Resumen

Los modelos dinámicos no lineales son ampliamente utilizados para caracterizar procesos que rigen sistemas de vías biológicas complejas. En la última década, la validación y el desarrollo adicional de estos modelos se hicieron posibles gracias a los datos recopilados mediante experimentos de alto rendimiento utilizando métodos de biología molecular. Si bien estos datos son muy beneficiosos, suelen ser incompletos y ruidosos, lo que dificulta la inferencia de valores de parámetros para modelos dinámicos complejos. Afortunadamente, muchos sistemas biológicos tienen características matemáticas lineales integradas, las cuales pueden ser explotadas para mejorar los ajustes y lograr una mejor convergencia de los algoritmos de optimización. En este artículo, exploramos opciones de inferencia para modelos dinámicos utilizando un método novedoso y comparamos su rendimiento con el del método tradicional de mínimos cuadrados no lineales. Los resultados numéricos de extensas simulaciones sugieren que el enfoque propuesto es al menos tan preciso como el método tradicional de mínimos cuadrados no lineales, pero generalmente

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Modelos dinámicos; Sistemas de vías biológicas; Experimentos de alto rendimiento; Valores de parámetros; Características matemáticas lineales; Algoritmos de optimización
• Keywords:Dynamic models; Biological pathway systems; High-throughput experiments; Parameter values; Linear mathematical features; Optimization algorithms