Sparse bayesian step-filtering for high-throughput analysis of molecular machine dynamics
自然界已经进化出许多分子机器，如驱动蛋白、肌球蛋白和由线粒体离子电流驱动的旋转鞭毛马达。最近，通过新的实验分析，用时间序列直接观察这些机器的步进式运动已经成为可能。这些时间序列被需要去除的分子和实验噪声破坏，但是经典信号处理对于恢复这种阶跃状动力学的用途有限。本文报道了简单，新颖的贝叶斯滤波器，是强大的阶跃样动态噪声，并介绍了一个L1正则化，全局滤波器，其稀疏的解决方案，可以快速获得标准的凸优化方法。我们表明，这些技术优于经典滤波器的模拟时间序列在他们的能力，准确地恢复基本的步骤动态。为了显示在行动中的技术，我们提取类球形红细菌鞭毛电机时间序列的阶跃速度转换。实现这些算法的代码可从http://www.eng.ox.ac.uk/samp/members/max/software/获得。
2010-03-29 q-bio.QM stat.AP
Inducing Point Allocation for Sparse Gaussian Processes in High-Throughput Bayesian Optimisation
稀疏高斯过程是高吞吐量贝叶斯优化（BO）循环的关键组成部分，然而，我们发现，现有的方法分配其诱导点严重妨碍优化性能。通过利用确定性点过程的质量多样性分解，我们提出了第一个专门为BO设计的诱导点分配策略。与现有的方法，只寻求减少目标函数的全局不确定性，我们的方法提供了精确优化所需的有前途的区域的本地高保真度建模。更一般地说，我们证明了我们提出的框架提供了一种灵活的方式来分配稀疏模型的建模能力，因此适合广泛的下游顺序决策任务。
2023-02-23 cs.LG stat.ML
Bayesian joint modeling of chemical structure and dose response curves
今天，大约有85，000种化学品受到《有毒物质控制法》的管制，每年引入大约2，000种新化学品。通过完整的生物体体内研究或体外高通量筛选（HTS）程序，不可能筛选所有这些化学品的潜在毒性作用。毒理学家面临的挑战是选择筛选哪些化学物质，并预测尚未筛选的化学物质的毒性。我们的目标是描述化学结构的变化如何与毒理学反应的变化相关，以实现旨在满足这两个挑战的计算机毒性表征。通过我们的贝叶斯部分监督稀疏平滑因子分析（$\text{BS}^3\text{FA}$）模型，我们了解了针对毒性的化学品之间的距离，而不是仅基于分子结构的距离。我们的模型还可以利用已经在HTS程序中进行毒性测试的化学品的大型数据库，根据化学结构（即，没有体内或体外测试）预测化学剂量-反应曲线。与现有方法相比，我们在远程学习中表现出优越的模拟性能，并且在预测能力方面有适度到较大的增益。高通量筛选数据应用的结果阐明了化学结构与毒性相关高通量测定之间的关系。$\text{BS}^3\text{FA}$的R包可在https://github.com/kelrenmor/bs3fa上在线获得。
2020-10-18 stat.AP
Perturbation Detection Through Modeling of Gene Expression on a Latent Biological Pathway Network: A Bayesian hierarchical approach
细胞对扰动的反应是在复杂网络中连接的生物变量的动态系统的结果。药物和疾病研究的一个主要挑战是确定生物网络中决定细胞命运的关键因素。在这里，我们的目标是从高通量基因表达数据中识别受干扰的途径。我们开发了一个三层次的模型，其中（i）第一级捕获基因表达和生物途径之间的关系，使用验证性因子分析，（ii）第二级模型的行为在一个潜在的网络内的途径诱导的未知扰动使用条件自回归模型，和（iii）第三个层次是一个尖峰和平板之前的扰动。然后，我们通过基于后验的变量选择来识别扰动。我们说明了我们的方法，使用基因转录药物扰动配置文件从DREAM7药物敏感性预测挑战数据集。我们提出的方法识别了已知发挥致病作用且使用基因集富集分析或探索性因子模型无法轻易解决的调节途径。仿真结果评估该模型的性能相对于一个网络的自由的变体和它的鲁棒性在生物数据库中的不准确性。
2014-09-01 q-bio.MN stat.AP
deBInfer: Bayesian inference for dynamical models of biological systems in R
1.理解生物系统的机制，并最终预测它们在变化环境中的行为，需要克服数学模型与实验或观测数据之间的差距。微分方程（DE）通常用于模拟生物系统的时间演化，但是用于比较DE模型与数据和用于参数推断的统计方法相对较差。这在生物系统的背景下尤其成问题，在生物系统中，观察常常是嘈杂的，并且可能只有少量的时间点可用。2.贝叶斯方法为参数推断提供了一个连贯的框架，该框架可以解释多个不确定性来源，同时利用先验信息。它提供了一个严格的方法参数推断，以及建模之间的联系不可观察的模型状态和参数，可观察的数量。3.我们提出了deBInfer，一个包的统计计算环境R，实现了贝叶斯框架的参数推断DE。deBInfer为DE模型、观测模型和数据似然性以及模型参数及其先验分布提供模板。马尔可夫链蒙特卡罗（MCMC）程序处理这些输入，以估计参数和任何导出量（包括模型轨迹）的后验分布。提供了进一步的功能，以促进MCMC诊断，模型参数和轨迹的后验分布的可视化，以及使用编译的DE模型来提高计算性能。4.模板化方法使deBInfer适用于各种DE模型。我们展示了它的应用程序，普通和延迟DE模型的人口生态学。
2016-10-15 q-bio.QM stat.AP
Bayesian design of synthetic biological systems
