Collective parameter estimation of related models with an initial stability constraint
Notice bibliographique
Résumé
Abstract Parameterisation of dynamic biochemical network models is a challenging aspect of systems biology. Especially when the parameter space is large and data is semi quantitive but comparable across different experimental conditions. Here, we present a set of command line tools utilising Pycotools (COPASI) that leverages the power of high-performance computing to facilitate parameter estimation of large models with many unknown parameters. In particular, we expand upon the abilities of Pycotools to address two particular issues. Firstly, the difficulty of constraining a model’s parameterisation to assume the system begins in a steady state (prior to a perturbative stimulation). And secondly, parameterising against relative quantitative time series data that have no absolute scale. Our software operates on the SLURM workload manager system and can be applied to any parameter estimation against time series data produced by applying a single perturbation at time zero to an equilibrated system. We validate that our technique can produce a parameterised model of the MTOR (mechanistic target of rapamycin) network based on semi-quantitative time-series data from 2 breast cancer cell lines, stimulated with insulin and amino acids. We also show our model can make reasonable predictions on distinct signaling dynamics in one breast cancer cell line based on the other by adjusting the initial protein quantities only. In conclusion, models should fit both the initial steady state and the dynamics following stimulation, given that stabilising systems prior to stimulation is a common experimental protocol in signaling research. By expanding standard tools, commonly used in the field, we have developed a widely applicable method, which can easily be evaluated and is amenable to wide general use.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».