Co$^2$ODE：生化网络中条件性粗粒化的重连模型发现

生化网络传递调控细胞行为的信号，而这些信号经由哪些通路传递取决于细胞背景：背景的改变会重塑网络的有效动力学。机制性模拟器在此处存在设定偏误，因为有效动力学源自一个仅部分已知的相互作用结构。模型发现则改为从数据中学习动力学，但稀疏且相关的测量难以辨识出完整的网络模型。真正重要的范围更窄：即背景所重塑的那一部分。我们提出条件性粗粒化常微分方程（Co$^2$ODE），将这一部分建模为稀疏的神经或符号 ODE：条件掩码选择承载重塑的标记物，变分自编码器将剩余标记物压缩为学习到的闭合项。在涵盖 30 种癌症相关过表达的單细胞磷酸化蛋白质组数据上，Co$^2$ODE 将 30 个标记物的面板压缩为 10 维状态，同时达到与对完整面板拟合的神经 ODE 相当的预测精度。闭合项吸收了掩码丢弃的信息，因此精度对保留哪些标记物不敏感。在损失中加入先验评分可在拟合无损失的情况下改变所选标记物，表明数据干预性不足，无法辨识潜在的生物学机制。

中文由 AI 翻译，仅供参考，以原文为准。