論文の概要: Learning dynamical systems with biochemically informed neural ordinary differential equations

• arxiv url: http://arxiv.org/abs/2605.24170v1
• Date: Fri, 22 May 2026 19:43:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.660524
• Title: Learning dynamical systems with biochemically informed neural ordinary differential equations
• Title（参考訳）: 生化学的に情報を得たニューラル常微分方程式を用いた力学系の学習
• Authors: Luis L. Fonseca, Reinhard C. Laubenbacher, Lucas Böttcher,
• Abstract要約: 本稿では,ニューラルネットワークによる個々のプロセスの表現をしながら,メカニスティックモデルの確率的構造を保持するニューラル-ODEフレームワークを提案する。 BINODEでは、ニューラルネットワークプロセス(NNP)の出力は、統計量行列に類似した線形層を通して状態微分にマッピングされる。 BINODEは、部分的に知られている生化学的・生物学的力学系をモデル化する上で、機械的解釈可能性とデータ駆動の柔軟性の間に有用な妥協をもたらすことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ordinary differential equation models of biochemical reactions are often formulated as stoichiometric systems in which the dynamics arise from a collection of interacting processes. A central challenge is that the functional form of each process is rarely known a priori and may be difficult to infer from data. We propose biochemically informed neural ordinary differential equations (BINODEs), a neural-ODE framework that retains the stoichiometric structure of mechanistic models while representing individual processes by neural networks. In BINODEs, the outputs of neural network processes (NNPs) are mapped to state derivatives through a linear layer analogous to a stoichiometric matrix. This architecture allows biological side information, such as process-specific inputs, sign constraints, and monotonicity assumptions, to be built directly into the model. We characterize the approximation properties of NNPs for several standard biochemical rate laws and show that the proposed framework recovers both trajectories and process-level structure in Monod, Lotka--Volterra, pharmacokinetic, and ultradian endocrine models. These results suggest that BINODEs offer a useful compromise between mechanistic interpretability and data-driven flexibility for modeling partially known biochemical or biological dynamical systems.
• Abstract（参考訳）: 生化学反応の常微分方程式モデルはしばしば、相互作用する過程の集合から力学が生じる確率的系として定式化される。 中心的な課題は、各プロセスの機能形式がプリオリをほとんど知られておらず、データから推測することが難しいことだ。 本稿では, ニューラルネットワークによる個々の過程を表現しながら, メカニカルモデルの統計的構造を保持するニューラルネットワークフレームワークである, 生化学的に情報を得たニューラル常微分方程式 (BINODE) を提案する。 BINODEでは、ニューラルネットワークプロセス(NNP)の出力は、統計量行列に類似した線形層を通して状態微分にマッピングされる。 このアーキテクチャは、プロセス固有の入力、サイン制約、モノトニック性仮定などの生物学的側面情報をモデルに直接組み込むことを可能にする。 我々は,NNPのいくつかの標準生化学的速度法則に対する近似特性を特徴付けるとともに,提案フレームワークがモノド,ロトカ-ボルテラ,薬物動態,ウルトラインディアン内分泌モデルにおいて,軌跡とプロセスレベル構造の両方を復元することを示す。 これらの結果は、BINODEが、部分的に知られている生化学的または生物学的力学系をモデル化する上で、機械的解釈可能性とデータ駆動の柔軟性の間に有用な妥協をもたらすことを示唆している。

関連論文リスト

• Physiologically Informed Deep Learning: A Multi-Scale Framework for Next-Generation PBPK Modeling [5.007023403094322]
  メカニスティックリガーとデータ駆動の柔軟性を橋渡しするSciML(SciML)フレームワークを提案する。 1) 薬物動態予測をシーケンスモデリングタスクとして扱う基盤PBPK変換器,(2) 生理的制約付き拡散モデル(PCDM),(3) 生物学的に適合した仮想患者集団を合成するための物理インフォームドロスを用いた生成アプローチ,(3) ニューラルネットワークとニューラルネットワークを組み合わせたハイブリッドアーキテクチャであるニューラルアロメトリー,などを紹介する。
  論文  参考訳（メタデータ） (2026-02-09T00:26:01Z)
• Modeling Adoptive Cell Therapy in Bladder Cancer from Sparse Biological Data using PINNs [0.0]
  物理インフォームドニューラルネットワーク(英: Physics-informed Neural Network、PINN)は、力学系の法則を損失関数に組み込むニューラルネットワークである。 本研究では,腫瘍学に応用したPINNフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-15T11:28:18Z)
• A Solvable Molecular Switch Model for Stable Temporal Information Processing [0.0]
  リニア・イン・ザ・ステートと非線形・イン・イン・イン・イン・イン・インプットのモデルは正確に解決可能であり、収束とフェードメモリの数学的性質も持っている。 その結果、動的分子スイッチを深いカスケード/層状フィードフォワードおよびリカレントアーキテクチャの計算単位として使用するための理論的支援が得られた。 また、脳にインスパイアされた振る舞いを模倣し、入力信号に対して安定した計算を実行できる任意の物理デバイスをエミュレートできる、より一般的な正確な解決可能なモデルをインスパイアすることもできる。
  論文  参考訳（メタデータ） (2025-08-21T11:13:56Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [63.592664795493725]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、その一般化を実際の実験データで検証する最初の大規模ディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• Generative Modeling of Neural Dynamics via Latent Stochastic Differential Equations [1.5467259918426441]
  本稿では,生体神経系の計算モデル構築のためのフレームワークを提案する。 我々は、微分ドリフトと拡散関数を持つ結合微分方程式系を用いる。 これらのハイブリッドモデルは,刺激によって誘発される神経および行動応答の予測において,競争力を発揮することを示す。
  論文  参考訳（メタデータ） (2024-12-01T09:36:03Z)
• Neural CRNs: A Natural Implementation of Learning in Chemical Reaction Networks [0.0]
  自律学習が可能な分子回路は、バイオエンジニアリングや合成生物学などの分野における新しい応用を解き放つ可能性がある。 本稿では,分子濃度の時間進化としてニューラル計算をモデル化する力学系に基づくアプローチを提案する。 本研究は, 合成生化学システムに学習行動を組み込むための有効な経路を提示する。
  論文  参考訳（メタデータ） (2024-08-18T01:43:26Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。