[论文解读] Data-driven discovery of chemical reaction networks

Abraham Reyes-Velázquez, Stefan Güttel+2 more|arXiv (Cornell University)|Feb 12, 2026

Gene Regulatory Network Analysis被引用 0

一句话总结

一个统一的基于 SINDy 的框架利用积分公式从浓度数据自动重建完整的化学反应网络，具有理论误差界限和对噪声鲁棒性的提升。

ABSTRACT

We propose a unified framework that allows for the full mechanistic reconstruction of chemical reaction networks (CRNs) from concentration data. The framework utilizes an integral formulation of the differential equations governing the chemical reactions, followed by an automatic procedure to recover admissible mass-action mechanisms from the equations. We provide theoretical justification for the use of integral formulations using analytical and numerical error bounds. The integral formulation is demonstrated to offer superior robustness to noise and improved accuracy in both rate-law and graph recovery when compared to other commonly used formulations. Together, our developments advance the goal of fully automated, data-driven chemical mechanism discovery.

研究动机与目标

• 促使自动发现从时间序列浓度数据推导化学反应网络（CRNs）。
• 开发基于 SINDy 的流程，将推断出的微分方程与可判定的质量作用CRN联系起来。
• 比较微分和积分 SINDy 的公式并为各自提供误差分析。
• 自动化图重建步骤，从数据中获得化学有效的网络。
• 评估对噪声的鲁棒性以及守恒定律对可辨识性的影响。

提出的方法

• 将 CRN 以质量作用动力学来形式化，并将动态表达为一个 ODE 或其 Picard 积分形式。
• 构建到所选阶数（p ≤ 2 通常足够）的稀疏字典项。
• 应用 SINDy 来识别将字典项与浓度动力学联系起来的系数矩阵。
• 引入两种形式：对数据求导（微分 SINDy）或在样条插值后对字典项进行积分（积分 SINDy）。
• 通过凸优化的后处理步骤自动从推断的 ODEs 重建可接受的 CRN 图。
• 为微分与积分的误差提供理论界限，并分析噪声、采样和秩缺陷如何影响恢复。

实验结果

研究问题

• RQ1 一个数据驱动框架能否从浓度时间序列中同时恢复速率法则和潜在的 CRN 图？
• RQ2 积分公式在对噪声鲁棒性和重构精度方面是否优于微分公式？
• RQ3 如何将稀疏的 ODE 模型自动转换为可接受的质量作用 CRN？
• RQ4 在噪声和离散化下，微分与积分 SINDy 的误差界限是多少？
• RQ5 守恒定律和多实验数据如何影响可辨识性与重建问题的秩？

主要发现

• 积分 SINDy 公式在对噪声的鲁棒性和对速率法则与网络结构的恢复方面优于微分公式。
• 一个自动化的后处理步骤通过凸优化将稀疏 ODE 模型映射到可接受的质量作用 CRN，适用于闭合网络完全自动化，对开系统仅需极少的用户输入。
• 本文为微分与积分公式提供了解析与数值误差界限，显示积分公式在累积数值和回归误差上更低。
• 使用多实验数据可以提高字典的秩，帮助缓解由守恒定律引起的秩缺陷。
• 该框架在一个统一的方法中整合了稀疏系统辨识、化学网络重建和严格的误差分析。