Modele dicrim

La figure 9 représente la sensibilité des deux variables mesurées, l`ARNm et le complexe protéique KdpFABC, en ce qui concerne les 17 paramètres réels du modèle III. L`analyse de sensibilité Pseudo-globale a révélé que la dynamique du modèle est très sensible aux paramètres DNA0 et KTR, en accord avec les résultats de l`analyse de sensibilité locale pour le modèle II. En outre, la concentration de l`ARNm et du KdpFABC a montré une sensibilité élevée aux paramètres K et KZ. Puisque la contre-action de stimulus semble linéaire (bin3 = 0), le paramètre khy ne joue pas un rôle dans le modèle, par conséquent son indice de sensibilité est zéro. Pour cette raison, nous l`avons exclu du calcul de matrice de corrélation représenté dans la figure 10. Le modèle dynamique présenté par Kremling et les collaborateurs [47] (modèle I) se compose de 8 DAEs (6 ODEs et 2 AEs) et a 21 constantes de vitesse qui ont été estimées à partir de données expérimentales ou fixées à des valeurs littéraires (EQ: 13-20): Pencina MJ, d`Agostino RB. Évaluation de la discrimination des modèles de prédiction des risques: la statistique C. Jama. 2015; 314 (10): 1063 – 1064. doi: 10.1001/JAMA. 2015.11082 dans cette contribution, nous considérons les modèles dynamiques qui sont imbriqués, c`est-à-dire qu`il existe une hiérarchie telle que chaque modèle est un sous-cas particulier d`un modèle paramétré étendu, qui peut être considéré comme une superstructure. Ces modèles imbriqués proviennent de modèles existants et de nouvelles hypothèses comme par exemple l`existence de nouvelles boucles de rétroaction positive ou négative.

Dans un sens lâche, nous pouvons dire que le modèle B est imbriqué dans le modèle A si le modèle B est un cas particulier du modèle A. la figure 1 illustre un exemple où le modèle A est une superstructure contenant trois boucles de rétroaction, le modèle B ne contient que deux d`entre eux et modèle C et modèle D un chacun. Par conséquent, nous pouvons dire que le modèle C et le modèle D sont imbriqués dans le modèle B qui est à son tour imbriqué dans le modèle A. Dans ce cadre, le problème de sélection du modèle se lit comme suit: compte tenu d`un ensemble de modèles imbriqués, trouver celui qui donne le meilleur ajustement aux données expérimentales disponibles, en respectant les éventuelles contraintes supplémentaires sur la rigueur du modèle, la précision et l`adéquation. Comme on peut le voir dans le tableau 1, fSSm a pu récupérer la structure du modèle utilisée pour générer les données in silico (les mêmes boucles sont actives) et les paramètres optimaux diffèrent des valeurs nominales inférieures à 20%. Les figures 4, 5, 5, 6, 6, 77 montrent un bon accord entre le nouveau modèle (modèle III) et les données in silico. La moyenne des résidus est de 4,4%, très proche de l`erreur expérimentale. Bien que toutes les réalisations n`atteignent pas la même valeur de la fonction de coût, la régulation de la traduction et de la régulation de la protéolyse est active pour les 10 solutions (BIN1 = BIN2 = 1). Pour certaines réalisations, bin3 est égal à 1 indiquant que les deux expressions différentes pour la souche sauvage sont difficiles à distinguer avec les données disponibles. En outre, la méthode proposée permet de formuler des hypothèses biologiques d`une manière beaucoup plus compacte et cet exemple-bien que l`utilisation de données in silico-montre que des systèmes complexes peuvent également être manipulés.