在这里，我们介绍了一个新的设计框架，合成生物学，利用贝叶斯模型选择的优势。我们将论证推理和设计之间的区别在于，在前者中，我们试图重建产生我们观察到的数据的系统，而在后者中，我们试图构建产生我们想要观察的数据的系统，即期望的行为。我们的方法使我们能够利用贝叶斯统计的方法，包括有效探索模型空间和高维参数空间，以及根据模型生成某些类型数据的能力对模型进行排名的能力。此外，贝叶斯模型选择自动地在数学模型的复杂性和（预测或解释）性能之间取得平衡。为了处理分子系统的复杂性，我们采用了近似贝叶斯计算方案，它只需要我们从不同的竞争模型进行模拟，以达到在它们之间进行选择的合理标准。我们说明了结合设计和建模（或在硅片原型）阶段，目前被视为独立的合成生物学参考确定性和随机模型系统表现出自适应和开关样行为，以及细菌的双组分信号系统的优势。
2011-03-05 q-bio.MN stat.AP
Bayesreef: A Bayesian inference framework for modelling reef growth in response to environmental change and biological dynamics
估算地质时期环境过程对垂直礁发育的影响是一项非常具有挑战性的任务。pyReef-Core是一个确定性的碳酸盐岩地层正演模型，旨在模拟关键的生物和环境过程，这些过程决定了化石礁钻芯中的垂直礁增生和组合变化。我们提出了一个贝叶斯框架，称为贝叶斯礁的估计和不确定性量化的参数pyReef核心，代表环境条件影响珊瑚组合的地质时间尺度上的增长。我们证明了多峰后验分布的存在，并调查使用马尔可夫链蒙特卡罗（MCMC）方法，其中包括并行回火MCMC采样的挑战。我们使用合成的珊瑚礁核心调查的基本问题，然后将该方法应用于选定的珊瑚礁核心在澳大利亚大堡礁。结果表明，Bayesreef准确估计并提供了所选参数的不确定性量化，这些参数代表了pyReef-Core中的环境和生态条件。Bayesreef提供了对pyReef-Core中参数的复杂后验分布的见解，这为该领域的未来研究奠定了基础。
2020-03-06 cs.CE stat.AP
Bayesian Multi Plate High Throughput Screening of Compounds
化合物（化学品）的高通量筛选是药物发现的重要组成部分[7]，涉及数千至数百万种化合物，目的是识别候选命中物。大多数统计工具，包括行业标准的B评分方法，都适用于单个复合板，并且不利用跨板相关性或板之间的统计强度。我们提出了一个新的统计框架的基础上贝叶斯非参数模型的化合物的高通量筛选。所提出的方法能够同时从多个板中识别候选命中，在板之间共享统计强度，并提供更稳健的化合物活性估计。它可以灵活地适应任意分布的复合活动，并适用于任何板的几何形状。该算法为命中识别和错误发现率控制提供了一种原则性的统计方法。实验表明，在命中识别的灵敏度和特异性显着改善的B-评分方法，这是高度敏感的阈值选择。该框架作为一个高效的R扩展包BHTSpack实现，适用于大规模数据集。
2017-09-28 stat.ML
Bayesian Nonparametric Ordination for the Analysis of Microbial Communities
人类微生物组研究使用测序技术来测量生物材料样品中细菌物种或操作分类单位（OTU）的丰度。通常，将数据组织在列联表中，其中OTU计数跨异质生物样品。在微生物生态学社区中，排序方法经常用于研究捕获和描述生物样品中OTU计数变化的潜在因素或聚类。评估每个生物样品的微生物分布的估计的不确定性如何传播到排序分析，包括聚类的可视化和生物样品在低维空间上的投影，仍然很重要。我们提出了一个贝叶斯分析的依赖分布，赋予经常使用的排序估计的不确定性。贝叶斯非参数先验的依赖归一化随机措施的构造，这是边际等价的归一化广义Gamma过程，一个著名的非参数分析的先验。在我们的先验知识中，微生物分布之间的依赖性和相似性由集中在低维空间中的潜在因素表示。我们在调整潜在因素的维度之前使用收缩。模型参数的后验样本可用于评估微生物组研究中常规应用的分析的不确定性。具体来说，通过将它们与多变量数据分析技术相结合，我们可以在生态排序图中可视化可信区域。通过模拟研究和两个微生物组数据集的应用说明了所提出的模型的特点。
2017-01-20 stat.AP stat.ME
Bayesian Additive Adaptive Basis Tensor Product Models for Modeling High Dimensional Surfaces: An application to high-throughput toxicity testing
许多现代数据集都是从复杂的高维表面采样的。诸如张量积样条或高斯过程之类的方法有效/非常适合于表征二维或三维的表面，但在表示更高维的表面时可能会遇到困难。受高通量毒性测试的启发，其中观察到的剂量-响应曲线是由化学品的结构特性定义的表面的横截面，开发了一种模型来表征该表面以预测未经测试的化学品的剂量-响应。这篇手稿提出了一种新的方法，将多维表面建模为学习的基函数的总和，这些基函数形成为低维函数的张量积，这些函数本身可以通过从数据中学习的基扩展来表示。描述了该模型，提出了一种吉布斯抽样算法，并在模拟研究以及从美国环保局的ToxCast高通量毒性测试平台的数据进行了研究。
2017-06-15 stat.ML
Information-theoretic Inducing Point Placement for High-throughput Bayesian Optimisation
Secondmind（Secondmind公司）；University of Cambridge（剑桥大学）
稀疏高斯过程是高吞吐量贝叶斯优化（BO）循环的关键组成部分-这是一种越来越常见的设置，其中评估预算很大且高度并行。通过使用可用数据的代表性子集来构建近似后验，稀疏模型通过依赖于一小组伪观测（所谓的诱导点）而不是完整的数据集，大大降低了代理建模的计算成本。然而，目前的方法来设计诱导点是不合适的BO循环内，因为它们试图减少目标函数的全局不确定性。因此，牺牲了精确优化所需的有希望和数据密集区域的高保真度建模，并且计算资源反而浪费在对已知次优的空间区域进行建模上。受基于熵的BO方法的启发，我们提出了一种新的诱导点设计，使用原则性的信息理论标准来选择诱导点。通过选择诱导点来最大限度地减少全局不确定性和目标函数最大值的不确定性，我们构建了能够支持高精度高通量BO的代理模型。
2022-07-13 cs.LG stat.ML
