想找出一群人里谁在影响谁，只看几张合照很难；如果同时观察每个人一段时间内的动作、表情和说话节奏，线索就多了。基因网络推断也类似：研究者要从分子信号随时间变化的曲线，反推哪些基因可能激活或抑制另一些基因。Haitao Zhang 等人在 JASA 提出的 ML-ODE，正是为同时利用多种测量而设计。
它把常微分方程——用“当前状态决定下一刻变化速度”描述动态系统的工具——与多线性映射结合，处理同一对象上的多模态函数数据，例如不同类型分子信号的整段时间曲线。方法里最关键的一步，是为每种模态各设一套“基底”，也就是用一组基本曲线统一表示数据和作用关系，再把原本难处理的动态反推问题转成代数优化。作者还定义了 ODE 系统何时具有“可推断性”，并证明 ML-ODE 在一定条件下满足这一性质。模拟之外，团队将它用于造血干细胞的真实多模态数据；作者称所得网络可由相关文献支持，但材料未披露具体准确率或比较数字。