理论; 2)从生物学角度引入表观遗传追踪。这项工作分为六个部分:第一部分是引言;第二部分描述了细胞模型;第三部分致力于evo-devo方法和转座元件;第四部分涉及垃圾DNA和衰老;第五部分探讨了癌症的主题;第六部分得出结论。
2011-11-17 nlin.AO q-bio.QM
Systems Biology: Identifiability analysis and parameter identification via systems-biology informed neural networks
University of Pennsylvania(宾夕法尼亚大学);Brown University(布朗大学)
系统生物过程的动力学通常由具有许多未知参数的常微分方程(ODE)系统建模,这些参数需要从噪声和稀疏测量中推断。在这里,我们引入系统生物学通知神经网络的参数估计,通过将系统的常微分方程到神经网络。为了完成系统辨识的工作流程,我们还描述了结构和实际的可辨识性分析,分析参数的可辨识性。我们以葡萄糖-胰岛素相互作用的内分泌模型为例来演示所有这些方法及其实现。
2022-02-03 cs.LG q-bio.QM
How to address cellular heterogeneity by distribution biology
细胞异质性是生物系统的固有属性,其涵盖了生命的非常不同的方面,从遗传多样性到由随机分子相互作用驱动的细胞间变异性,以及噪声诱导的细胞分化。在这里,我们回顾了最近的事态发展,在表征细胞异质性的分布和认为,了解多细胞生命需要在单细胞分辨率的异质性动力学分析的综合方法,结合非平衡统计物理学,信息论和组学生物学的方法。
2021-09-13 q-bio.QM
Information theory and adaptation
在本章中,我们提出了以下问题:(1)在生物系统中,测量信息处理质量的正确方法是什么?以及(2)现实生活中的生物体可以做些什么来提高它们在信息处理任务中的表现?然后,我们回顾了在细胞生物学、群体生物学和计算神经科学等不同生物学领域从实验、计算和理论上研究这些问题的工作
2010-11-24 q-bio.QM
Machine Learning for Integrating Data in Biology and Medicine: Principles, Practice, and Opportunities
Stanford University(斯坦福大学);University of Toronto(多伦多大学);Princess Margaret Cancer Centre(玛格丽特公主癌症中心);Hikvision Research Institute(海康威视研究院);Chan Zuckerberg Biohub(陈·扎克伯格生物中心);SickKids Research Institute(病童医院研究所);Vector Institute(向量研究所)
新技术使生物学和人类健康的调查在一个前所未有的规模和多方面。这些维度包括描述基因组、表观基因组、转录组、微生物组、表型和生活方式的无数特性。然而,没有任何一种数据类型可以捕捉到与理解疾病等现象相关的所有因素的复杂性。因此,将来自多种技术的数据结合起来的综合方法已成为关键的统计和计算方法。制定这种方法的主要挑战是确定有效的模式,以提供全面和相关的系统观点。一个理想的方法可以回答生物或医学问题,识别重要特征和预测结果,通过利用跨生物变异的多个维度的异质数据。在这篇综述中,我们描述了数据集成的原理,并讨论了当前的方法和可用的实现。我们提供了在生物学和医学中成功的数据集成的例子。最后,我们讨论了生物医学综合方法目前面临的挑战和我们对该领域未来发展的看法。
2018-10-10 cs.CE cs.LG q-bio.QM
Computer algebra in systems biology
系统生物学专注于研究整个生物系统,而不是它们的单个组成部分。随着分子生物学高通量数据生成技术的出现和先进数学建模技术的发展,该领域有望提供重要的新见解。与此同时,随着越来越强大的计算机的可用性,计算机代数已经发展成为许多应用的有用工具。本文通过一个著名的基因调控网络--大肠杆菌中的Lac操纵子来说明计算机代数在系统生物学中的应用。杆菌
2008-12-19 cs.SC q-bio.MN q-bio.QM
A Model Checking-based Analysis Framework for Systems Biology Models
生物系统通常被建模为具有时不变参数的常微分方程(ODE)系统。然而,细胞信号转导事件或药物干预可能改变细胞状态并诱导系统的多模式动力学。这样的系统自然地被建模为混合自动机,其具有多个操作模式,每个模式中具有特定的非线性动力学。在本文中,我们介绍了一个模型检查启用的框架,可以建模和分析单模式和多模式的生物系统。我们解决了系统生物学中的核心问题--识别参数值,使模型满足期望的行为--使用有界模型检查。我们采用增量决策过程来解决可满足性模理论(SMT)问题,并避开可达性问题的不可判定性。我们的框架,使几个分析任务,包括模型校准和证伪,治疗策略识别,和李雅普诺夫稳定性分析。我们使用前列腺癌进展、心脏细胞动作电位和放射性疾病的案例研究来证明这些方法的适用性。
2020-04-26 cs.FL q-bio.QM
Perspectives on theory at the interface of physics and biology
本文论述物理学与生物学在理论目标上的差异,并结合历史与现代实例论证建立统一生物系统理论物理学的时机已经成熟。
2015-12-30 cond-mat.dis-nn physics.bio-ph physics.hist-ph