Bayesian sense of time in biological and artificial brains
Wellcome Centre for Human Neuroimaging, University College London（伦敦大学学院威康人类神经影像中心）；Department of Computing, Imperial College London（帝国理工学院计算系）
关于生物大脑的潜在机制和涌现特性的研究有着悠久的理论假设和实验发现的历史。今天，科学界倾向于对大脑认知基础的单一解释--即它是一台贝叶斯推断机器。这一当代观点自然成为最近围绕计算和认知神经科学发展的强大驱动力。特别令人感兴趣的是大脑处理时间流逝的能力-我们经验的基本维度之一。我们如何用贝叶斯大脑假说解释人类时间感知的经验数据？我们能用贝叶斯模型复制人类的估计偏差吗？基于主体的机器学习模型能为这一课题的研究提供什么样的启示？在这一章中，我们回顾了时间感知领域的一些最新进展，并讨论了贝叶斯处理在构建时间模型中的作用。
2022-01-14 cs.AI q-bio.NC stat.ML
A Bayesian Phase I/II basket design with robust information borrowing to identify subtrial-specific optimal biological doses
University of Bath（巴斯大学）；MRC Biostatistics Unit, University of Cambridge（剑桥大学医学研究委员会生物统计单元）
提出DF-EXNEX设计，通过扩展EXNEX混合先验实现稳健信息借用，在篮子试验中为每个子试验选择最佳生物剂量（OBD），提高正确选择率并减少过度毒性推荐。
2026-06-23 stat.AP
Bayesian variable selection and data integration for biological regulatory networks
分子生物学研究的一个重要焦点是基因调控网络：一组转录因子和靶基因，它们控制活细胞中不同生物过程的参与。以前用于鉴定基因调控网络的统计方法已经使用基因表达数据、ChIP结合数据或启动子序列数据，但是这些资源中的每一个仅提供部分信息。我们提出了一个贝叶斯层次模型，集成了所有三种数据类型的原则变量选择框架。基因表达数据被建模为未知基因调控网络的函数，该未知基因调控网络具有基于ChIP结合和启动子序列数据的知情先验分布。我们还提出了一个可变的加权方法的原则平衡的多信源的先验信息。我们应用我们的程序，发现在酿酒酵母（酵母）的基因调控关系，我们可以使用几个外部来源的信息来验证我们的结果。我们推断的关系显示出更大的生物相关性的外部验证措施比以前的数据集成方法。我们的模型还估计了转录因子之间的协同和拮抗相互作用，其中许多已被先前的研究所验证。我们还评估了从我们的程序为多信源的先验信息加权的结果。最后，我们讨论了我们的方法的背景下，以前的方法，数据集成和贝叶斯变量选择。
2007-12-14 math.ST q-bio.MN stat.AP
Profiling time course expression of virus genes---an illustration of Bayesian inference under shape restrictions
基于基因芯片技术的病毒全基因组时间转录程序研究在构建基因调控网络方面具有重要意义。这些研究中的生物学解释似乎直接基于归一化数据和一些粗略的统计数据，这些数据和统计数据提供了对轮廓的有限特征的粗略估计，可能会产生偏差。本文介绍了一种用于病毒基因表达时程推断的多层贝叶斯形状约束回归方法。通过这种方法可以立即获得表达谱的许多显著特征的估计，如开始时间、拐点、最大值、最大值时间、曲线下面积等。应用这种方法的杆状病毒微阵列时程表达数据集，我们表明，许多生物学问题可以定量制定，我们能够提供深入了解杆状病毒生物学。
2010-09-29 stat.AP
A Bayesian measurement error model for two-channel cell-based RNAi data with replicates
RNA干扰（RNA interference，RNAi）是一种内源性的细胞内过程，小的双链RNA导致具有互补核苷序列的mRNA被破坏。随着RNAi文库的产生，可以在人类细胞中进行大规模RNAi筛选，以鉴定参与生物途径的未知基因。研究人员面临的一个挑战是如何处理多重检验问题以及相关的假阳性率（FDR）和假阴性率（FNR）。本文提出了一种贝叶斯分层测量误差模型，用于分析重复的双通道RNAi高通量实验的数据，在该实验中，对特定生物通路的活性和细胞活力进行监测，目标是识别影响通路活性而不影响细胞活性的短发夹RNA（shRNAs）。模拟研究证明了贝叶斯方法的灵活性和鲁棒性，以及在实验中重复的好处。通过分析RNAi高通量筛选的数据来说明这种方法，该筛选在不影响细胞活力的情况下搜索影响HCV复制的细胞因子;包括本HCV研究的结果与文献中报道的一些结果的比较。
2012-03-20 stat.AP
JASPER: Joint Bayesian Analysis of Spatial Expression via Regression
Texas A&M University（德克萨斯农工大学）
JASPER通过联合贝叶斯分析空间表达，解决现有方法在基因间相关性建模不足的问题，提升空间转录组数据的统计和生物解释性。
2026-07-01 stat.AP stat.CO stat.ME
Accelerating Bayesian Optimization for Biological Sequence Design with Denoising Autoencoders
New York University（纽约大学）；BigHat Biosciences（BigHat生物科学公司）
