Benchmarking of numerical integration methods for ODE models of biological systems.
Benchmarking of numerical integration methods for ODE models of biological systems.
复制标题
DOI：
10.1038/s41598-021-82196-2
复制
发表时间：
2021-01-29
影响因子：
4.6
通讯作者：
Stapor PL
中科院分区：
文献类型：
--
作者：
Städter P;Schälte Y;Schmiester L;Hasenauer J;Stapor PL
常微分方程 (ODE) 模型是理解系统生物学中复杂机制的关键工具。使用各种方法研究这些模型，包括稳定性和分岔分析，但最常见的是数值模拟。所需的模拟数量通常很大，例如，当需要推断未知参数时。这使得高效可靠的数值积分方法变得至关重要。然而，这些方法依赖于各种超参数，这强烈影响 ODE 解决方案。尽管如此，尽管公共数据库中可以免费获取数百个已发布的 ODE 模型，但仍然缺乏量化超参数对 ODE 求解器在准确性和计算时间方面的影响的全面研究。在这篇手稿中，我们研究了在处理生物过程产生的 ODE 模型时，哪些算法和超参数的选择通常是有利的。为了确保评估具有代表性，我们考虑了 142 个已发布的模型。我们的研究提供了证据，表明计算生物学中的大多数 ODE 都是刚性的，并且我们为算法和超参数的选择提供了指导。我们预计我们的结果将帮助系统生物学研究人员在处理 ODE 模型时选择适当的数值方法。
Ordinary differential equation (ODE) models are a key tool to understand complex mechanisms in systems biology. These models are studied using various approaches, including stability and bifurcation analysis, but most frequently by numerical simulations. The number of required simulations is often large, e.g., when unknown parameters need to be inferred. This renders efficient and reliable numerical integration methods essential. However, these methods depend on various hyperparameters, which strongly impact the ODE solution. Despite this, and although hundreds of published ODE models are freely available in public databases, a thorough study that quantifies the impact of hyperparameters on the ODE solver in terms of accuracy and computation time is still missing. In this manuscript, we investigate which choices of algorithms and hyperparameters are generally favorable when dealing with ODE models arising from biological processes. To ensure a representative evaluation, we considered 142 published models. Our study provides evidence that most ODEs in computational biology are stiff, and we give guidelines for the choice of algorithms and hyperparameters. We anticipate that our results will help researchers in systems biology to choose appropriate numerical methods when dealing with ODE models.
登录
查看更多内容
影响因子：
1.5
作者：
NORSETT, SP;THOMSEN, PG
通讯作者：
THOMSEN, PG
动态模型的有效梯度计算。
影响因子：
5.7
作者：
Sengupta B;Friston KJ;Penny WD
通讯作者：
Penny WD
影响因子：
5.8
作者：
Olivier, BG;Snoep, JL
通讯作者：
Snoep, JL
影响因子：
5.8
作者：
Hucka, M;Finney, A;Wang, J
通讯作者：
Wang, J
影响因子：
2.7
作者：
Hindmarsh, AC;Brown, PN;Woodward, CS
通讯作者：
Woodward, CS