疾病信息神经网络（DINNs）：用深度学习估计乙肝病毒动力学模型参数

本项目展示了如何使用疾病信息神经网络（DINNs）结合微分方程和神经网络，从模拟数据中估计乙肝病毒（HBV）感染动力学模型的未知生物参数，为医学建模和参数估计提供了新方法。

• 原作者/维护者： rsutradhar1996
• 来源平台： GitHub
• 原始标题： DINN-HBV
• 原始链接： https://github.com/rsutradhar1996/DINN-HBV
• 发布时间： 2026-06-11

乙肝病毒（HBV）感染是一个全球性的公共卫生问题，影响着数亿人口。理解和预测HBV感染的动态过程对于制定有效的治疗策略至关重要。传统的数学模型使用微分方程来描述病毒在宿主体内的传播动力学，但这些模型通常包含难以直接测量的未知参数。

疾病信息神经网络（Disease-Informed Neural Networks，简称DINNs）是一种新兴的机器学习方法，它将物理信息神经网络（PINNs）的思想应用于流行病学和疾病建模领域。DINNs结合了数据驱动的方法和基于物理（或生物学）的约束，能够从有限的观测数据中估计复杂模型的参数。

DINNs的核心思想是利用神经网络来近似疾病动力学模型的状态变量，同时将未知的模型参数作为可训练变量，在优化过程中进行估计。

神经网络被训练来近似HBV感染模型的四个状态变量：

• X：未感染的肝细胞
• Y：已感染的肝细胞
• D：细胞内衣壳
• V：游离病毒颗粒

DINNs的总损失函数包含两个主要部分：

1. 数据损失（Data Loss）：衡量模拟数据与DINNs预测之间的差异
2. 残差损失（Residual Loss）：衡量DINNs预测满足HBV微分方程的程度

这种双重约束确保神经网络不仅拟合观测数据，还尊重底层的生物学规律。

本研究使用的HBV感染动力学模型由以下四个耦合的微分方程描述：

dX/dt = λ - μX - kVX
dY/dt = kVX - δY
dD/dt = aY + γ(1-α)D - αβD - δD
dV/dt = αβD - cV

其中各参数的含义为：

• λ：未感染肝细胞的生成率
• μ：未感染肝细胞的自然死亡率
• k：病毒感染率
• a：细胞内病毒生成率
• β：衣壳组装率
• δ：感染细胞的死亡率
• c：病毒清除率
• γ：衣壳释放率
• α：固定参数（基于可识别性分析）

项目使用以下Python库实现：

• NumPy 2.0.2：数值计算
• Pandas 2.2.2：数据处理
• Matplotlib 3.10.0：可视化
• SciPy 1.16.3：科学计算
• PyTorch 2.11.0：深度学习框架