贝叶斯优化（BayesOpt）是查询高效连续优化的黄金标准。然而，它的药物设计的采用受到了阻碍的离散，高维的决策变量的性质。我们开发了一种新的方法（LaMBO），该方法联合训练去噪自动编码器与判别式多任务高斯过程头，允许在自动编码器的潜在空间中对多目标采集函数进行基于梯度的优化。这些获取功能允许LaMBO在多个设计回合中平衡探索-利用权衡，并通过优化帕累托边界上许多不同点的序列来平衡客观权衡。我们评估LaMBO的两个小分子设计任务，并介绍了新的任务优化大分子荧光蛋白的\emph{in silico}和\emph{in vitro}属性。在我们的实验中，LaMBO优于遗传优化器，并且不需要大量的预训练语料库，这表明BayesOpt对于生物序列设计是实用和有效的。
2022-07-12 cs.LG cs.NE q-bio.QM
Optimal Biological Dose Combination Finding: A Design Roadmap and Robust Cross-Indication Bayesian Borrowing
Population Health Sciences Institute, Newcastle University（纽卡斯尔大学人口健康科学研究所）；Quantitative Science and Evidence Generation, Astellas Pharma Global Development Inc.（安斯泰来全球开发公司定量科学与证据生成部）
针对联合肿瘤学试验中的最优生物学剂量组合发现，提出设计分类路线图及稳健的跨适应症贝叶斯借用方法，并通过模拟和案例验证其有效性。
2026-09-22 stat.AP stat.ME
Bayesian Topological Learning for Classifying the Structure of Biological Networks
University of Tennessee（田纳西大学）；University of Hawaii at Manoa（夏威夷大学马诺阿分校）
肌动蛋白细胞骨架网络产生局部拓扑签名，由于在网络的孔的数量，大小和形状的自然变化。持久同源性是一种探索数据的这些拓扑属性并将其总结为持久性图的方法。在这项工作中，我们分析和分类这些细丝网络转换成持久性图，其可变性是量化的，通过贝叶斯框架上的持久性图的空间。建议的广义贝叶斯框架采用了独立和同分布的集群点过程的持久性图表征，并依赖于替代似然参数。这个框架提供了灵活性，以估计后验基数分布的点在持久性图和后验空间分布的同时。我们提出了一个封闭的形式下的高斯混合假设和二项式先验强度和基数分别后验。使用这种后验计算，我们实现了贝叶斯因子算法分类肌动蛋白丝网络和基准它对几个国家的最先进的分类方法。
2020-09-24 cs.LG q-bio.QM stat.ML
Identifying differentially expressed transcripts from RNA-seq data with biological variation
动机：高通量测序使得能够在单个转录物的水平上进行表达分析。转录组表达水平和差异表达估计的分析需要概率方法来适当地解释由共享外显子和有限读段采样以及转录表达的内在生物学方差引起的模糊性。结果如下：我们提出了BitSeq（贝叶斯推断of Transcripts from Sequencing data），这是一种用于估计来自RNA测序实验的转录本表达水平的贝叶斯方法。推断的相对表达由来自读取数据的生成模型的后验概率分布的马尔可夫链蒙特卡罗（MCMC）样本表示。我们提出了一种新的方法，差异表达分析重复传播的不确定性，从样品水平的模型，同时使用表达水平依赖的先验建模生物方差。我们使用模拟数据以及RNA测序数据集与技术和生物复制的两个研究条件下，我们的方法证明了我们的优势。可用性：转录组表达估计和差异表达分析BitSeq的实现已用C++编写。
2012-03-05 q-bio.GN stat.AP
Bayesian joint modeling of multiple gene networks and diverse genomic data to identify target genes of a transcription factor
我们考虑多个基因网络和不同的基因组数据，包括蛋白质-DNA结合，基因表达和DNA序列数据的综合建模，以准确地识别转录因子（TF）的调控靶基因。而不是对待所有的基因平等和独立的先验在现有的联合建模方法，我们将生物先验知识，基因网络上的相邻基因往往是（或不）调节一起由TF。我们工作的一个关键贡献是，为了最大限度地利用所有现有的生物学知识，我们允许将多个基因网络的基因组数据的联合建模，通过引入基于使用多个马尔可夫随机场（MRF）的混合模型。我们的工作的另一个重要贡献是允许不同的基因组数据相关，并检查现有方法中采用的独立性假设的有效性和效果。由于完全贝叶斯方法，可以基于MCMC样本进行关于模型参数的推断。应用于E.大肠杆菌数据集，连同模拟研究，证明了效用和统计效率的增益与建议的联合模型。
2012-03-20 stat.AP
A Bayesian Model of NMR Spectra for the Deconvolution and Quantification of Metabolites in Complex Biological Mixtures
核磁共振（NMR）谱广泛用于代谢组学中以获得溶解在生物流体（诸如细胞上清液）中的代谢物的谱。用于从这些光谱估计代谢物浓度的方法目前限于手动峰拟合和用于整合共振峰的分箱程序。关于人类代谢物产生的光谱共振模式的广泛信息现在可在在线数据库中获得。通过将这些信息纳入贝叶斯模型，我们可以从光谱中去卷积共振峰，并获得相应代谢物的明确浓度估计值。不能以这种方式去卷积的光谱共振也可能具有科学意义，因此我们使用小波对其进行联合建模。我们描述了一个马尔可夫链蒙特卡罗算法，它允许我们从联合后验分布的模型参数的样本，使用专门设计的块更新，以提高混合。共振模式的强先验允许算法自动识别对应于特定代谢物的峰，从而消除手动峰分配的需要。我们评估我们的方法峰对齐和浓度估计。除了在目标共振信号非常弱的情况下，对准是无偏的和精确的。我们比较贝叶斯浓度估计从传统的数值积分方法，发现我们的点估计有六倍低的均方误差。最后，我们将我们的方法应用于从酵母重组蛋白表达的代谢反应的调查中获得的光谱数据集。我们估计26种代谢物的浓度，并与五位光谱专家的手动定量进行比较。我们讨论了差异的原因和我们的方法浓度估计的稳健性。
