AMICI: high-performance sensitivity analysis for large ordinary differential equation models.
AMICI: high-performance sensitivity analysis for large ordinary differential equation models.
复制标题
DOI：
10.1093/bioinformatics/btab227
复制
发表时间：
2021-10-25
期刊：
影响因子：
--
通讯作者：
Hasenauer J
中科院分区：
文献类型：
--
作者：
Fröhlich F;Weindl D;Schälte Y;Pathirana D;Paszkowski Ł;Lines GT;Stapor P;Hasenauer J
常微分方程模型有助于理解细胞信号转导和其他生物过程。然而，对于大型和综合模型，模拟或校准的计算成本可能是有限的。AMICI是一个用C++/Python/MATLAB实现的模块化工具箱，提供高效的仿真和灵敏度分析例程，适用于可扩展的、基于梯度的参数估计和不确定性量化。AMICI是在BSD-3条款许可下发布的，其源代码可在https://github.com/AMICI-dev/AMICI上公开获取。可引用的版本存档在Zenodo上。 补充数据可在Bioinformatics在线获得。
Ordinary differential equation models facilitate the understanding of cellular signal transduction and other biological processes. However, for large and comprehensive models, the computational cost of simulating or calibrating can be limiting. AMICI is a modular toolbox implemented in C++/Python/MATLAB that provides efficient simulation and sensitivity analysis routines tailored for scalable, gradient-based parameter estimation and uncertainty quantification. AMICI is published under the permissive BSD-3-Clause license with source code publicly available on https://github.com/AMICI-dev/AMICI. Citeable releases are archived on Zenodo. Supplementary data are available at Bioinformatics online.
登录
查看更多内容
使用PYSB在Python中编程生物模型。
影响因子：
9.9
作者：
通讯作者：
--
影响因子：
5.8
作者：
Bornstein, Benjamin J.;Keating, Sarah M.;Hucka, Michael
通讯作者：
Hucka, Michael
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
影响因子：
4.6
作者：
Städter P;Schälte Y;Schmiester L;Hasenauer J;Stapor PL
通讯作者：
Stapor PL