📊 statistics

A Tutorial on Symbolic Structural Identifiability Analysis of ODE Models in Julia

本教程介绍了一种基于 Julia 包 StructuralIdentifiability.jl 的现代、可复现计算框架，用于对常微分方程模型执行符号结构可辨识性分析，并通过七个多样化的案例研究引导研究人员掌握理论概念与实践工作流程，以确保参数估计的可靠性。

原作者： Abdallah Alsammani

发布于 2026-05-20

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Abdallah Alsammani

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象你是一名侦探，正在试图解开一个谜团。你有一个犯罪现场（你收集的数据）和一个关于案发经过的理论（描述系统如何运作的数学模型）。你的目标是查明案件的确切细节：逃跑车辆的速度、抢劫发生的时间、嫌疑人的数量。

本文是为使用常微分方程（ODE）模型的侦探们提供的一份指南。这些是复杂的数学公式，用于描述事物随时间的变化，例如病毒如何传播、药物如何在体内移动，或种群如何增长。

在你甚至开始寻找线索之前，本文提出了一个非常具体的问题：“即使我们拥有完美、无噪声的信息，是否真的有可能查明案件的确切细节？”

这一概念被称为结构可辨识性。

以下是使用简单类比对本文主要思想的分解：

1. 核心问题：“蒙眼”侦探

有时，你的数学模型被构建得如此方式，以至于无论你收集多少数据，都无法得知变量的真实值。

类比：想象你正在观看一辆汽车驶离，但你只能看到它的前灯。你可以判断汽车移动的速度（输出），但你无法判断它是一辆引擎动力较弱但本身速度快的车，还是一辆引擎经过超级增压但本身速度慢的车。两种完全不同的设置产生了完全相同的结果。
本文的观点：如果一个模型是“不可辨识的”，那就意味着不同的参数组合（如速度和引擎功率）会产生完全相同的输出结果。如果你试图从真实数据中估算这些数值，你的计算机只会随机猜测，而你的结果将毫无意义。

2. 解决方案：一种新的侦探工具（Julia 与 StructuralIdentifiability.jl）

本文介绍了一个用Julia编程语言构建的全新、现代的工具包。可以将此工具包视为你数学模型的“真相探测器”。

工作原理：该工具不进行猜测，而是利用高级数学（符号计算）在收集任何数据之前分析方程。它会检查：“如果我改变这个数字，输出是否以唯一的方式发生变化？”
工作流程：
1. 编写模型：你向计算机输入你的方程（就像写下你的犯罪理论）。
2. 局部检查：工具进行快速扫描，以查看数值在局部是否唯一（就像检查汽车速度在一个小街区范围内是否唯一）。
3. 全局检查：如果第一次检查通过，它会进行更深入的扫描，以查看数值在整个范围内是否唯一（就像检查汽车速度在整个城市范围内是否唯一）。
4. 修正：如果数值不唯一，工具会确切地告诉你哪些数值的组合是唯一的。

3. “组合”的魔力

通常，你无法找到单个数值，但你可以找到它们的乘积或总和。

类比：想象你有一个秘密代码，其中两个数字 $A$ 和 $B$ 相乘得出一个结果。你无法区分是 $A=2$ 且 $B=3$ ，还是 $A=6$ 且 $B=1$ 。两者都得出 6。
本文的见解：工具会告诉你：“停止试图分别寻找 $A$ 和 $B$ 。它们是一个谜团。但是，乘积（ $A \times B$ ）是完全清晰的。请修改你的报告，专注于乘积。”
文中的现实世界示例：在病毒传播模型中，你可能无法区分病毒感染细胞的速度（ $\beta$ ）与受感染细胞破裂的速度（ $p$ ）。但工具揭示，这两个的乘积（ $\beta \times p$ ）是唯一重要的因素。你应该报告该乘积，而不是单个数值。

4. “更多眼睛”的力量（增加测量）

本文表明，有时问题不在于模型，而在于你观察的事物不够多。

类比：如果你只观察汽车的前灯，你就无法判断引擎类型。但如果你增加第二台摄像机来观察汽车的排气管，你可能最终能够区分引擎。
文中的示例：
- 病毒动力学：如果你只测量血液中的病毒量，你就无法区分所有的生物速率。但如果你还测量健康细胞的数量，谜团就被解开了，每个数值都变得可辨识。
- 流行病：如果你只计算新感染人数，你就无法区分传播是源于人际接触还是源于环境（如受污染的水）。但如果你还测量水中的病毒含量，谜团就被解开了。

