Skip navigation
Please use this identifier to cite or link to this item: http://dx.doi.org/10.25673/786
Title: A parameter estimation framework for kinetic models of biological systems
Author(s): Baker, Syed Murtuza
Advisor(s): Junker, Björn H., Dr.
Schreiber, Falk, Prof. Dr.
Mangold, Michael, Prof. Dr.
Granting Institution: Martin-Luther-Universität Halle-Wittenberg
Issue Date: 2012
Extent: Online-Ressource (150 Bl. = 1,49 mb)
Type: Hochschulschrift
Exam Date: 23.11.2012
Language: English
Publisher: Universitäts- und Landesbibliothek Sachsen-Anhalt
URN: urn:nbn:de:gbv:3:4-8781
Subjects: Framework
Parameterschätzung
Identifikation
Biologisches Modell
Online-Publikation
Hochschulschrift
Abstract: Das in dieser Arbeit vorgeschlagene Framework besteht aus zwei Modulen, eines zur Parameterschätzung und eines zur Identifiability-analyse. Das erstere enthält eine neue, stabile Filtermethode, CSUKF, welche die A-posteriori-Wahrscheinlichkeitsverteilung unter Einhaltung der Zustandsbeschränkungen verwendet. Hierbei berücksichtigt sie sowohl Systemrauschen als auch Rauschen in den Messungen. Das Identifiability-modul enthält verschiedene datenorientierte Methoden, welche helfen, nicht-identifizierbare Parameter zu finden und bei deren Behebung unterstützen. Diese Submodule ordnen die Parameter in Abhängigkeit ihrer Sensitivität gegenüber dem Model output, zeigen sowohl strukturell als auch praktisch nicht identifizierbare Parameter auf und können weitere Messungen vorschlagen, um die Nicht-identifizierbarkeit zu beheben. Sind weitere Messungen nicht möglich wird basierend auf subjektiver Unsicherheit ein informative prior erstellt, um diese Parameter zu identifizieren. Das Framework wurde erfolgreich bei drei biologischen Modellen benutzt, um Parameter abzuschätzen.
This thesis proposes a parameter estimation framework that has two modules, the parameter estimation module and the identifiability analysis module. The parameter estimation module contains a mathematically stable novel filtering technique named CSUKF that propagates the posterior probability distribution while satisfying the state constraints. It takes both the system and measurement noise into consideration. The identifiability analysis module composed of several data oriented submodules can identify the non-identifiable parameters and can direct towards possible solutions. These submodules rank the parameters depending on their sensitivity towards model output, identifies both the structurally and practically non-identifiable parameters and can then direct towards possible solutions to this non-identifiability by suggesting possible extra measurements. If no extra measurement is possible then an informative prior is formulated based on subjective uncertainty which can then uniquely identify the parameters. The framework is applied successfully to three different biological models in order to estimate the parameters.
URI: https://opendata.uni-halle.de//handle/1981185920/7686
http://dx.doi.org/10.25673/786
Open access: Open access publication
Appears in Collections:Datenverarbeitung; Informatik

Files in This Item:
File Description SizeFormat 
Thesis.pdf1.53 MBAdobe PDFThumbnail
View/Open
Show full item record BibTeX EndNote


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.