Als Hilfestellung dienen funktional-strukturelle Anlagenmodelle (FSP). Verständnis der Verknüpfungen zwischen der physikalischen Architektur einer Pflanze und den Entwicklungsmechanismen, die sie erschaffen. Eine der größten Herausforderungen bei der FSP-Modellierung ist die Parameterschätzung, da das Sammeln von Daten durch Feld- oder Laborexperimente in einigen Fällen schwierig oder unmöglich ist und Parameterwerte indirekt durch Kalibrierung festgelegt werden müssen. Die musterorientierte Modellierung (POM) ist ein Kalibrierungsmittel, bei dem beobachtete Muster verwendet werden, um unrealistische Parameterkombinationen zurückzuweisen. In diesem Fall ist ein Muster jede Beobachtung einer nicht zufälligen Variation, von der angenommen werden kann, dass sie Informationen über den Mechanismus enthält, der sie erzeugt hat.

In einem kürzlich veröffentlichten technischen Artikel in Annals of Botany, Hauptautor Ming Wang und Kollegen untersucht ob POM die Parameterschätzung für FSP-Modelle effizienter und leistungsfähiger machen kann als die manuelle Kalibrierung, und ob es die Unsicherheit reduzieren kann, wenn experimentelle Daten nicht verfügbar sind. Die Autoren verwendeten ein FSP-Modell der Avocado-Verzweigungsarchitektur und testeten die POM-Parametrisierung im Vergleich zu einer bestehenden manuellen Parametrisierung, um zu sehen, ob die beiden konvergieren würden.

Die Kalibrierung mit POM ermöglichte es dem Modell, die Verifikationsmuster erfolgreich zu reproduzieren und sogar „weitere unabhängige Validierungsmuster vorherzusagen, die nicht gleichzeitig für die Modellparametrisierung verwendet wurden“, schreiben die Autoren. Während die POM-Kalibrierung keinen einzigen optimalen Parametersatz hervorbrachte, war die gepoolte Ausgabe, bestehend aus 22 Parametersätzen, angemessen und in der Lage, entstehendes Systemverhalten vorherzusagen.

Obwohl ein Parametersatz der manuellen Kalibrierung ähnlich war, warnen die Autoren tatsächlich davor, nur den einzigen besten Satz zu verwenden. „Unsere Studie zeigt, dass es riskant wäre, sich nur auf einen einzigen Parametersatz zu konzentrieren. Der einzelne Satz kann dazu führen, dass das Modell unter bestimmten beobachteten Mustern perfekt funktioniert, aber wenn neue Muster beobachtet werden, führt dies möglicherweise nicht dazu, dass das Modell die zuverlässigen Ergebnisse liefert, die mit den neuen Beobachtungen übereinstimmen.“

„Der POM-Kalibrierungsansatz ermöglicht die zeitnahe Entwicklung von FSP-Modellen, ohne sich stark auf Feld- oder Laborexperimente oder auf umständliche manuelle Kalibrierung zu verlassen“, schreiben die Autoren.