MétaCan
Menu
Retour à la cohorte
Enregistrement W2971404151 · doi:10.1103/physrevlett.123.108101

Kinetic Uncertainty Relations for the Control of Stochastic Reaction Networks

2019· article· en· W2971404151 sur OpenAlexaff
Jiawei Yan, Andreas Hilfinger, Glenn Vinnicombe, Johan Paulsson

Notice bibliographique

RevuePhysical Review Letters · 2019
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGene Regulatory Network Analysis
Établissements canadiensUniversity of Toronto
Organismes subventionnairesDefense Advanced Research Projects AgencyNational Science Foundation
Mots-clésComponent (thermodynamics)DissipationStatistical physicsNon-equilibrium thermodynamicsNetwork topologyConjectureKinetic energyPhysicsControl (management)Connected componentMaster equationComputer scienceBiological systemTopology (electrical circuits)Control theory (sociology)MathematicsThermodynamicsQuantum mechanicsPure mathematics

Résumé

récupéré en direct d'OpenAlex

Nonequilibrium stochastic reaction networks are commonly found in both biological and nonbiological systems, but have remained hard to analyze because small differences in rate functions or topology can change the dynamics drastically. Here, we conjecture exact quantitative inequalities that relate the extent of fluctuations in connected components, for various network topologies. Specifically, we find that regardless of how two components affect each other's production rates, it is impossible to suppress fluctuations below the uncontrolled equivalents for both components: one must increase its fluctuations for the other to be suppressed. For systems in which components control each other in ringlike structures, it appears that fluctuations can only be suppressed in one component if all other components instead increase fluctuations, compared to the case without control. Even the general N-component system-with arbitrary connections and parameters-must have at least one component with increased fluctuations to reduce fluctuations in others. In connected reaction networks it thus appears impossible to reduce the statistical uncertainty in all components, regardless of the control mechanisms or energy dissipation.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,014
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,014
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,004
Communication savante0,0020,003
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,007
Tête enseignante GPT0,251
Écart entre enseignants0,244 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations29
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePhysical Review LettersMême sujetGene Regulatory Network AnalysisTravaux en français237 207