В данном исследовании рассматривается применение физико-информированных нейронных сетей (PINN) для решения сложной обратной задачи оценки параметров в нелинейных биологических динамических системах. Авторы фокусируются на модели репрессилятора — синтетического генетического осциллятора, состоящего из трех циклически подавляющих друг друга генов. Методология заключается в использовании PINN для представления траекторий состояний с одновременным наложением штрафов за нарушение определяющих дифференциальных уравнений (ODE). В ходе экспериментов оценивалась точность восстановления параметров производства (beta) и коэффициента Хилла (n) при различных условиях: уровне шума, плотности выборки и частичной наблюдаемости репрессоров. Результаты показали, что PINN эффективно реконструируют траектории при правильной структуре модели, однако восстановление параметров оказывается более чувствительным к шуму и разреженным данным, чем аппроксимация самих траекторий. Исследование выявило, что осцилляторный режим предоставляет больше информации для обучения, но значительно повышает чувствительность оптимизации по сравнению со стабильным режимом. Работа подтверждает потенциал PINN как инструмента для обратного инжиниринга малых генно-регуляторных моделей, подчеркивая необходимость учета неопределенности при их использовании в биомедицинской практике.