Parameter inference for discretely observed stochastic kinetic models using stochastic gradient descent

BMC Systems Biology

Table 2 Parameter inference result for auto-regulatory gene network model (Fully observed case)

	k ₁	k ₂	k ₃	k ₄	k ₅	k ₆	k ₇	k ₈	Average % Err.
Datasets	*(0.1	0.7	0.35	0.3	0.1	0.9	0.2	0.1)
D₁, Δt = 1.0	0.114	0.81	0.346	0.229	0.051	0.418	0.221	0.074	24.2
D₂, Δt = 1.0	0.094	0.72	0.435	0.344	0.052	0.485	0.265	0.119	24.2
D₃, Δt = 0.5	0.113	0.82	0.408	0.321	0.075	0.75	0.226	0.095	14.7
D₄, Δt = 0.5	0.113	0.71	0.276	0.253	0.086	0.77	0.223	0.100	11.4
D₅, Δt = 0.1	0.079	0.74	0.349	0.286	0.101	0.86	0.183	0.094	6.4
D₆, Δt = 1.0	0.095	0.42	0.321	0.277	0.10	0.73	0.235	0.104	12.7
D₇, Δt = 1.0	0.097	0.90	0.35	0.335	0.079	0.92	0.312	0.12	17.8
D₈, Δt = 0.5	0.120	0.40	0.52	0.38	0.092	0.998	0.215	0.081	22.9
D₉, Δt = 0.5	0.116	0.96	0.41	0.41	0.101	1.01	0.144	0.094	19.3
D₁₀, Δt = 0.1	0.052	0.91	0.277	0.35	0.128	0.93	0.137	0.075	25.4

* True values of parameters
Total observation time window = 50. For datasets D₁-D₅: DNAt = 10; D₆-D₁₀:DNAt = 2.
Average % Err. ≡ ⟨|k_i- k_{i, true}|/k_{i, true}⟩_i

ISSN: 1752-0509