2012-05-15 q-bio.QM stat.AP stat.ME
BaGGLS: A Bayesian Shrinkage Framework for Interpretable Modeling of Interactions in High-Dimensional Biological Data
University of Potsdam（波茨坦大学）；National University of Singapore（新加坡国立大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
针对高维生物数据交互建模中可解释性与性能难以兼顾的问题，提出贝叶斯收缩框架BaGGLS，通过适配交互结构的先验与高效变分推断，实现更优的交互检测性能与更快的运算速度，可用于挖掘生物相关交互模式。
2025-11-19 q-bio.GN stat.ME stat.ML
Bayesian optimal design for ordinary differential equation models with application in biological science
贝叶斯最优设计被认为是响应分布取决于非线性常微分方程系统的解决方案的实验。动机是一个实验，以估计参数的方程管理的氨基酸通过细胞膜在人类胎盘的运输。这种非线性模型的决策理论贝叶斯实验设计在概念上是非常有吸引力的，允许正式纳入先验知识，以克服频率论设计的参数依赖性和不太依赖于渐近近似。然而，必要的近似和最大化，通常分析棘手的，预期效用的结果在计算上具有挑战性的问题。如果微分方程的解不能以封闭形式获得，则这些问题进一步加剧。本文提出了一种新的组合的概率解嵌入在一个蒙特卡罗近似的期望效用与循环下降的光滑近似找到最优设计的方程。一种新的预计算算法减少了计算负担，使搜索更大的问题的最佳设计可行。该方法被证明是通过寻找新的设计，一些常见的模型来自微分方程，并提供最佳的设计胎盘实验。
2019-05-01 stat.ME
Extending the Bayesian Framework from Information to Action
本文考察扩展的 Bayesian 推断方法，提出结合收缩概率空间的标准推断与扩展概率空间的逆推断，揭示生物与人工信息处理在利用非线性上的差异，并提出新实验设置。
2023-06-28 physics.data-an stat.OT
Bayesian Optimization with Dimension Scheduling: Application to Biological Systems
Imperial College London（伦敦帝国理工学院）；INRA（法国国家农业研究院）
贝叶斯优化（BO）是一种数据高效的方法，用于评估适应度函数的全局黑箱优化。BO通常假设BO的计算成本很便宜，但实验是耗时或昂贵的。在实践中，这使我们能够在多达1,000个实验中优化10个或更少的关键参数。但实验可能比BO方法假设的更便宜：在一些模拟模型中，我们可能能够在几个小时内进行数千次实验，与实验时间相比，BO的计算负担不再可以忽略不计。为了解决这一挑战，我们引入了一个新的维度调度算法（DSA），它减少了许多实验的BO的计算负担。关键思想是DSA在每次迭代中仅沿着一小部分维度优化适应度函数。这种DSA策略（1）减少了必要的计算时间，（2）比传统的BO方法更快地找到好的解决方案，以及（3）可以直接并行化。我们评估的DSA的微藻代谢的动态模型的参数优化的背景下，比传统的BO显示更快的收敛。
2015-11-17 cs.AI cs.LG math.OC
Gene-gene interaction analysis incorporating network information via a structured Bayesian approach
越来越多的证据表明，基因-基因相互作用对人类疾病的生物学过程有重要影响。由于遗传测量的高维性，现有的互作分析方法通常受到缺乏足够信息的困扰，仍然不能令人满意。生物网络已经大量积累，使研究人员能够通过利用网络选择（由功能相关的生物标志物组成）以及网络结构从系统的角度来识别生物标志物。在主效应分析中，网络信息被广泛纳入，导致生物学上更有意义和更准确的估计。然而，在交互作用分析方面仍存在很大差距。在这项研究中，我们开发了一种新的结构化贝叶斯交互分析方法，有效地将网络信息。这项研究是第一个确定基因-基因相互作用的网络选择的帮助下，表型预测，同时适应底层网络结构。它创新地尊重主效应、交互和网络之间的多层次。贝叶斯方法被采用，它已被证明具有多个优点，比其他一些技术。提出了一种有效的变分推断算法来探索后验分布。广泛的仿真研究表明，所提出的方法的实际优势。对黑色素瘤和肺癌的TCGA数据的分析导致具有令人满意的预测准确性和选择稳定性的生物学上合理的发现。
2021-01-08 stat.ME
Differential gene co-expression networks via Bayesian biclustering models
识别大数据矩阵中的潜在结构对于探索生物过程至关重要。在这里，我们考虑从基因表达数据中恢复基因共表达网络，其中每个网络编码由共享生物机制局部共调控的基因之间的关系。要做到这一点，我们开发了贝叶斯统计模型的双聚类推断子集的共调节基因的共变异可能只在一个子集的样品。我们的双聚类方法，BicMix，具有理想的属性，包括允许过完整的数据表示，计算易处理性，并共同建模未知的混杂因素和生物信号。与相关的双聚类方法相比，BicMix在不同的模拟场景中以更高的精度恢复潜在结构。此外，我们开发了一种方法来恢复基因共表达网络的估计稀疏双聚类矩阵。我们将BicMix应用于乳腺癌基因表达数据，并恢复了ER+和ER-样本之间存在差异的基因共表达网络。
2014-11-07 q-bio.GN q-bio.MN stat.ME
Bayesian-based deconvolution fluorescence microscopy using dynamically updated nonparametric nonstationary expectation estimates
