To study biological processes mathematical models are widely used. These rely on parameters which are often estimated from experimental data. This thesis present (I) a comprehensive ordinary differential equation model for two gastric cancer cell lines, which can predict causal differences between the cell lines, and (II) an efficient method for Bayesian parameter inference, which exploits the structure of the estimation problem by marginalization and enables the calibration for large models.
Übersetzte Kurzfassung:
Zur Untersuchung biologischer Prozesse werden häufig mathematische Modelle verwendet. Diese beruhen auf Parametern, die häufig aus experimentellen Daten geschätzt werden. In dieser Arbeit wird (I) ein umfassendes gewöhnliches Differentialgleichungsmodell für zwei Magenkrebs-Zelllinien vorgestellt, das kausale Unterschiede zwischen den Zelllinien vorhersagen kann, und (II) eine effiziente Methode zur Bayesianische Parameterinferenz, die die Struktur des Schätzproblems durch Marginalisierung ausnutzt und die Kalibrierung für große Modelle ermöglicht.
«
Zur Untersuchung biologischer Prozesse werden häufig mathematische Modelle verwendet. Diese beruhen auf Parametern, die häufig aus experimentellen Daten geschätzt werden. In dieser Arbeit wird (I) ein umfassendes gewöhnliches Differentialgleichungsmodell für zwei Magenkrebs-Zelllinien vorgestellt, das kausale Unterschiede zwischen den Zelllinien vorhersagen kann, und (II) eine effiziente Methode zur Bayesianische Parameterinferenz, die die Struktur des Schätzproblems durch Marginalisierung ausnu...
»