估计模型参数与敏感性

Estimate Model Parameters and Sensitivity · 🔴专家 · 所属分类：系统生物学、合成生物学与生物工艺

拟合曲线看着漂亮，但你其实不知道这些参数是不是唯一可辨、哪几个真正主导结果——过拟合和不可辨识经常被忽略，结论就站不住脚。它帮你用数据把参数拟出来，同时诊断哪些参数可信、哪些其实测不准，并告诉你该补测什么数据才能定得住。

适合谁

需要给机制模型标定参数、又担心结论可靠性的建模研究者，定量系统药理/系统生物学方向的科研人员。

给它什么 · 得到什么

• 你提供：已有的机制模型（SBML/脚本）、实验数据（时间序列/剂量，最好带误差或重复）、想估计的参数及其先验或边界，以及数据的量纲和观测对应关系。
• 你得到：参数估计结果表（点估计+置信区间）、敏感性排序图、可辨识性诊断（profile likelihood或相关矩阵）、拟合优度图和可复现的拟合脚本。

怎么用

示例提问：「这是我模型的三条时间序列数据，帮我拟合五个速率参数，并告诉我哪些参数其实辨识不出来。」 触发后它会定义目标函数和观测模型做拟合，算局部/全局敏感性排出关键参数，用profile likelihood或相关分析判断可辨识性，给出不确定度区间，并标出测不准的参数、建议加测方向。

提个醒

拟合不等于真实，它会如实报告不确定度和不可辨识性——数据质量决定结论上限，过拟合或局部最优都不能当定论。