Episode
Dynamische Modellierung und Parameterschätzung mit dMod
durch Daniel Kaschek
useR!2017: Dynamische Modellierung und Parameter estimatio...
Schlüsselwörter: Parameterschätzung, ODEs, Systembiologie, Höchstwahrscheinlichkeit, Profilwahrscheinlichkeit
Webseiten: https://github.com/dkaschek/dMod,https://github.com/dkaschek/cOde
ODE-Modelle, um Interaktionen in komplexen dynamischen Systemen zu beschreiben und zu verstehen, werden in den physikalischen Wissenschaften und darüber hinaus häufig verwendet. In vielen Situationen sind die Modellgleichungen von Parametern abhängig. Wenn Parameter aus dem ersten Prinzip nicht bekannt sind, müssen sie aus experimentellen Daten geschätzt werden.
Das dMod-Paket für R bietet ein Framework zur Formulierung komplexer Reaktionsnetze und zur Schätzung der inhärenten Reaktionsparameter aus experimentellen Daten. Im Design werden verschiedene experimentelle Bedingungen sowie explizite oder implizite Gleichheitseinschränkungen, z. B. beständige Zustandseinschränkungen, durch Parametertransformationen formuliert, die dabei eine zentrale Rolle in dMod übernehmen. Da die beobachtete Reaktionsdynamik im Allgemeinen eine nicht lineare Funktion der Reaktionsparameter ist, werden Profilwahrscheinlichkeitsmethoden implementiert, um nicht lineare Parameterabhängigkeiten zu bewerten und Parameter- und Vorhersage-Konfidenzintervalle einzuschätzen.
Hier präsentieren wir die Fähigkeiten und Besonderheiten unseres Modellierungsrahmens. Die Methoden werden anhand eines minimalen Systembiologiebeispiels veranschaulicht.
useR!2017: Dynamische Modellierung und Parameter estimatio...
Schlüsselwörter: Parameterschätzung, ODEs, Systembiologie, Höchstwahrscheinlichkeit, Profilwahrscheinlichkeit
Webseiten: https://github.com/dkaschek/dMod,https://github.com/dkaschek/cOde
ODE-Modelle, um Interaktionen in komplexen dynamischen Systemen zu beschreiben und zu verstehen, werden in den physikalischen Wissenschaften und darüber hinaus häufig verwendet. In vielen Situationen sind die Modellgleichungen von Parametern abhängig. Wenn Parameter aus dem ersten Prinzip nicht bekannt sind, müssen sie aus experimentellen Daten geschätzt werden.
Das dMod-Paket für R bietet ein Framework zur Formulierung komplexer Reaktionsnetze und zur Schätzung der inhärenten Reaktionsparameter aus experimentellen Daten. Im Design werden verschiedene experimentelle Bedingungen sowie explizite oder implizite Gleichheitseinschränkungen, z. B. beständige Zustandseinschränkungen, durch Parametertransformationen formuliert, die dabei eine zentrale Rolle in dMod übernehmen. Da die beobachtete Reaktionsdynamik im Allgemeinen eine nicht lineare Funktion der Reaktionsparameter ist, werden Profilwahrscheinlichkeitsmethoden implementiert, um nicht lineare Parameterabhängigkeiten zu bewerten und Parameter- und Vorhersage-Konfidenzintervalle einzuschätzen.
Hier präsentieren wir die Fähigkeiten und Besonderheiten unseres Modellierungsrahmens. Die Methoden werden anhand eines minimalen Systembiologiebeispiels veranschaulicht.
Feedback? Melden Sie hier ein Problem.