SEEDS: Structural Error Estimation in Dynamic System Models
Bioinformatics and Theoretical Biology
Statistical Physics, Nonlinear Dynamics, Complex Systems, Soft and Fluid Matter, Biological Physics
Final Report Abstract
Das SEEDS Projekt untersuchte die Rekonstruierbarkeit von strukturellen Modellfehlern in Dynamischen Systemen. Dynamische Systeme sind mathematische Modelle, die zeitabhängige Prozesse beschreiben, wie zum Beispiel eine Populationsentwicklung, chemische Reaktionen, die Ausbreitung einer Pandemie oder die wirtschaftliche Entwicklung. Aufgrund ungenauer Kenntnise oder mangels eines tieferen Verständnisses der physikalischen, chemischen, biologischen oder ökonomischen Gesetzmäßigkeiten sind diese Modelle jedoch oft inkorrekt, d.h. mit strukturellen Modellfehlern behaftet. Diese strukturellen Modellfehler vermindern die Aussagekraft des Modells und führen auf falsche Berechnungen des momentanen Zustands sowie zu falschen Vorhersagen über die weitere Entwicklung des Systems. Wenn es jedoch gelingt, die strukturellen Modellfehler aus Daten abzuleiten, ist es möglich diese zu verstehen und im Idealfall zu beheben und die auf dem Modell basierenden Berechnungen über das aktuelle und zukünftige Verhalten des Systems zu korrigieren. Im Rahmen dieses Projektes wurde eine mathematische Formulierung von strukturellen Modellfehlern erreicht und es war möglich, verschiedene Bedingungen für eine eindeutige Rekonstruierbarkeit von strukturellen Modellfehlern zu formulieren. Eine netzwerktheoretische Analyse zeigte, in welchen topologischen Prinzipien sich Rekonstruierbarkeit oder nicht-Rekonstruierbarkeit zeigt und es war möglich ein Experientelles Design zu entwickeln, dass diese Prinzipien optimal ausnutzt, um bereits vor dem Experiment sicher zu stellen, dass die gemessenen Daten eine Fehlerrekonstruktion ermöglichen. Über neue Interpretationen von Dynamischen Systemen als Gammoid war es möglich die Modellfehlerrekonstruktion mit dem aktuellen und anwendungsorientierten Gebiet des Compressed Sensing zu verbinden und konkrete Optimierungsalgorithmen zu formulieren und in der Skriptsprache R zu implementieren und schließlich zu veröffentlichen. Damit wurden die theoretischen Ergebnisse und praktischen Algorithmen, die in diesem Projekt entwickelt wurden, abgerundet und in eine einheitliche Methodik überführt.
Publications
- A Bayesian approach to estimating hidden variables as well as missing and wrong molecular interactions in ordinary differential equation-based mathematical models, J. R. Soc. Interface, 14:20170332 (2017)
Benjamin Engelhardt, Maik Kschischo and Holger Fröhlich
(See online at https://doi.org/10.1098/rsif.2017.0332) - Structural Invertibility and Optimal Sensor Node Placement for Error and Input Reconstruction in Dynamic Systems, Phys. Rev. X, 9:041046 (2019)
Dominik Kahl, Philipp Wendland, Matthias Neidhardt, Andreas Weber and Maik Kschischo
(See online at https://doi.org/10.1103/physrevx.9.041046) - SEEDS: Data driven inference of structural model errors and unknown inputs for dynamic systems biology Bioinformatics, btaa786 ( 2020)
Tobias Newmiwaka, Benjamin Engelhardt, Philipp Wendland, Dominik Kahl, Holger Fröhlich and Maik Kschischo
(See online at https://doi.org/10.1093/bioinformatics/btaa786) - Sparse Error Localization in Complex Dynamic Networks, 2020
Dominik Kahl, Andreas Weber and Maik Kschischo
(See online at https://doi.org/10.48550/arXiv.2006.04694) - Searching for Errors in Models of Complex Dynamic Systems, 2021, Frontiers in Physiology 11:1765 (2021)
Dominik Kahl, Maik Kschischo
(See online at https://doi.org/10.3389/fphys.2020.612590)