荧光显微镜广泛用于生物样品的研究。去卷积可以显着提高使用荧光显微镜产生的图像的分辨率和对比度;特别是，基于贝叶斯的方法在去卷积荧光显微镜中已经变得非常流行。基于贝叶斯的方法的持续挑战是在处理低SNR成像条件下的噪声的存在。在这项研究中，我们提出了一种基于贝叶斯的方法进行反卷积使用动态更新的非参数非平稳期望估计，可以提高荧光显微镜图像质量的噪声存在下，没有明确使用的空间正则化。
2015-02-03 stat.AP stat.ME
A Bayesian framework for genome-wide inference of DNA methylation levels
DNA甲基化是一种重要的表观遗传标记，其在生物过程和疾病中的调节作用已被广泛研究。WGBS允许对DNA甲基化进行全基因组测量，最高可达单碱基分辨率，但在不同生物条件下识别显著不同的甲基化模式方面存在挑战。我们提出了一种新的甲基化组变点模型，它描述了一个案件和对照组的甲基化制度的联合动力学，并考虑到所有可用的样品之间的相邻甲基化位点的信息的好处。我们还设计了粒子滤波和平滑算法来执行潜在的甲基化模式的有效推理。我们说明，我们的方法可以检测和测试非常灵活的差异甲基化签名与高功率，同时控制第一类错误措施。
2022-11-14 q-bio.GN q-bio.QM stat.AP
Bayesian parameter identification in Cahn-Hilliard models for biological growth
Technische Universität München（慕尼黑工业大学）；The Chinese University of Hong Kong（香港中文大学）
本文研究了在肿瘤生长的扩散界面模型中参数估计的反问题，采用贝叶斯框架构建似然函数和噪声，通过两种典型观测设置分析后验测度的well-posedness，并利用合成数据进行数值示例，采用退火序贯蒙特卡洛方法近似后验测度。
2019-02-15 cs.NA math.AP math.NA
A Bayesian approach for energy-based estimation of acoustic aberrations in high intensity focused ultrasound treatment
高强度聚焦超声是一种用于治疗病变组织的非侵入性方法，其使用超声束在小体积内产生热量。应用该技术的一个常见挑战是生物介质的异质性会使超声波束散焦。在这里，我们减少的问题重新聚焦的光束的逆问题估计的声像差，由于从声辐射力成像数据的生物组织。我们解决这个逆问题，使用贝叶斯框架与分层先验和解决逆问题，使用大都市内吉布斯算法。该框架使用合成和实验数据集进行测试。我们证明了我们的方法能够使用小数据集（少至32个超声处理测试）来估计像差，这可以导致治疗过程的显着加速。此外，我们的方法与广泛的超声处理测试兼容，并可应用于其他基于能量的测量技术。
2018-06-07 physics.med-ph stat.AP
Bayesian Optimization for Identification of Optimal Biological Dose Combinations in Personalized Dose-Finding Trials
MRC Biostatistics Unit University of Cambridge（剑桥大学医学研究委员会生物统计学单元）；McGill University（麦吉尔大学）
针对个性化剂量探索试验样本量小、难识别最佳生物剂量组合的问题，提出融合疗效与毒性信息的贝叶斯优化方法，经模拟验证其表现良好。
2026-08-07 stat.ME
Pathway-based Bayesian factor models for 'omics data
Duke University（杜克大学）；Duke University School of Medicine（杜克大学医学院）
本文提出BASIL模型，通过整合注释基因集提升转录组数据解释性，利用预训练方法高效估计协方差并量化不确定性，揭示发热全局转录组中可解释的宿主响应模块。
2026-03-23 stat.AP stat.ME
BioBO: Biology-informed Bayesian Optimization for Perturbation Design
Johnson & Johnson Innovative Medicine（强生创新医药）；ETH Zurich（苏黎世联邦理工学院）
BioBO结合多模态基因嵌入和富集分析，提升代理建模和获取策略，提高标签效率25-40%，并提供路径级解释，链接设计与生物调控电路。
2026-03-23 cs.LG q-bio.QM stat.ML
Low-dose cryo electron ptychography via non-convex Bayesian optimization
最近，电子重叠关联成像对于原子或近原子分辨率的相敏成像的兴趣激增。然而，迄今为止，应用主要限于辐射硬样品，因为所需的剂量太高，无法以高分辨率对生物样品进行成像。我们建议使用非凸，贝叶斯优化来克服这个问题，并减少成功重建所需的剂量由两个数量级相比，以前的实验。我们建议使用这种方法在低温下对单个生物大分子进行成像，并在20 $e^- / Å^2$的剂量下从分辨率为7.9 μ $\,$的模拟数据中展示2D单粒子重建。当仅对15个低剂量数据集取平均值时，对于大分子复合物，4 μ $\,$的分辨率是可能的。由于其独立于显微镜的传递函数，直接恢复的相位衬度和更好的缩放的信噪比，冷冻电子重叠关联可能成为一个有前途的替代泽尼克相衬显微镜。
2017-02-19 math.OC physics.comp-ph physics.data-an
An asynchronous parallel high-throughput model calibration framework for crystal plasticity finite element constitutive models
本文提出将异步并行约束贝叶斯优化算法应用于晶体塑性有限元本构模型校准，并在304L不锈钢、钽和Cantor高熵合金上实现高通量参数标定。
2023-04-14 cond-mat.mtrl-sci stat.AP
