动态特征的深度学习解析消除了复杂信号网络中的机制性歧义

稀疏的实验数据往往会产生庞大的机制性假设空间，其中包含大量同等可能的模型。传统的模型选择指标，如赤池信息准则，由于将模型的非线性动力学压缩为一个标量分数，从而掩盖了关键的机制细节，因此存在明显局限。 本文提出了一种人工智能驱动的框架，将模型动力学视为可学习的特征签名。借助深度学习自编码器，我们将数千个竞争模型的动态特征签名嵌入到低维潜在空间中。通过迭代聚类与生理约束，对该空间进行系统性精炼，从而将其缩减为数量可控且可供检验的假设集合。 将该框架应用于整合应激反应这一基础性的细胞稳态机制时，我们从超过12,000个候选模型中收敛得到12个具有说服力的机制性假设。值得注意的是，该框架能够有力否定传统指标无法判别的、关于高阶PKR激活的基于结构推导的动力学假设。 最终，该方法为标量指标提供了一种严格的、基于全状态的替代方案，从而加速复杂生物系统中驱动性原理的发现。

稀疏的实验数据往往会产生庞大的机制性假设空间，其中包含大量概率上同样合理的模型。传统的模型选择指标，如赤池信息准则，存在明显不足，因为它们将模型的非线性动力学压缩为单一标量分数，从而掩盖了关键的机制细节。在此，我们引入一种人工智能驱动的框架，将模型动力学视为可学习的特征标识。借助深度学习自编码器，我们将数千个竞争模型的动态特征标识嵌入到一个低维潜在空间中。通过迭代聚类和生理约束，我们对这一空间进行系统性精炼，将其缩减为数量可控、可供检验的假设集合。

将该方法应用于整合应激反应这一维持细胞稳态的基础机制时，我们从超过12,000个候选模型中收敛得到12个有力的机制性假设。值得注意的是，该框架能够有把握地否定关于高阶PKR激活的、源自结构推导的动力学假设，而这一点是传统指标无法判别的。最终，该方法为标量指标提供了一种严格的、基于全状态的替代方案，从而加速了复杂生物系统中驱动性原理的发现。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.04.742863v1?rss=1

🏷️ 深度学习 动力学建模 模型选择 信号网络 整合应激反应 机制假设