5. 这为何重要（“不要浪费时间”原则）

本文认为，科学家经常跳过这一步。他们构建模型，在计算机上运行，得到结果，然后发表。

风险：如果模型在结构上是不可辨识的，那么他们得到的结果仅仅是幸运的猜测或数学伪影。它没有任何现实意义。
建议：在尝试估算参数之前，务必运行这个“真相探测器”。它能节省时间，防止得出错误结论，并确切地告诉你需要收集何种数据来解决谜团。

本文贡献总结

本文是一份教程。它教导研究人员如何使用特定的软件包（StructuralIdentifiability.jl）来：

诊断其模型是否可解。
识别模型的哪些部分可解，哪些不可解。
重构模型（通过将数值组合在一起或增加新的测量），使其变得可解。

它强调，这不仅仅是理论数学；这是一个实用的、循序渐进的过程，可以使用开源工具在笔记本电脑上完成，从而确保科学模型在用于预测疾病、药物或生态系统之前，是建立在坚实的基础之上的。

技术摘要：Julia 中常微分方程模型符号结构可辨识性分析教程

1. 问题陈述

机理常微分方程（ODE）模型是流行病学、系统生物学、药代动力学和生物医学工程中描述动态过程的基础工具。然而，参数估计及后续推断的可靠性 critically 取决于结构可辨识性：即从理想的、无噪声的、连续观测中唯一恢复未知模型参数的理论能力。

本文解决了结构可辨识性数学理论与其在现代科学工作流中实际应用之间的差距。尽管理论框架早已存在（可追溯至 Bellman 和 Åström），但其应用受到以下因素的阻碍：

软件壁垒：许多现有工具依赖专有计算机代数系统（如 Maple、MATLAB），限制了可重复性。
专业知识要求：符号方法通常需要专门的数学知识，为应用科学家设置了障碍。
计算复杂性：历史上，大规模非线性模型的全局可辨识性分析在计算上是不可行的。
工作流脱节：可辨识性分析常被视为独立的诊断步骤，而非建模、模拟和估计流程中的集成部分。

因此，研究人员经常校准不可辨识的模型，导致参数估计不唯一、不确定性膨胀以及生物学解释产生误导。

2. 方法论

本文提出了一个统一的计算框架，用于使用 Julia 编程语言和StructuralIdentifiability.jl包进行符号结构可辨识性分析。该方法论将符号计算与更广泛的 Julia SciML 生态系统（包括 ModelingToolkit.jl、DifferentialEquations.jl 和 Catalyst.jl）集成。

数学基础

分析考虑如下形式的参数化 ODE 系统：
$\dot{x}(t) = f(x(t), u(t); \theta), \quad x(0) = x_0(\theta), \quad y(t) = g(x(t), u(t); \theta)$
其中 $x$ 为状态， $u$ 为输入， $y$ 为输出， $\theta$ 为参数。核心问题是确定参数到输出映射 $\Phi$ 的单射性。

该框架区分了以下概念：

局部可辨识性：参数在真实值邻域内被唯一确定。
全局可辨识性：参数在整个参数空间内被唯一确定。
可辨识函数：当单个参数不可辨识时，参数的有理组合（可辨识域 $K_{id}$ 的生成元）仍可能被唯一恢复。

算法方法

工作流采用两种主要算法策略：

局部可辨识性（Sedoglavic 测试）：一种概率性多项式时间算法，通过在随机点评估符号灵敏度来验证雅可比矩阵的秩。这作为一种快速初步筛选手段。
全局可辨识性（微分代数）：一种基于通过投影进行微分消元的方法（SIAN 风格）。它消除未观测状态以推导输入 - 输出关系，其系数是参数的可辨识函数。与经典的 Gröbner 基方法相比，该方法对中等规模的非线性生物模型计算效率更高。

