Using both qualitative and quantitative data in parameter identification for systems biology models.
Using both qualitative and quantitative data in parameter identification for systems biology models.
复制标题
DOI：
10.1038/s41467-018-06439-z
复制
发表时间：
2018-09-25
影响因子：
16.6
通讯作者：
Hlavacek WS
中科院分区：
文献类型：
--
作者：
Mitra ED;Dias R;Posner RG;Hlavacek WS
在系统生物学中，经常产生定性数据，但很少用于参数化模型。我们展示了一种方法，其中定性和定量数据可以结合参数识别。在这种方法中，定性数据被转换为施加在模型输出上的不等式约束。这些不等式与定量数据点一起沿着使用，以构造考虑两个数据集的单个标量目标函数。为了说明这种方法，我们估计一个简单的模型描述Raf激活参数。然后，我们将该技术应用到一个更精细的模型，其特征在于酵母细胞周期调控。我们将119个突变酵母菌株的定量时间过程（561个数据点）和定性表型（1647个不等式）结合起来，对153个模型参数进行自动识别。我们量化参数的不确定性，使用配置文件的似然方法。我们的研究结果表明定性和定量数据相结合的参数化系统生物学模型的价值。生物学中产生的大部分数据都是定性的，但利用这些数据为生物系统模型提供信息仍然是一个挑战。在这里，作者展示了一种方法，允许使用定量和定性数据参数化动态模型。
In systems biology, qualitative data are often generated, but rarely used to parameterize models. We demonstrate an approach in which qualitative and quantitative data can be combined for parameter identification. In this approach, qualitative data are converted into inequality constraints imposed on the outputs of the model. These inequalities are used along with quantitative data points to construct a single scalar objective function that accounts for both datasets. To illustrate the approach, we estimate parameters for a simple model describing Raf activation. We then apply the technique to a more elaborate model characterizing cell cycle regulation in yeast. We incorporate both quantitative time courses (561 data points) and qualitative phenotypes of 119 mutant yeast strains (1647 inequalities) to perform automated identification of 153 model parameters. We quantify parameter uncertainty using a profile likelihood approach. Our results indicate the value of combining qualitative and quantitative data to parameterize systems biology models. Much of the data generated in biology is qualitative, but exploiting such data to inform models of biological systems remains a challenge. Here, the authors demonstrate an approach that allows use of both quantitative and qualitative data for parameterising dynamical models.
登录
查看更多内容
影响因子：
14.3
作者：
Runarsson, TP;Yao, X
通讯作者：
Yao, X
影响因子：
5.8
作者：
Hucka, M;Finney, A;Wang, J
通讯作者：
Wang, J
影响因子：
16
作者：
Cho, RJ;Campbell, MJ;Davis, RW
通讯作者：
Davis, RW
影响因子：
3.3
作者：
Spellman, PT;Sherlock, G;Futcher, B
通讯作者：
Futcher, B
影响因子：
4
作者：
Kraikivski, Pavel;Chen, Katherine C.;Tyson, John J.
通讯作者：
Tyson, John J.