使用结构化神经ODE过程预测代谢系统中的时间变化通量和平衡
发表于: 。本文提出了一种新颖的数据驱动框架,旨在替代动态通量平衡分析,从而减少对深厚领域知识的需求和手动优化问题的构建。通过对基因表达时间序列数据的端到端训练,SNODEP模型能够有效预测未知时间点的通量和平衡,有助于在基因组规模代谢分析中有效应对更具挑战性的配置和不规则数据采样。
本文提出了一种新颖的数据驱动框架,旨在替代动态通量平衡分析,从而减少对深厚领域知识的需求和手动优化问题的构建。通过对基因表达时间序列数据的端到端训练,SNODEP模型能够有效预测未知时间点的通量和平衡,有助于在基因组规模代谢分析中有效应对更具挑战性的配置和不规则数据采样。