Detection and extraction of biological particles in a three-dimensional imaging of biological structures by TEM (Transmission Electron Microscopy)
Université de Tunis El Manar(突尼斯埃尔马纳尔大学);Faculté des Sciences de Tunis(突尼斯科学学院)
细胞分割在生物学中表现出快速增长。事实上,仅仅使用经典的分割方法是不足以分割这类图像的。在本文中,我们将提出一种新的核糖体分割方法。预处理阶段将在分割过程之前进行,之后将进行后处理。
2020-12-14 cs.CV eess.IV q-bio.QM
Evaluation of Parallel Tempering to Accelerate Bayesian Parameter Estimation in Systems Biology
生物系统的模型通常有许多未知参数,必须确定这些参数,以便模型行为与实验观察结果相匹配。当模型是高维和欠约束的时,返回最佳拟合参数的点估计的用于参数估计的常用方法是不够的。因此,贝叶斯方法,将模型参数作为随机变量,并试图估计其概率分布给定的数据,已成为流行的系统生物学。贝叶斯参数估计通常依赖于马尔可夫链蒙特卡罗(MCMC)方法对模型参数分布进行采样,但MCMC采样的缓慢收敛可能是主要瓶颈。提高性能的一种方法是并行回火(PT),这是一种基于物理的方法,它使用在不同温度下并行运行的多个马尔可夫链之间的交换来加速采样。马尔可夫链的温度决定了接受不利移动的概率,因此与更高温度的链交换可以使采样链摆脱局部最小值。在这项工作中,我们比较了MCMC性能PT和常用的大都市黑斯廷斯(MH)算法上的6个不同复杂度的生物模型。我们发现,对于简单的模型PT加速收敛和采样,而对于更复杂的模型,PT往往收敛的情况下MH陷入非最优的局部极小值。我们还开发了一个用于贝叶斯参数估计的免费MATLAB软件包,称为PempEst(http://github.com/RuleWorld/ptempest),它与流行的BioNetGen软件紧密集成,用于生物系统的基于规则的建模。
2018-01-30 q-bio.QM
The necessity and power of random, under-sampled experiments in biology
过去十年中开发的大量变革性技术使测量和扰动的规模不断增加,但我们对许多系统的理解仍然受到实验能力的限制。克服这一限制并不仅仅是用现有方法降低成本的问题;对于复杂的生物系统,可能永远不可能全面测量和扰动感兴趣的变量的每一个组合。然而,越来越多的工作--其中大部分是基础性的和先例性的--从高度欠采样的数据中提取了惊人数量的信息。对于一系列广泛的生物学问题,特别是遗传相互作用的研究,这些方法对于获得全面的理解至关重要。然而,没有一个连贯的框架来统一这些方法,提供一个严格的数学基础来理解它们的局限性和能力,让我们通过一个共同的镜头来理解它们令人惊讶的成功,并建议我们如何将关键概念结晶化以改变实验生物学。在这里,我们回顾以前的工作在这个主题上-生物学和数学基础的随机化和低维推理-并提出了一个通用的框架,使数据收集在广泛的研究大大提高了效率,使用随机实验和复合实验。
2020-12-23 q-bio.QM stat.AP
Process Bigraphs and the Architecture of Compositional Systems Biology
Center for Cell Analysis and Modeling, University of Connecticut Health(细胞分析与建模中心,康涅狄格大学健康中心)
Process Bigraphs框架通过定义过程接口和分层数据结构,提升多尺度生物模型的清晰度、可重用性和可扩展性,并通过Vivarium 2.0开源实现展示其应用。
2026-08-17 q-bio.QM
Abstract relational structures in models of biology
School of BioSciences, University of Melbourne(墨尔本大学生物科学学院);School of Mathematics and Statistics, University of Melbourne(墨尔本大学数学与统计学院);ARC Centre of Excellence for the Mathematical Analysis of Cellular Systems (MACSYS)(ARC细胞系统数学分析卓越中心(MACSYS));Cell Bauhaus(细胞包豪斯)
本文引入系统超图作为一种通用形式化方法,用于表示抽象关系系统,并通过化学反应网络和随机Petri网的实例,严格证明了随机Petri网比化学反应网络更具一般性。
2026-05-22 q-bio.QM
Dynamic response phenotypes and model discrimination in systems and synthetic biology
Northeastern University(东北大学)
本文提出通过动态响应表型分析生物系统,强调瞬态行为对网络结构的约束作用,并利用控制论概念区分模型。
2026-10-20 math.OC q-bio.QM
TEDDY: A Family Of Foundation Models For Understanding Single Cell Biology
BCG AI Science Institute, Boston, USA(BCG人工智能科学研究所,波士顿,美国);MSD (UK) Limited, London, UK(默沙东(英国)有限公司,伦敦,英国)
