DOI: https://doi.org/10.1007/s11538-026-01639-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41913034
تاريخ النشر: 2026-03-31
المؤلف: Zhenyun Du
الموضوع الرئيسي: تقليل النماذج والشبكات العصبية
نظرة عامة
في هذا البحث، يقدم المؤلفون معيارًا جديدًا للتعرف يسمى (e, q)-التعرف، والذي يتضمن معلمة $e$ تمثل الضوضاء في المتغيرات الملاحظة ومعلمة $q$ تعكس متوسط مربع الخطأ لمقدرات المعلمات. يعزز هذا المعيار تقييم جودة تقدير المعلمات في ظل زيادة الضوضاء الملاحظة، متجاوزًا الطرق التقليدية التي تعتمد فقط على الأخطاء النسبية المتوسطة. يوضح المؤلفون فعالية هذا المعيار من خلال دراسات تعرف متنوعة، لا سيما في الأنظمة الملاحظة جزئيًا، ويستخدمون طريقة تعتمد على خطأ المعادلة الضعيفة لتقدير المعلمات، والتي تكون أسرع وأكثر قوة تجاه الضوضاء من الطرق التقليدية لخطأ المخرجات.
تشمل المنهجية توليد معادلات إدخال-إخراج ضعيفة الشكل باستخدام تقنيات الجبر التفاضلي وتطبيق نهج تقدير الديناميات غير الخطية (WENDy) لتقدير المعلمات. تشير النتائج إلى أن WENDy أسرع بكثير من طرق خطأ المخرجات، لا سيما في النماذج المعقدة مثل نماذج انتشار الدم والأنسجة ونماذج SIR، مع الحفاظ على دقة مماثلة أو متفوقة. يُظهر معيار (e, q)-التعرف أنه قابل للتطبيق عبر مجموعة من الأنظمة، بما في ذلك تلك التي تحتوي على ضوضاء غير غاوسية، ويوفر إطارًا لاستكشاف فضاءات المعلمات في النماذج البيولوجية. ومع ذلك، يعترف المؤلفون بالقيود المتعلقة بالتحديات الحسابية لتوليد معادلات ضعيفة الشكل للأنظمة ذات الأبعاد الأعلى وفقدان محتمل لمعلومات الحالة الأولية أثناء عملية التحويل. ستركز الأعمال المستقبلية على معالجة هذه القيود وتحسين طرق تقييم التعرف العملي.
مقدمة
في مقدمة الورقة، يحدد المؤلفون المفاهيم الأساسية للتعرف الهيكلي والعملي، والتي يتم توضيحها في الأقسام 2.1 و 2.2. بالنسبة للقراء الذين يمتلكون معرفة سابقة بهذه المواضيع، يمكنهم الانتقال مباشرة إلى القسم 2.3. هنا، يقدم المؤلفون المفهوم الجديد لـ (e, q)-التعرف، الذي يعمل كمعيار عملي للتعرف. يستند هذا المعيار إلى العلاقة بين الضوضاء الموجودة في المتغيرات الملاحظة ومتوسط مربع الخطأ المرتبط بتقدير المعلمات، مما يوفر منظورًا جديدًا لتقييم التعرف في النماذج الإحصائية.
النتائج
في دراسة نموذج انتشار الدم، تم تقدير المعلمات \( w_1, w_2, \) و \( w_3 \) باستخدام معادلة إدخال-إخراج ضعيفة الشكل (9) مع بيانات محاكاة تضمنت أخطاء ملاحظة إضافية غاوسية. أظهر التحليل أن النموذج قابل للتعرف عمليًا بالنسبة لنسب أخطاء الملاحظة الإضافية التي تقل عن 11%. على وجه التحديد، أشار تقييم (e, q)-التعرف إلى أنه عند نسبة خطأ 5%، يبقى متوسط مربع الخطأ (MSE) لتقديرات المعلمات أقل من 50% من مقادير المعلمات. ومع ذلك، مع زيادة نسبة الخطأ إلى 15%، يفشل النموذج في الحفاظ على هذا المعيار للتعرف، حيث يفقد التعرف لـ \( w_3 \) أولاً.
أظهر تقييم إضافي للخطأ النسبي عبر 1,000 محاكاة أن نموذج تركيز الدم لا يفي بالمعيار العملي الصارم للتعرف بناءً على الخطأ النسبي، حتى عند أدنى مستويات الخطأ. على الرغم من أن معيارًا أكثر استرخاءً يسمح بالتعرف العملي عند مستويات الخطأ بين 0% و 20%، يبقى الخطأ النسبي لـ \( w_3 \) كبيرًا، حيث يصل إلى 1.1% عند 1% ضوضاء إضافية. بالإضافة إلى ذلك، ينخفض تغطية فترات الثقة بنسبة 95% لجميع المعلمات مع تجاوز مستوى الخطأ 11%، حيث تحتوي فترات الثقة لـ \( w_1 \) و \( w_2 \) على قيم حقيقية فوق 6% خطأ ولكن تنخفض تحت 70% عند 11%. بشكل عام، تؤكد النتائج أن \( w_3 \) يصبح غير قابل للتعرف قبل المعلمات الأخرى مع زيادة الضوضاء.
المناقشة
في هذا القسم، يناقش المؤلفون مفاهيم التعرف الهيكلي والعملي في سياق نمذجة المعادلات التفاضلية للأنظمة البيولوجية. يشير التعرف الهيكلي إلى تفرد معلمات النموذج التي يمكن أن تعيد إنتاج الحالات القابلة للملاحظة لنظام ما. يعرف المؤلفون التعرف الهيكلي العالمي والمحلي بناءً على حقن خريطة المعاملات المستمدة من معادلات الإدخال-الإخراج. يبرزون استخدام خوارزميات الإزالة التفاضلية للحصول على هذه المعادلات ويذكرون حزمة DifferentialAlgebra v4 لتوليد معادلات الإدخال-الإخراج. يؤكد القسم على أن التعرف الهيكلي ضروري لاستعادة المعلمات، خاصة في الأنظمة ذات المتغيرات غير الملاحظة.