计算工作流

本文提出了一个通过四个核心函数实现的标准流程：

@ODEmodel：一个宏，用于以接近数学语法的格式声明 ODE 系统、状态、参数、输入和输出。
assess_local_identifiability：执行 Sedoglavic 测试，以标记局部不可辨识的参数。
assess_identifiability：执行全局测试，以区分全局可辨识和局部可辨识的参数。
find_identifiable_functions：计算可辨识域 $K_{id}$ 的生成元，提供必要的重新参数化（例如，识别出只有乘积 $pq $是可恢复的，而不是单独的$ p $和$ q$）。

3. 主要贡献

本文提供了一份全面的教程和可重复的参考，架起了理论可辨识性与实际实现之间的桥梁。主要贡献包括：

统一的 Julia 框架：将符号可辨识性分析集成到开源 Julia SciML 生态系统中，允许与数值模拟、自动微分和贝叶斯推断工具无缝互操作。
标准化工作流：一个清晰、分步的流程（局部测试 $\to$ 全局测试 $\to$ 可辨识函数计算），适用于各种机理模型。
案例研究演示：来自流行病学、药代动力学和病毒动力学的七个详细案例研究，说明了：
- 全局可辨识系统（例如，具有发病率数据的 SIR 模型）。
- 由于交换对称性导致的仅局部可辨识性（例如，两室药代动力学模型）。
- 结构不可辨识性以及通过额外测量恢复可辨识性（例如，向 SIWR 模型添加环境储库数据）。
- 使用可辨识组合的重新参数化策略（例如，在病毒动力学中估计 $\beta p$ 而不是分别估计 $\beta$ 和 $p$ ）。
实践指导：针对实验设计、模型重构以及在实际环境中解释可辨识性结果的具体建议。

4. 结果

将该框架应用于七个案例研究得出了具体的结构洞察：

SIR 模型：证明了仅凭发病率数据（ $\beta SI$ ）足以实现传播率（ $\beta$ ）和恢复率（ $\gamma$ ）的全局可辨识性，尽管康复 compartments 未被观测。
药代动力学（两室模型）：确认了经典结果，即速率常数 $a_{01}$ 和 $a_{12}$ 由于交换对称性而仅局部可辨识而非全局可辨识。该框架成功识别出对称组合（ $a_{01} + a_{12}$ 和 $a_{01}a_{12}$ ）为全局可辨识量。
病毒动力学（Perelson 模型）：表明仅测量病毒载量（ $V$ ）会导致感染率（ $\beta$ ）和产生率（ $p$ ）单独不可辨识，只有乘积 $\beta p$ 可恢复。分析证实，添加未感染靶细胞（ $T$ ）的测量可恢复所有参数的全局可辨识性。
SIWR 和 SEIR-H 模型：说明了聚合发病率数据如何混淆环境传播参数。该框架表明，添加特定测量（例如，环境病原体浓度或病例发病率）可解决这些不可辨识性问题。
重新参数化：在所有不可辨识的情况下，find_identifiable_functions 工具成功生成了最小可辨识组合集，为模型重构提供了建设性路径。

5. 意义与主张

本文提出，结构可辨识性分析是可靠参数估计、不确定性量化和机理解释的必要前提。其意义阐述如下：

建设性诊断：可辨识性分析不仅仅是一个用于拒绝模型的诊断工具，更是一个建设性工具，用于指导实验设计（例如，“需要哪些额外测量？”）和模型重构（例如，“应该估计哪些组合？”）。
可重复性：通过使用开源 Julia 工具并提供归档的可执行笔记本，该框架解决了计算建模中的可重复性危机，确保可辨识性声明可被独立验证。
可及性：该教程降低了应用科学家的入门门槛，将可辨识性分析从一种小众的理论练习转变为建模工作流中的常规步骤。
与实践可辨识性的区别：作者强调，结构可辨识性是模型和测量方案的固有属性，不同于实践可辨识性（后者取决于数据质量和噪声）。模型必须首先具备结构可辨识性，才能有意义地解决实践问题。

本文结论指出，当现代符号方法集成到开源生态系统中时，使得结构可辨识性分析变得可及且计算可行，并敦促研究人员在参数估计之前将其作为标准初步步骤纳入。