基于物理信息机器学习的酶促反应系统参数估计
Parameter estimation of enzymatic reaction systems based on physics-informed machine learning
刘承杰 1俞辉 2陈宇 3戴厚德4
作者信息
- 1. 福州大学先进制造学院,福建泉州 362000;中国科学院福建物质结构研究所,福建福州 350108
- 2. 中国科学院福建物质结构研究所,福建福州 350108
- 3. 中国科学院福建物质结构研究所,福建福州 350108;福建农林大学机电工程学院,福建福州 350100
- 4. 中国科学院福建物质结构研究所,福建福州 350108;福建省特种设备检验研究院福建省特种智能装备安全与测控重点实验室,福建福州 350008
- 折叠
摘要
为揭示物理信息神经网络在生化领域中的潜力,研究一种基于现代物理信息机器学习工具的新参数估计方法,并通过酶促反应过程模型的案例研究进行了演示,比较软、硬边界约束设置对计算结果的影响.实验分析表明,利用软、硬2种不同约束的物理信息神经网络均能获得精确的模型参数估计值,并在所有的可观测变量上的拟合优度R2在0.98以上,所得到的系统模型能够较好地反映系统的动态过程.所提出的方法融合了模型驱动与数据驱动方法的优势,并且能够在基于采样40次的含噪声小型数据集上获得稳健的训练结果,显著降低对数据量的要求.
Abstract
To reveal the potential of physics-informed neural networks in biochemistry,a new parameter estimation method based on modem physics-informed machine learning tools was investigated and its function was demonstrated through a case study of enzymatic synthesis process and the effects of soft and hard boundary constraint settings were compared on the computational results.The experimental results show that both physics-informed neural networks with soft and hard constraints can accurately estimate model parameters,with goodness of fit R2 above 0.98 on all observable variables.The resulting system model can better reflect the dynamic process of the system.The proposed method combines the advantages of model-driven and data-driven approaches and achieves robust training results on a small dataset based on 40 noisy samples,significantly reducing the required data.
关键词
物理信息嵌入/酶促反应/神经网络/参数估计/硬约束Key words
physics-informed/enzyme reaction/neural network/parameter estimation/hard constraint引用本文复制引用
基金项目
福建省特种智能装备安全与测控重点实验室(FJIES2023KF02)
泉州市科技计划项目(2022C004L)
出版年
2024
国家科技期刊平台
NSTL
万方数据