本文提出TEDDY模型家族,通过扩大预训练数据和利用大规模生物注释提升单细胞基础模型性能,验证了模型在疾病状态识别和生物学探索中的有效性。
2026-04-02 cs.LG q-bio.QM
BioMM: Biologically-informed Multi-stage Machine learning for identification of epigenetic fingerprints
从高维数据中识别可重复的生物模式是理解精神分裂症等复杂疾病生物学的瓶颈。为了解决这个问题,我们开发了一个生物信息,多阶段机器学习(BioMM)框架。BioMM结合生物学途径信息,对高维生物学数据进行分层和聚合。我们使用全基因组DNA甲基化数据证明了这种方法的实用性,并表明它大大优于传统的机器学习方法。因此,BioMM框架可能是高维数据中富有成效的机器学习策略,并成为未来综合分析方法的基础。
2017-12-01 q-bio.QM
Systems biology beyond degree, hubs and scale-free networks: the case for multiple metrics in complex networks
生物和其他复杂系统中网络的建模和拓扑分析,必须超越有限的考虑很少的网络度量,如度,介数或重复性。一个适当的识别信息和冗余的实体,从许多不同的指标,使用最近证明的技术,是必不可少的。只有使用这些方法,才能对网络和增长模型进行全面比较。
2012-06-03 cond-mat.stat-mech cs.SI physics.soc-ph
StochSoCs: High performance biocomputing simulations for large scale Systems Biology
大规模生物化学反应网络的随机模拟对于系统生物学具有重要意义,因为它使得在整个细胞尺度上研究固有的随机生物学机制成为可能。随机模拟算法(SSA)允许我们模拟复杂动力学模型的动力学行为,但其高计算成本使得它们对于许多现实规模的问题非常缓慢。我们提出了一项名为WebStoch的试点服务,该服务是在StochSoCs研究项目的背景下开发的,允许不具备高性能计算专业知识的生命科学家通过互联网对以SBML标准格式描述的大规模生物网络模型进行随机模拟。提交给服务的生物模型被自动解析,然后放置在分布式工作节点上并行执行。工作人员使用多核和众核处理器或FPGA加速器实现,可以处理复杂生物模型的数千次随机重复的模拟,可能有数千个反应和相互作用的物种。使用基准LCSE生物模型,其工作量可以按需缩放,我们证明了线性加速和两个以上的数量级比现有的串行模拟器更高的吞吐量。
2017-10-26 cs.CE q-bio.MN q-bio.QM
Caveat on the Boltzmann distribution function use in biology
Sigmoid半对数函数与玻尔兹曼方程的形状,已经成为非常流行的描述不同的生物情况。流行的一部分是由于容易获得的能力的软件,适合玻尔兹曼函数的数据,没有太多的知识的拟合过程或统计特性的参数从程序。本文的目的是探讨玻尔兹曼函数拟合数据的可塑性,函数拟合数据的优化过程的一些方面,以及如何使用这种可塑性函数来区分处理对数据的影响,并证明处理对数据的统计显著性。
2017-03-30 q-bio.QM
AI-based analysis of super-resolution microscopy: Biological discovery in the absence of ground truth
University of British Columbia(不列颠哥伦比亚大学);Simon Fraser University(西蒙弗雷泽大学);Birzeit University(比尔宰特大学)
本文介绍利用弱监督人工智能分析超分辨显微数据,以在缺乏真实标注下探索亚细胞纳米结构,加速生物学发现。
2024-05-27 cs.AI cs.CV cs.LG
On the distribution of cosine similarity with application to biology
本研究推导了余弦相似度作为数据函数的渐近矩,发现中心化数据协方差矩阵特征值相等时方差最小,可用于优化生物扰动数据分析中的统计功效和判别指标。
2023-10-21 q-bio.QM stat.AP
Bayesian uncertainty analysis for complex systems biology models: emulation, global parameter searches and evaluation of gene functions
背景:许多数学模型现在已被用于系统生物学的各个领域。这些模型越来越多地涉及大量的未知参数,具有复杂的结构,这可能导致相对于分析需要的大量评估时间,并且需要与观察到的数据进行比较。正确分析这些模型通常需要在高维参数空间上进行全局参数搜索,该参数搜索包含并尊重最重要的不确定性来源。这可能是一项极其困难的任务,但它对于任何生物系统的任何有意义的推断或预测都是必不可少的。因此,它代表了对整个系统生物学的根本挑战。结果如下:介绍了用于复杂模型不确定性分析的贝叶斯统计方法,该方法旨在解决高维全局参数搜索问题。贝叶斯模拟器,模仿系统生物学模型,但这是非常快的评估是嵌入在一个迭代的历史匹配:一个有效的方法来搜索高维空间内一个更正式的统计设置,同时纳入主要来源的不确定性。该方法通过应用到两个模型的激素串扰在拟南芥根的发展,其中有32个速率参数,我们确定的速率参数值,导致可接受的匹配观察到的趋势数据集证明。生物学后果的比较,包括基因功能的评价,进行了说明。
2018-01-12 q-bio.CB q-bio.MN q-bio.QM