Esistono numerosi sistemi dinamici non lineari altamente stocastici
campi come la biologia molecolare, chimica, epidemiologia, ed ecologia. Ancora,
nessuno dei modelli stocastici attualmente disponibili è accurato e accurato
computazionalmente efficiente per previsioni a lungo termine di grandi sistemi. IL
Approssimazione del rumore lineare (LNA) modello per le reti di reazioni biochimiche è
analiticamente trattabili, che lo rende computazionalmente efficiente
simulazione, analisi, e inferenza. Tuttavia, è accurato solo per lineare
sistemi e transizioni di breve durata. Altri metodi possono ottenere una maggiore precisione
attraverso una gamma più ampia di sistemi, compresi quelli non lineari, ma mancano di analisi
trattabilità. Questo articolo cerca di sfidare la visione prevalente
dimostrando che l'approssimazione del rumore lineare può effettivamente catturare non lineari
dinamica dopo alcune modifiche. Introduciamo un nuovo framework that
utilizza la teoria del collettore centrale che ci consente di identificare semplici interventi per
l’LNA che non ne compromettono significativamente l’efficienza computazionale. Noi
sviluppare algoritmi specifici per sistemi che presentano oscillazioni o
bi-stabilità e dimostrare la loro accuratezza ed efficienza computazionale
molteplici esempi.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: