Simplicity of Completion Time Distributions for Common Complex Biochemical Processes
生化过程通常涉及大量的单个可逆步骤，每个步骤都有自己的动力学速率常数。例如，动力学校正过程依赖于许多顺序反应，以保证特定大分子的精确构建。在这项工作中，我们研究了这些系统的瞬态特性，并充分表征其首次通过（完成）的时间分布。特别是，我们提供了明确的表达式的平均值和方差的动力学校对过程和计算分析更复杂的生化系统的完成时间。我们发现，对于广泛的参数范围内，随着系统规模的增长，完成时间的行为简化：它成为确定性或指数分布，与两个政权之间的一个非常狭窄的过渡。在这两种情况下，整个系统的动力学复杂性与其明显的结构复杂性相比微不足道。类似的简单性很可能出现在许多复杂的多步生化过程的动力学中。特别是，这些发现表明，人们不仅可能无法从宏观观察中理解单个基元反应，而且这种理解可能是不必要的。
2009-08-28 cond-mat.stat-mech q-bio.MN q-bio.QM
Bayesian Inference for Jump-Diffusion Approximations of Biochemical Reaction Networks
本文针对生化反应网络的多尺度特性，提出基于跳-扩散近似和分块Gibbs粒子平滑的贝叶斯推断算法，通过序贯Monte Carlo状态推断与参数推断，实现对隐藏状态和参数的联合估计。
2023-04-13 q-bio.MN q-bio.QM stat.ME
Parameter Identification for Markov Models of Biochemical Reactions
提出了一种生物过程马尔可夫模型中参数推断的数值方法。基于一个过程的时间序列数据，我们通过最大化数据的可能性来估计动力学速率常数。的可能性的计算依赖于马尔可夫模型的离散状态空间的动态抽象，成功地缓解了状态空间的大的问题。我们比较了我们的方法的两个变种，以国家的最先进的，最近发表的方法，并证明了他们的实用性和效率的几个案例研究从系统生物学。
2011-02-14 cs.CE q-bio.QM
Parameter estimation for biochemical reaction networks using Wasserstein distances
我们提出了一种方法来估计生化反应网络的随机模型中的参数，通过拟合稳态分布使用Wasserstein距离。我们在不同的参数设置下模拟反应网络，并训练高斯过程来学习所有参数的观测值和模拟器输出之间的Wasserstein距离。然后，我们使用贝叶斯优化来找到基于训练的高斯过程最小化该距离的参数。我们的方法的有效性证明了三阶段模型的基因表达和遗传反馈回路的矩为基础的方法是众所周知的执行不佳。我们的方法适用于任何随机反应网络的模拟器模型，包括布朗动力学。
2019-10-21 q-bio.MN q-bio.QM
Approximation and inference methods for stochastic biochemical kinetics - a tutorial review
分子数的随机涨落在生物系统中普遍存在。重要的例子包括活细胞中的基因表达和酶过程。这些系统通常被建模为化学反应网络，其动力学由化学主方程控制。尽管其结构简单，但对于大多数系统来说，化学主方程式没有解析解。此外，随机模拟在计算上是昂贵的，使得系统分析和统计推断成为一项具有挑战性的任务。因此，近几十年来，人们在开发有效的近似和推理方法上花费了大量的努力。本文介绍了基本的建模概念以及最先进的方法的概述。首先，我们激励和介绍化学网络建模的确定性和随机性方法，并给出了模拟和精确解方法的概述。接下来，我们讨论了几种近似方法，包括化学Langevin方程，系统尺寸展开，矩封闭近似，时间尺度分离近似和混合方法。我们讨论了它们的各种属性，并回顾了这些方法的最新进展和剩余的挑战。我们提出了一个比较这些方法的数值案例研究的手段，并突出了各自的优点和缺点。最后，我们讨论了贝叶斯框架中的实验数据推断的问题，并回顾了最近的方法开发的文献。总之，这篇评论给出了一个独立的介绍随机化学动力学的建模，近似和推理方法。
2017-01-12 cond-mat.stat-mech physics.bio-ph q-bio.MN
Mapping the energy and diffusion landscapes of membrane proteins at the cell surface using high-density single-molecule imaging and Bayesian inference: application to the multi-scale dynamics of glycine receptors in the neuronal membrane
蛋白质迁移率通常是根据有效扩散来分析的。然而，这种描述往往不能正确区分和评估的物理参数（如膜摩擦）和生化相互作用的运动。在这里，我们提出了一种结合高密度单分子成像和统计推断的方法，以约100 nm的分辨率（采集时间为几分钟）分别绘制细胞表面膜蛋白的扩散和能量景观。当将这些分析工具应用于抑制性突触处的甘氨酸神经递质受体（GlyR）时，我们发现桥蛋白支架充当GlyR的浅能量陷阱（~3 kBT），其深度由受体-桥蛋白相互作用回路的生化性质调制。反过来，推断的地图可以用来模拟膜中蛋白质的动态，从单个受体的水平到群体的水平，从而模拟生理参数的随机波动（例如突触处的受体数量）。总的来说，我们的方法提供了一个强大而全面的框架，用于分析活细胞中的生化相互作用，并破译复杂细胞环境中生物分子的多尺度动力学。
2015-02-25 physics.bio-ph q-bio.QM
Multi-level Monte Carlo for continuous time Markov chains, with applications in biochemical kinetics
University of Wisconsin, Madison（威斯康星大学麦迪逊分校）；University of Strathclyde（斯特拉斯克莱德大学）
本文通过将多层蒙特卡洛方法扩展到连续时间马尔可夫链，利用耦合技术降低计算复杂度，并构建无偏估计器，显著提高了计算效率。
2011-11-21 cs.NA math.NA math.PR
Batched Stochastic Bayesian Optimization via Combinatorial Constraints Design
Caltech（加州理工学院）
在许多高通量实验设计设置中，例如生化工程中常见的那些，批量查询比一个接一个的顺序查询更具成本效益。此外，通常不可能直接选择要查询的项目。相反，实验者指定一组约束，生成一个可能的项目库，然后随机选择。出于这些考虑，我们调查\emph{Batched Stochastic Bayesian Optimization}（BSBO），一种新的贝叶斯优化方案选择的约束，以指导探索项目具有更大的效用。我们专注于\emph{site-saturation mutagenesis}，生物化学工程中的BSBO的原型设置，并提出了一个自然的目标函数，这个问题。重要的是，我们表明，我们的目标函数可以有效地分解为子模函数（DS）的差异，这使我们能够采用DS优化工具来greenly确定一组约束，增加了找到高效用项目的可能性。我们的实验结果表明，我们的算法优于普通的算法在合成和两个真实的蛋白质数据集。
2019-04-17 cs.LG q-bio.QM stat.ML
Multi-level Approximate Bayesian Computation
近似贝叶斯计算被广泛应用于离散状态连续时间马尔可夫网络的参数推断。在这项工作中，我们专注于由化学主方程（CME）控制的模型。虽然最初设计用于模拟生物化学反应，但基于CME的模型现在经常用于从数学上描述各种生物现象。我们描述并实现了一个有效的多层次ABC方法调查模型参数。简而言之，我们生成具有不同时间分辨率的基于CME的模型的样本路径。我们首先生成低分辨率的样本路径，这只需要有限的计算资源来构建。选择与实验数据比较好的那些样本路径，并且递归地增加所选择的样本路径的时间分辨率。那些不太可能有助于参数推断的样本路径在早期阶段被丢弃，导致计算资源的最佳使用。通过两个案例研究证明了多层次ABC的有效性。
2020-01-09 q-bio.QM
Bayesian Parameter Estimation for Dynamical Models in Systems Biology
动力学系统建模，特别是通过常微分方程系统，已被用来有效地捕捉信号转导网络中的不同生化成分的时间行为。尽管最近在实验测量方面取得了进展，包括传感器开发和“组学”研究，这些研究已经帮助填充了非常详细的蛋白质-蛋白质相互作用网络，但系统生物学中的建模缺乏系统的方法来估计动力学参数和量化相关的不确定性。这是因为多种原因，包括稀疏和嘈杂的实验测量，缺乏反应背后的详细分子机制，以及缺少生物化学相互作用。另外，关于与微分方程系统相关联的状态和参数的固有非线性进一步加剧了参数估计的挑战。在这项研究中，我们提出了一个全面的框架贝叶斯参数估计和完整的量化的影响，不确定性的数据和模型。我们将这些方法应用到一系列数学复杂性不断增加的信号模型中。这些动态系统的系统分析表明，参数估计依赖于数据稀疏性，噪声水平和模型结构，包括存在多个稳态。这些结果突出了如何集中的不确定性量化可以丰富系统生物学建模，并使额外的定量分析参数估计。
2023-01-05 q-bio.MN q-bio.QM
Decomposing Noise in Biochemical Signalling Systems Highlights the Role of Protein Degradation
在过去的几十年里，生物化学过程中的随机性现象一直吸引着生命科学家。我们现在知道，活细胞在某些情况下利用随机性，在另一些情况下抵消随机效应。生物分子系统中内在随机性的来源是个体反应的随机定时，其累积地驱动此类系统的输出的可变性。尽管活细胞功能的随机性的相关性是公认的，但还没有提出严格的方法来精确地识别变异性的来源。在本文中，我们提出了一种新的方法，使我们能够计算到一个系统的输出的可变性的个别反应的贡献。我们证明，一些反应有显着不同的影响比其他噪音。令人惊讶的是，在作为信号转导近似模型的开放转换系统中，输出的退化贡献了总噪声的一半。我们还证明了退化在其他相关系统中的重要性，并提出了一种退化反馈控制机制，具有有效的噪声抑制能力。我们的方法应用到一些研究充分的生化系统，如：基因表达，Michaelis-Menten酶动力学，和p53系统表明，我们的方法揭示了一个前所未有的洞察生化系统的变异性的起源。对于许多系统的分析分解是不可用的，因此，该方法已被实现为一个Matlab软件包，并可从作者的要求。
2011-06-08 q-bio.CB q-bio.QM
Robust Inference for Non-Linear Regression Models with Applications in Enzyme Kinetics
Indian Statistical Institute（印度统计研究所）
本文提出了一种基于最小密度幂偏离方法的稳健估计和检验方法，用于非线性回归模型，并应用于酶动力学中的米氏-门茨模型，通过模拟和真实数据验证其稳健性和效率。
2026-01-17 q-bio.QM stat.AP stat.ME
The interplay between discrete noise and nonlinear chemical kinetics in a signal amplification cascade
我们使用了各种分析和数值技术，以阐明在一个小的酶级联信号的传播受到外部和内部的噪音。作为蛋白质信号转导级联的基础，催化反应的非线性特征使得细胞溶质生化网络中的随机信号动力学不同于基因调控网络中的随机动力学。对于一个简单的2步酶级联反应，它是许多重要的蛋白质信号通路的基础，我们证明了常用的技术，如线性噪声近似和Langevin方程变得不充分时，蛋白质的数量变得太少。因此，我们开发了一种新的分析近似，基于混合的生成函数和分布函数的方法，描述非线性化学信号动力学这一类重要的生化反应的主方程的解决方案。我们的技术比以前使用的方法在更广泛的蛋白质数量波动范围内工作。我们发现，在某些条件下，突发相位噪声可能会注入到下游信号网络的动力学，可能会导致异常大的宏观波动。除了计算第一和第二时刻，这是常用的分析技术的目标，我们的新方法提供了完整的时间依赖的概率分布的有色非高斯过程中的非线性信号转导级联。
2006-07-19 q-bio.MN q-bio.QM
Coarse-graining stochastic biochemical networks: quasi-stationary approximation and fast simulations using a stochastic path integral technique
我们提出了一种通用的方法，分析和快速模拟刚性随机生化动力学网络，这取决于消除快速化学物种没有损失的信息介观，非泊松波动的缓慢。我们的方法，这是类似于量子力学中的玻恩-奥本海默近似，遵循从随机路径积分表示的反应事件的全计数统计（也称为累积生成函数）。在具有少量化学反应的应用中，该方法产生慢变量之间的化学通量的时刻的解析表达式。这允许生化系统的低维、可解释的表示，其可以用于具有小计算复杂度和高精度的粗粒度数值模拟方案。作为一个例子，我们考虑一个链的生化反应，推导出其粗粒度的描述，并表明，Gillespie模拟的原始刚性系统，粗粒度的模拟，和完整的分析处理是在一个协议，但粗粒度的模拟速度比Gillespie模拟三个数量级。
2008-08-29 cond-mat.stat-mech physics.bio-ph q-bio.MN
Stochastic kinetic models: Dynamic independence, modularity and graphs
分析了随机动力学模型的动力学性质和独立性结构。SKM是一种高度多变量的跳跃过程，用于模拟化学反应网络，特别是生物化学和细胞系统中的化学反应网络。我们确定SKM子进程与相应的计数过程，并提出了一个有向的，循环图（动力学独立图或KIG），编码的本地独立结构的条件强度。给定顶点的分区$[A,D,B]$，无向KIG中的图形分离$A\perp B|D$具有直观的化学解释，并且意味着给定$A\cup D$，$A$局部独立于$B$。证明了这种分离也导致了$A$和$B$的内部历史的全局独立性，条件是$D$中的跳跃历史，在我们导出的条件下，对应于$D$的内部历史。结果使数学定义的模块化SKM使用其隐含的动态。图形分解方法开发的识别和有效的计算嵌套模块化。应用于红细胞的SKM推进了对该生化系统的理解。
2010-10-19 math.ST q-bio.QM stat.TH
ProbMetab: an R package for Bayesian probabilistic annotation of LC-MS based metabolomics
我们提出了ProbMetab，一个R包，它促进了基于代谢组注释的自动概率LC-MS的实质性改进。推理引擎核心是基于贝叶斯模型实现的：（i）允许不同来源的实验数据和元数据被系统地纳入到模型中，并以替代方式计算似然函数;（ii）允许敏感地选择生物学上有意义的生化反应数据库作为狄利克雷分类先验分布。此外，为了确保系统生物学家对结果进行解释，我们在网络中显示注释，如果候选代谢物是已知生化反应的底物/产物，则将观察到的质量峰连接起来。该图可以与其他基于图的分析（例如部分相关网络）叠加，以可视化方案导出到Cytoscape，具有Web和独立版本。ProbMetab以模块化的方式实现，以与已建立的上游（xcms，CAMERA，AStream，mzMatch.R等）和下游R包工具（GeneNet，RCytoscape，DiffCorr等）配合在一起。ProbMetab以及大量的文档和案例研究可以在GNU许可证下免费获得：http://labpib.fmrp.usp.br/methods/probmetab/。
2013-10-27 q-bio.GN q-bio.QM
Stochastic Modeling in Systems Biology
细胞的许多行为都受到基因调控网络的调控，基因调控网络的动力学是系统生物学研究的主要内容之一。由于这些反应体系中的分子数量很少，随机效应是显著的。近年来，基因调控网络动力学模型的随机性问题引起了许多研究者的关注。本文是一个自我包含的审查，试图提供一个概述随机建模。本文将介绍模拟具有内在噪声的生化系统的主要方程（化学主方程、Fokker-Plan方程、反应速率方程、化学Langevin方程）的推导过程，并讨论这些方程之间的关系。本文还讨论了动力学参数波动系统的数学公式。最后，我将介绍用于数值模拟的精确随机模拟算法和近似显式τ跳跃方法。
2011-04-23 q-bio.QM
Bottom-up data integration in polymer models of chromatin organisation
细胞功能的关键取决于在细胞核的紧密包装环境中的染色质纤维上发生的复杂生化反应的精确执行。尽管从多个角度探测这一过程的大型数据集的可用性，我们仍然缺乏一个自下而上的框架，可以将生物化学的序列特异性纳入3D染色质动力学的统一模型。在这里，我们提出了SEMPER（序列增强磁性聚合物），一种新的随机聚合物模型，自然地将观察数据的序列驱动的生化过程，如结合的转录因子蛋白质，在一个3D模型的染色质结构。通过引入一种新的算法近似贝叶斯推断，我们讨论了如何估计在一个强大的方式的相对重要性的生化与聚合物信号的染色质表观遗传状态的测定，这是导致一个显着的修订以前的模型的解释。此外，我们表明，没有额外的输入，从基因组的三维结构，我们的模型可以预测合理的准确性，一些显着的和非平凡的构象特征的染色质折叠的细胞核内。我们的工作突出了引入物理上真实的统计模型来预测染色质状态的重要性，并开辟了一条新的更系统的方法来解释表观基因组数据。
2023-03-16 q-bio.QM
Machine Learning of Temperature-dependent Chemical Kinetics Using Parallel Droplet Microreactors
Department of Applied Physics and Physico-Informatics（应用物理与物理信息学系）；Faculty of Science and Technology, Keio University（庆应义塾大学理工学部）
本文提出一种结合微流体技术和机器学习的统一框架，用于系统分析温度依赖的反应动力学，通过大规模并行时间分辨数据集训练神经微分方程模型，实现对酶动力学的准确预测。
2026-09-23 cs.SY eess.SY physics.bio-ph
Efficient Bayesian inference in stochastic chemical kinetic models using graphical processing units
系统生物学的一个目标是了解细胞内系统的动力学。随机化学动力学模型经常被用来准确地捕捉这些系统的随机性质，由于分子的数量少。收集系统数据允许估计随机化学动力学速率参数。我们描述了一个众所周知的，但通常不切实际的数据增强马尔可夫链蒙特卡罗算法估计这些参数。不切实际是由于使用拒绝抽样的潜在轨迹与固定的初始和最终端点，可以有小的接受概率。我们展示了如何有效地利用图形处理单元来进行迄今为止无法估计的系统中的参数估计。对于更复杂的系统，我们表明，与传统的CPU计算相比，效率增益约为200。最后，我们展示了基于Michaelis-Menton动力学的系统的贝叶斯分析。
2011-01-21 q-bio.QM stat.CO
A Bayesian approach to the probability of coronary heart disease subject to the --308 tumor necrosis factor-$α$ SNP
我们研究了肿瘤坏死因子α（TNF- $α$）基因-308位点单核苷酸多态性（SNP）与冠心病（CHD）发生的相关性。我们还考虑了2型糖尿病（t2 DM）发生的影响。使用贝叶斯推断，我们首先追求一个自下而上的方法来计算工作假设和概率推导出的数据。然后，我们追求一个自上而下的方法，通过建模的信号通路，因果关系连接的SNP与冠心病的出现。我们计算的功能形式的冠心病的概率条件的SNP的存在下，在统计和生化性质的系统。从一个给定的风险因素条件下的疾病发生的概率，我们探讨了提取信息的可能性，参与疾病的发生的途径。这是第一个研究，我们希望系统化成一个全面的形式主义，以应用于推理的机制连接的风险因素的疾病。
2011-05-05 q-bio.QM
Diffusion Controlled Reactions, Fluctuation Dominated Kinetics, and Living Cell Biochemistry
近年来，计算机科学界的相当一部分已经将其注意力集中在理解活细胞生物化学上，并且理解这种复杂化反应环境的努力已经扩展到广泛的前沿，范围从系统生物学方法，通过网络分析（基序识别）到开发用于低水平生物化学过程的语言和模拟器。除了模拟工作，大部分的努力是针对使用平均场方程（相当于经典的化学动力学方程），以解决各种问题（稳定性，鲁棒性，灵敏度分析等）。平均场方程的使用很少受到质疑。这篇评论将提供一个简要的概述的情况下，平均场方程失败，不应该使用。这些方程可以从扩散控制反应理论导出，并在使用完全混合假设时出现。
2009-11-12 cs.CE cs.OH q-bio.QM
Bayesian learning of effective chemical master equations in crowded intracellular conditions
活细胞内的生化反应通常发生在拥挤分子的存在下-这些分子不参与反应，但通过排除体积效应影响反应速率。然而，模拟随机细胞内反应动力学的标准方法是基于化学主方程（CME），其倾向是假设没有拥挤效应而得出的。在这里，我们提出了一个机器学习策略的基础上贝叶斯优化利用合成数据从空间元胞自动机（CA）模拟（显式模型体积排除效应）学习有效的倾向函数的日冕物质抛射。从一个小的CA训练数据集的预测，然后可以扩展到整个范围的参数空间描述的生理相关的拥挤程度，通过高斯过程回归。我们证明了酶催化反应和遗传反馈回路的方法，显示出良好的协议之间的时间依赖性分布的有效CME和CA模拟预测的分子数。
2022-05-11 q-bio.MN q-bio.QM
Ergodic and Nonergodic Anomalous Diffusion in Coupled Stochastic Processes
受生化动力学问题的启发，我们研究了一个过阻尼朗之万过程的统计特性，其摩擦系数取决于一个类似的，不可观测的过程的状态。将后者积分后，我们得到均方位移的长时间行为。发现了反常扩散，由于扩散指数不能用简单的标度参数来预测，因此也出现了反常标度。我们还发现，耦合可以导致遍历或非遍历行为的研究过程。我们比较我们的理论预测与数值模拟，并找到一个很好的协议。研究结果警告治疗生化系统加上未观察到的动力学自由度的标准，扩散朗之万描述。
2009-08-13 cond-mat.stat-mech q-bio.MN q-bio.QM
Kinetic foundation of the zero-inflated negative binomial model for single-cell RNA sequencing data
单细胞RNA测序数据具有复杂的特征，例如脱落事件、过度分散和高幅度离群值，导致mRNA丰度的复杂概率分布，其在零膨胀负二项（ZINB）模型方面具有统计学特征。在这里，我们提供了一个广泛使用的ZINB模型的基础上的生化反应动力学转录介观动力学基础。使用多尺度建模和简化技术，我们表明，ZINB分布的mRNA丰度和转录爆发的现象自然出现从一个三态随机转录模型。我们进一步揭示了辍学事件和转录爆发之间的非平凡的定量关系，这提供了新的见解如何以及在何种程度上的突发大小和突发频率可以降低辍学率。三种不同的生物物理起源的过度分散也澄清在单细胞水平。
2019-11-01 physics.bio-ph q-bio.MN q-bio.QM
Enzymatic Logic Gates with Noise-Reducing Sigmoid Response
生物化学计算是一个新兴的非常规计算领域，它试图使用数字逻辑处理生物分子和生物对象的信息。在这项工作中，我们调查过滤一般，在生物化学计算，并总结了实验实现的与逻辑门与sigmoid响应的输入之一。逻辑门是用电极固定的葡萄糖-6-磷酸脱氢酶实现的，该酶催化与布尔AND函数对应的反应。还开发了一个动力学模型，并用于评估实验实现的逻辑门的性能接近最佳的程度。
2010-10-09 cond-mat.soft physics.bio-ph q-bio.MN
UQSA -- An R-Package for Uncertainty Quantification and Sensitivity Analysis for Biochemical Reaction Network Models
KTH Royal Institute of Technology（皇家理工学院）；ICERM（应用数学跨学科研究中心）；Brown University（布朗大学）；Chalmers University of Technology（查尔姆斯理工大学）；AstraZeneca（阿斯利康）
针对生化反应网络模型的不确定性，开发了R包UQSA，集成MCMC采样与Vine-copulas进行不确定性量化和敏感性分析，支持多种采样算法，适用于多种反应网络。
2026-09-22 q-bio.QM q-bio.SC
Deep learning-based prediction of kinetic parameters from myocardial perfusion MRI
King’s College London（伦敦国王学院）；The Alan Turing Institute（艾伦·图灵研究所）；Eindhoven University of Technology（埃因霍温理工大学）；Philips Healthcare（飞利浦医疗）
心肌灌注MRI的量化有可能提供一个快速，自动化和用户独立的心肌缺血评估。然而，由于相对高的噪声水平和低的时间分辨率的采集数据和示踪剂动力学模型的复杂性，模型拟合可以产生不可靠的参数估计。解决这个问题的一个方法是使用贝叶斯推理，它可以结合先验知识，提高参数估计的可靠性。然而，这使用马尔可夫链蒙特卡罗采样来近似动力学参数的后验分布，这是非常耗时的。这项工作提出了训练卷积网络，以直接从信号强度曲线中预测动力学参数，这些曲线是使用从贝叶斯推断获得的估计进行训练的。这允许快速估计动力学参数，具有与贝叶斯推断相似的性能。
2019-07-27 cs.CV eess.IV physics.med-ph
Accelerated Bayesian inference of gene expression models from snapshots of single-cell transcripts
了解如何随机基因表达是调节生物系统中使用快照的单细胞转录本需要国家的最先进的方法的计算分析和统计推断。贝叶斯统计推断方法是单细胞数据动力学参数模型选择和不确定性量化的最完整方法。这种方法是不切实际的，因为目前的数值算法太慢，无法处理典型的基因表达模型。为了解决这个问题，我们首先表明，时间依赖的mRNA分布的离散状态模型的基因表达的动态泊松混合，其混合内核的特点是由一个分段确定性马尔可夫过程。我们将此分析结果与动力学蒙特卡罗算法相结合，创建了一种混合数值方法，与当前方法相比，该方法将时间依赖性mRNA分布的计算加速了1000倍。然后，我们将混合算法集成到现有的Monte Carlo采样器中，以在合理的时间内估计许多不同的竞争模型的贝叶斯后验分布。我们验证了我们的方法加速贝叶斯推断在几个合成数据集。我们的研究结果表明，动力学参数可以合理地限制适度采样的数据集，如果该模型是已知的\textit{a priori}。如果模型是未知的，贝叶斯证据可以用来严格量化模型相对于数据中其他模型的可能性。我们证明了贝叶斯证据选择了真实的模型，并优于近似度量，例如，贝叶斯信息准则（BIC）或赤池信息准则（AIC），通常用于模型选择。
2018-12-07 physics.bio-ph physics.data-an q-bio.QM