Bayesian Robust Learning in Chain Graph Models for Integrative Pharmacogenomics
对多水平药物基因组学数据进行综合分析，以建立各种生物学领域之间的依赖关系，对于开发基于基因组学检测的治疗方法至关重要。链图表征了这种多级数据的条件依赖结构，其中变量被自然地划分为多个有序层，由有向和无向边组成。现有的文献主要集中在高斯链图，这是不适合的非正态分布的重尾边缘，潜在地导致不准确的推断。我们提出了一个贝叶斯鲁棒链图模型（RCGM）的基础上随机变换的边缘使用高斯尺度的混合物来考虑节点级的非正态性连续的多变量数据。这种灵活的建模策略有助于识别非正常节点之间的条件符号依赖关系，同时仍然能够推断正常节点之间的条件依赖关系。在模拟中，我们证明了RCGM优于现有的高斯链图推理方法，从各种非正常机制产生的数据。我们将我们的方法应用于基因组，转录组和蛋白质组数据，以全面了解肺癌细胞系中药物反应和耐药性的潜在生物学过程。我们的分析揭示了关键信号通路对埃克替尼、厄洛替尼和奥希替尼等药物单药治疗的平台间和平台内依赖性，以及药物作用背后的分子机制的共享模式。
2021-11-22 stat.AP stat.ME
Non-parametric Bayesian modelling of digital gene expression data
下一代测序技术为生成基因表达数据提供了革命性的工具。从固定的RNA样品开始，他们构建了数百万个差异丰富的短序列标签或“读段”的文库，这些标签或“读段”构成了基因表达水平的基本离散测量。在使用这些技术的实验中，一个常见的限制是生物学重复的数量少或甚至不存在，这使得数字基因表达数据的统计分析复杂化。对这类数据的分析通常基于最初为分析微阵列而设计的修改后的测试;这些甚至用于分析RNA-seq数据的从头方法都受到低复制的共同问题的困扰。我们提出了一种新的，非参数贝叶斯方法的数字基因表达数据的分析。我们开始与一个层次模型建模过分散的计数数据和阻塞吉布斯抽样算法推断模型参数的后验分布的条件下，这些计数。该算法通过将可能从共同分布中采样的具有标签计数的基因聚类在一起并使用该扩增样本来估计该分布的参数，来补偿生物复制数量少的问题。聚类的数量不是先验决定的，而是与剩余的模型参数一起推断的。我们证明了这种方法的能力，模型生物学数据与高保真度通过应用该算法从癌性和非癌性神经组织获得的公共数据集。
2013-01-17 q-bio.GN q-bio.QM stat.AP
Bayesian Inference for Latent Biologic Structure with Determinantal Point Processes (DPP)
我们讨论了使用的行列式点过程（DPP）作为一个潜在的结构在生物医学应用中，推理往往集中在解释潜在的功能，生物或临床上有意义的结构之前。典型的例子包括混合模型，当混合物的术语旨在代表临床上有意义的亚群（患者，基因等）时。另一类示例是特征分配模型。我们提出的DPP先验作为一个排斥前的潜在的混合物成分在第一个例子中，并在第二种情况下，作为先验的特征特定的参数。我们认为，在一般情况下，民进党是一个有吸引力的潜在结构模型时，生物相关的解释，这种结构是必要的。我们在三个案例研究中说明了DPP先验的优势，包括磁共振图像（MRI）和蛋白质表达的混合模型中的推断，以及使用癌症基因组图谱数据的基因表达特征分配模型。我们的论点的一个重要组成部分是有效和简单的后验模拟方法。我们实现了一个可逆跳跃马尔可夫链蒙特卡罗模拟下的DPP先验推理的变化，使用相对于单位速率泊松过程的密度。
2015-11-16 stat.AP stat.ME
Accelerating Bayesian inference of dependency between complex biological traits
推断复杂的生物性状之间的依赖关系，同时占标本之间的进化关系是巨大的科学兴趣，但仍然是不可行的性状和标本数量增长大。国家的最先进的方法使用系统发育的多变量概率模型，以适应二进制和连续性状通过一个潜在的变量框架，并利用一个有效的弹性粒子采样器（BPS），以解决计算瓶颈-集成许多潜在的变量从一个高维截断正态分布。这种方法随着样本数量的增长而崩溃，并且无法可靠地表征性状之间的条件依赖性。在这里，我们提出了一个推理管道系统发育概率模型，大大优于BPS。新颖之处在于：1）最近的Zigzag哈密顿蒙特卡罗（Zigzag-HMC）与线性时间梯度评估的组合，以及2）高度相关的潜变量和相关矩阵元素的联合采样方案。在一个从535种病毒探索HIV-1进化的应用程序中，推断需要从11,235维截断正态和24维协方差阵中联合采样。与BPS相比，我们的方法产生了5倍的加速，并且可以学习候选病毒突变和毒力之间的部分相关性。现在，计算速度的提高使我们能够解决更大的问题：我们研究了大约900种病毒上H1N1流感糖基化的进化。为了更广泛的适用性，我们扩展了系统发育概率模型，将分类性状，并证明其用于研究Aquilegia花和传粉者的共同进化。
2022-09-07 q-bio.PE stat.CO stat.ME
Thinking inside the box: A tutorial on grey-box Bayesian optimization
贝叶斯优化（BO）是一个全局优化的目标函数的评估费用的框架。经典的BO方法假设目标函数是一个黑盒。然而，关于目标函数计算的内部信息通常是可用的。例如，在通过仿真优化生产线的吞吐量时，我们除了观察总吞吐量外，还观察每个工作站等待的零件数量。最近的BO方法利用这些内部信息来显著提高性能。我们称之为“灰盒”BO方法，因为它们将目标计算视为部分可观察的，甚至是可修改的，将黑盒方法与目标函数计算的所谓“白盒”第一原理知识混合在一起。本教程描述了这些方法，重点是复合目标函数的BO，其中可以观察和选择性地评估进入整体目标的各个成分;和多保真度BO，其中可以通过改变评估Oracle的参数来评估目标函数的更便宜的近似值。
2022-01-02 cs.LG math.OC stat.ML
A Bayesian Hierarchical Model for Reconstructing Sea Levels: From Raw Data to Rates of Change
