ODE 建模是系統生物學定量分析的核心，結合非線性動態系統理論、數值方法和實驗設計來理解生物動態行為。
Hill 函數的生物物理推導
Hill 函數源自配體結合的合作性模型。考慮轉錄因子 A 以 n 分子同時結合啟動子：
A_n + P ⇌ A_n:P
K_d = [A]^n · [P] / [A_n:P]
→ 佔有率 θ = [A]^n / (K_d + [A]^n) = A^n / (K^n + A^n)
嚴格來說，Hill 係數 n 不等於結合位點數，而是「apparent cooperativity」——真實 n 由 MWC 或 KNF 模型的詳細構象轉換決定。
線性穩定性分析
在穩態 x* 附近線性化：δẋ = J · δx，其中 Jacobian J_ij = ∂f_i/∂x_j |_{x*}。
穩定性由 J 的特徵值 λ 決定：
- 所有 Re(λ) < 0：穩定節點或穩定焦點（spiral）
- 存在 Re(λ) > 0：不穩定
- 純虛特徵值 λ = ±iω：Hopf 分岔邊界
Hopf 分岔條件：trace(J) = 0 且 det(J) > 0（2D 系統）。跨越此邊界時，穩定焦點失穩產生極限環振盪。
Nullcline 分析（2D 系統）
令 dx₁/dt = 0 和 dx₂/dt = 0 分別得到 x₁-nullcline 和 x₂-nullcline。穩態是兩條 nullcline 的交點。交點處 nullcline 的相對斜率判定穩定性。Toggle switch 的 S 型 nullcline 可有 1 或 3 個交點——3 交點 ↔ 雙穩態。
Parameter Identifiability 問題
ODE 模型的參數數目常超過可觀測的實驗約束（structural non-identifiability）。形式判定方法：
- 差分代數方法（DAISY / GenSSI）：判斷 ODE 系統的參數在觀測量下是否 structurally identifiable。
- Practical identifiability：即使結構上可辨識，有限數據的噪音可能使某些參數 practically unidentifiable。Profile likelihood analysis（Raue et al., Bioinformatics, 2009）系統性地檢查每個參數的信心區間。
Stiff Systems 與數值挑戰
生物系統典型的 stiffness ratio（最快反應速率 / 最慢反應速率）可達 10⁶ 以上。顯式 solver（如 RK4）需要 Δt 極小（由最快反應決定），計算量巨大。隱式方法（BDF / RADAU）求解 implicit equation F(x_{n+1}) = 0 使用 Newton iteration，每步較貴但允許大 Δt，整體效率高很多。
SBML 與模型重用
Systems Biology Markup Language (Hucka et al., 2003) 是 XML 基礎的標準格式，BioModels Database 收錄 >1000 個 peer-reviewed ODE 模型。COMBINE archive 打包模型 + 模擬設定 + 實驗數據 + 圖形佈局，實現 reproducible modeling。
文獻：Alon (2007) An Introduction to Systems Biology / Raue et al. (2009) Bioinformatics 25:1923-1929 / Hucka et al. (2003) Bioinformatics 19:524-531.