Stokastik kimyasal kinetik modeller, fizik ve biyoloji alanlarında yaygın olarak kullanılmasına rağmen, bu modellerin parametrelerini deneysel verilerden çıkarmak oldukça zorlu bir süreçtir. Deterministik modellerde parametre tahmini genellikle gradientlere dayanır ve bu gradientler otomatik türev alma (AD) yöntemleriyle verimli bir şekilde elde edilebilir.
Ancak, stokastik simülasyonlarda durum farklıdır. Gillespie stokastik simülasyon algoritması (SSA) gibi yöntemlerde, kesikli reaksiyon setlerinden örnekleme yapılması türevlenemeyen işlemler içerir. Bu da otomatik türev almanın doğrudan uygulanmasını imkansız hale getirir.
Yeni araştırmada bilim insanları, bu sorunu çözmek için makine öğrenmesi alanından üç farklı gradient tahmin yöntemini Gillespie algoritmasına uyarladı: Gumbel-Softmax Straight-Through (GS-ST) tahmin edicisi, Score Function tahmin edicisi ve Alternative Path tahmin edicisi.
Bu yöntemler, hem kararlı durumdaki hem de zamana bağlı değişen gözlemlenebilir büyüklüklerin gradientlerini hesaplamak için kullanıldı. Araştırmacılar, yöntemlerin performansını iki farklı biyofiziksel sistemde test etti: gevşeme dinamikleri gösteren çift moleküllü bağlanma sistemi ve salınım dinamikleri sergileyen repressilator sistemi.
Bu çalışma, stokastik kimyasal sistemlerin modellemesinde parametre çıkarımı için yeni computational yaklaşımlar sunarak, deneysel verilerin daha etkili analiz edilmesine olanak sağlıyor.