Quantifying structural uncertainty in chemical reaction network inference
量化化学反应网络推断中的结构不确定性AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主题为化学反应网络的稀疏正则化与结构不确定性，属于计算生物学/系统生物学方法，未涉及所提供计量经济学领域细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
量化化学反应网络推断中的结构不确定性
- 研究问题
- 摘要称，化学反应网络推断旨在从物种浓度的时间观测中识别未知反应；现有稀疏正则化方法多只给出单一最可能的网络，未处理网络结构的不确定性，本文关注稀疏正则化能否有效量化这种结构不确定性。
- 方法与思路
- 作者提出把稀疏正则化的局部最优解映射为化学反应网络结构，并比较非凸惩罚函数与常用 lasso 正则化在覆盖合理网络方面的表现，再用真实数据例子进行验证。
- 材料陈述的贡献
- 摘要称，使用非凸惩罚诱导稀疏比 lasso 能更好地覆盖合理网络；在真实数据上可同时恢复多个文献来源提出的反应；并给出网络层面的概率与分层表示，用以刻画结构歧义并提出替代反应路径。
- 阅读关注点
- 应核对局部最优解到网络结构的映射是否覆盖全部合理网络、非凸惩罚与 lasso 的比较设定与评价指标、真实数据例子中“恢复文献反应”的判定标准，以及网络层面概率的定义与可解释性。
- 阅读边界
- 仅凭摘要无法判断识别假设、理论保证、模拟设计、数据规模与结论稳健性；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Dynamical systems in biology are complex, and one often does not have comprehensive knowledge about the interactions involved. Chemical reaction network (CRN) inference aims to identify, from observing species concentrations over time, the unknown reactions between the species. Existing approaches such as sparse regularisation largely focus on identifying a single, most likely CRN, without addressing uncertainty about the network structure. However, it is important to quantify structural uncertainty to have confidence in our inference and predictions. In this work, we explore how effective sparse regularisation methods are for quantifying structural uncertainty. Locally optimal solutions to sparse regularisation are mapped to CRN structures; however, it is unclear whether this approach encompasses all plausible CRNs. We find that inducing sparsity with nonconvex penalty functions results in better coverage of the plausible CRNs compared to the popular lasso regularisation. To validate our approach, we apply our methods to real-world data examples, and are able to simultaneously recover reactions proposed across multiple literature sources for a reaction system. Our emphasis on network-level probabilities enables a novel, hierarchical representation of structural ambiguities in the space of CRNs. This representation translates into alternative reaction pathways suggested by the available data, thus guiding the efforts of future experimental design.