.png){kind=icon}
.png){kind=icon}
返回
Automated model refinement using perturbation-observation pairs
.png){kind=icon}
OA
AI
DOI：10.1038/s41540-025-00532-y.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在构建信号转导网络模型时，通常需要通过涉及试错且受领域知识约束的过程来手动整合实验证据。我们实现了一种基于遗传算法的工作流程（boolmore），以简化布尔模型的优化。Boolmore通过调整模型功能，增强其与一组经过整理的扰动-观测对集合的一致性。它利用现有的机制知识，自动将搜索空间限制在生物学上合理的模型范围内。我们通过一个已发表的植物信号模型展示了boolmore的有效性，该模型体现了手动模型构建和优化的挑战。优化后的模型在精度提升方面超过了两年手动修订的效果，并产生了新的、可验证的预测。通过自动化模型验证和优化这一繁琐任务，该工作流程是迈向快速、完全自动化和可靠模型构建的重要一步。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。