一种可微分的 Gillespie 算法，用于模拟化学动力学、参数估计和设计合成生物电路
A differentiable Gillespie algorithm for simulating chemical kinetics, parameter estimation, and designing synthetic biological circuits
AI总结：
本文提出一种可微分的 Gillespie 算法（DGA），利用深度学习实现化学动力学模拟、参数估计和合成生物电路设计，并在基因启动子模型中验证了其有效性。
摘要：
Gillespie 算法通常用于模拟和分析复杂的化学反应网络。在此，我们利用深度学习领域的最新突破，开发了一种完全可微分的 Gillespie 算法变体。可微分 Gillespie 算法（DGA）使用平滑函数近似精确 Gillespie 算法中的不连续操作，从而能够通过反向传播计算梯度。DGA 可用于通过梯度下降快速准确地学习动力学参数，并设计具有所需特性的生化网络。作为示例，我们将 DGA 应用于研究基因启动子的随机模型。我们表明，DGA 可用于：（i）从两个不同的大肠杆菌（E. coli）启动子的 mRNA 表达水平实验测量中成功学习动力学参数，以及（ii）设计具有所需输入-输出关系的非平衡启动子架构。这些示例说明了 DGA 在分析随机化学动力学方面的实用性，包括合成生物学和系统生物学中感兴趣的广泛问题。
英文摘要：
The Gillespie algorithm is commonly used to simulate and analyze complex chemical reaction networks. Here, we leverage recent breakthroughs in deep learning to develop a fully differentiable variant of the Gillespie algorithm. The differentiable Gillespie algorithm (DGA) approximates discontinuous operations in the exact Gillespie algorithm using smooth functions, allowing for the calculation of gradients using backpropagation. The DGA can be used to quickly and accurately learn kinetic parameters using gradient descent and design biochemical networks with desired properties. As an illustration, we apply the DGA to study stochastic models of gene promoters. We show that the DGA can be used to: (i) successfully learn kinetic parameters from experimental measurements of mRNA expression levels from two distinct $\textit{E. coli}$ promoters and (ii) design nonequilibrium promoter architectures with desired input-output relationships. These examples illustrate the utility of the DGA for analyzing stochastic chemical kinetics, including a wide variety of problems of interest to synthetic and systems biology.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