من ناحية أخرى، يتعامل التعرف العملي مع القدرة على تقدير المعلمات بشكل فريد من ملاحظات متفرقة وضوضاء. يقترح المؤلفون معيارًا يعتمد على متوسط مربع الخطأ لمقدرات المعلمات، مقدمين مفهوم (e, q)-التعرف، الذي يربط نسب أخطاء الملاحظة بنسب أخطاء المقدرات. يسمح هذا المعيار بتقييم دقة وموثوقية تقدير المعلمات عبر نماذج مختلفة. يناقش المؤلفون أيضًا التحديات المتعلقة بحساب مصفوفة معلومات فيشر في الأنظمة المعقدة ويقدمون طرقًا قائمة على المحاكاة كبديل لتقييم التعرف العملي. بشكل عام، يضع القسم الأساس لتطبيق هذه المفاهيم على نماذج بيولوجية محددة، موضحًا التفاعل بين التعرف الهيكلي والعملي في تقدير المعلمات.
DOI: https://doi.org/10.1007/s11538-026-01639-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41913034
Publication Date: 2026-03-31
Author(s): Zhenyun Du
Primary Topic: Model Reduction and Neural Networks
Overview
In this research, the authors introduce a novel identifiability criterion termed (e, q)-identifiability, which incorporates a parameter $e$ representing the noise in observed variables and a parameter $q$ reflecting the mean-square error of parameter estimators. This criterion enhances the assessment of parameter estimation quality in the presence of increased observational noise, surpassing traditional methods that rely solely on average relative errors. The authors demonstrate the effectiveness of this criterion through various identifiability studies, particularly in partially observed systems, and employ a weak-form equation error-based method for parameter estimation, which is notably faster and more robust to noise than conventional output error methods.
The methodology involves generating weak-form input-output equations using differential algebra techniques and applying the Weak form Estimation of Nonlinear Dynamics (WENDy) approach for parameter estimation. The results indicate that WENDy is significantly quicker than output error methods, particularly in complex models such as the blood-tissue diffusion and SIR models, while maintaining comparable or superior accuracy. The (e, q)-identifiability criterion is shown to be applicable across a range of systems, including those with non-Gaussian noise, and provides a framework for exploring parameter spaces in biological models. However, the authors acknowledge limitations related to the computational challenges of generating weak-form equations for higher-dimensional systems and the potential loss of initial condition information during the transformation process. Future work will focus on addressing these limitations and further refining the practical identifiability assessment methods.
Introduction
In the introduction of the paper, the authors outline the foundational concepts of structural and practical identifiability, which are elaborated upon in Sections 2.1 and 2.2. For readers who possess prior knowledge of these topics, they can proceed directly to Section 2.3. Here, the authors present the novel concept of (e, q)-identifiability, which serves as a practical criterion for identifiability. This criterion is grounded in the relationship between the noise present in observed variables and the mean-square error associated with parameter estimation, thereby offering a new perspective on assessing identifiability in statistical models.
Results
In the study of the blood diffusion model, the parameters \( w_1, w_2, \) and \( w_3 \) were estimated using the weak-form input-output equation (9) with simulated data that included Gaussian additive observation errors. The analysis revealed that the model is practically identifiable for additive observation error ratios below 11%. Specifically, the (e, q)-identifiability assessment indicated that at a 5% error ratio, the mean squared error (MSE) of the parameter estimates remains below 50% of the parameter magnitudes. However, as the error ratio increases to 15%, the model fails to maintain this identifiability criterion, particularly losing identifiability for \( w_3 \) first.
Further evaluation of the relative error across 1,000 simulations showed that the blood concentration model does not meet the strict practical identifiability criterion based on relative error, even at the lowest error levels. Although a more relaxed criterion allows for practical identifiability at error levels between 0% and 20%, the relative error for \( w_3 \) remains significant, reaching 1.1% at 1% additive noise. Additionally, the coverage of the 95% confidence intervals for all parameters decreases as the error level surpasses 11%, with confidence intervals for \( w_1 \) and \( w_2 \) containing true values above 6% error but dropping below 70% at 11%. Overall, the findings underscore that \( w_3 \) becomes non-identifiable before the other parameters as noise increases.
Discussion
In this section, the authors discuss the concepts of structural and practical identifiability in the context of differential equations modeling biological systems. Structural identifiability refers to the uniqueness of model parameters that can reproduce the observable states of a system. The authors define global and local structural identifiability based on the injectivity of the coefficient map derived from input-output equations. They highlight the use of differential elimination algorithms to obtain these equations and mention the DifferentialAlgebra v4 package for generating input-output equations. The section emphasizes that structural identifiability is crucial for parameter recovery, especially in systems with unobserved variables.
Practical identifiability, on the other hand, deals with the ability to estimate parameters uniquely from sparse and noisy observations. The authors propose a criterion based on the mean-squared error of parameter estimators, introducing the concept of (e, q)-identifiability, which relates observation error ratios to estimator error ratios. This criterion allows for the assessment of parameter estimation accuracy and precision across different models. The authors also discuss the challenges of calculating the Fisher Information Matrix in complex systems and present simulation-based methods as an alternative for evaluating practical identifiability. Overall, the section sets the stage for applying these concepts to specific biological models, demonstrating the interplay between structural and practical identifiability in parameter estimation.