我们提出了一个整体的贝叶斯层次模型重建的连续和动态演变的相对海平面（RSL）变化与充分量化的不确定性。重建是由生物（有孔虫）和地球化学（δ 13 C）保存在盐沼沉积物的过时的核心海平面指标。我们的模型由三个模块组成：（1）贝叶斯转换函数用于有孔虫到潮汐高程的校准，它足够灵活，可以正式容纳额外的代理（此处为整体沉积物δ 13 C值）;（2）根据现有的Bchron年龄-深度模型建立的年表，（3）现有的估计海平面变化率的变量误差积分高斯过程（EIV-IGP）模型。我们说明了我们的方法使用的共同时代的海平面变化的案例研究，美国新泽西州，我们开发了一个新的贝叶斯传递函数（B-TF），与δ 13 C代理和比较我们的结果从广泛使用的加权平均传递函数（WA-TF）。在B-TF模式中正式加入第二个替代因子，可以减小垂直不确定性，提高重建RSL的精度。与WA-TF相比，多代理B-TF的垂直不确定性平均小约28%。当对历史验潮测量进行评估时，多代理B-TF最准确地重建了仪器记录中观察到的RSL变化（MSE = 0.003）。整体模型提供了一个单一的，统一的框架，重建和分析海平面随时间的变化。该方法适用于利用生物代用指标重建其他古环境变量。
2015-08-09 physics.ao-ph stat.AP
Bayesian Fractional Polynomials for Optimal Dosage Estimation with Fish Nutrition Applications
NMBU, Norway（挪威生命科学大学）
本文提出贝叶斯分数多项式框架，用于建模非线性剂量反应关系，通过贝叶斯模型平均实现模型不确定性量化和稳健预测，实验证明其在鱼营养实验数据中优于传统方法。
2026-05-07 stat.AP stat.ME
Analyzing Brain Circuits in Population Neuroscience: A Case to Be a Bayesian
功能连接指纹是当今获得个人大脑和健康和疾病认知的忠实样本的最佳选择之一。在这里，我们提出了一个案例，使用贝叶斯分析策略分析这样的连接体配置文件的关键优势。他们（i）提供研究的神经认知现象的全概率估计（ii）提供分析机制，以连贯的方式分离方法的不确定性和生物变异性（iii）引导走向途径，超越经典的零假设显著性检验和（iv）使所有模型参数的可信度估计发挥作用，从而使预测与不确定性区间为单一主题。我们挑选了关于自闭症谱系障碍的研究问题作为一个反复出现的主题来说明我们的方法论论点。
2019-09-05 stat.AP stat.ME
Bayesian hierarchical modelling for inferring genetic interactions in yeast
定量适合度分析（QFA）是一种用于测量微生物种群生长的高通量实验和计算方法。QFA筛选可用于比较查询基因中有突变和无突变的细胞群体的健康状况，以推断全基因组的遗传相互作用强度，检查数千种不同的基因型。我们引入贝叶斯，层次模型的人口增长率和遗传相互作用，更好地反映QFA实验设计比目前的方法。我们的新方法模型种群动力学和遗传相互作用的同时，从而避免通过一个单变量的健身总结模型之间传递信息。更紧密地匹配实验结构，贝叶斯分层方法更有效地使用数据，并在已发布的数据集中找到与酵母端粒相互作用的基因的新证据。
2015-08-14 q-bio.GN q-bio.QM stat.AP
PKBOIN-12: A Bayesian optimal interval Phase I/II design incorporating pharmacokinetics outcomes to find the optimal biological dose
提出PKBOIN-12及扩展TITE-PKBOIN-12设计，将药代动力学信息整合入BOIN12，以更准确识别最优生物剂量并优化患者分配。
2023-12-24 stat.ME
COBRA-DOSE: Copula-based Bayesian Model Averaging for Dose Selection
The University of Queensland（昆士兰大学）
COBRA-DOSE是基于Copula的贝叶斯模型平均框架，用于小样本剂量选择，通过R包实现，在类风湿关节炎I期试验中验证了其性能，可辅助临床决策。
2026-08-14 stat.ME
BNP-Seq: Bayesian Nonparametric Differential Expression Analysis of Sequencing Count Data
我们在贝叶斯非参数框架下对高通量测序计数数据进行差异表达分析，去除了现有算法中通常需要的复杂的特设预处理步骤。我们建议使用伽马（β）负二项过程，它考虑到不同的测序深度，使用样本特异性负二项概率（分散）参数，通过比较基因特异性负二项分散（概率）参数的后验分布来检测差异表达的基因。这些模型参数是通过借用基因和样本的统计强度来推断的。模拟和真实世界的RNA测序计数数据上的广泛实验表明，所提出的差异表达分析算法明显优于先前提出的接收器操作特性和精确度-召回曲线下的区域。
2017-05-02 q-bio.GN stat.AP stat.ME
Transfer Learning Bayesian Optimization to Design Competitor DNA Molecules for Use in Diagnostic Assays
Imperial College London（帝国理工学院）；University of Oxford（牛津大学）
本文提出迁移学习与贝叶斯优化相结合的实验设计方法，通过跨任务共享信息减少诊断检测中竞争性DNA分子优化所需的实验次数，并验证了其预测准确性与优化性能。
2024-10-22 cs.LG q-bio.QM stat.ML
A synthetic likelihood-based Laplace approximation for efficient design of biological processes
用于描述流行病学和生态学中的生物过程的复杂模型通常具有计算上难以处理或昂贵的可能性。这对贝叶斯推断提出了重大挑战，但更重要的是在实验设计方面。贝叶斯设计是通过在设计空间上最大化效用函数的期望来发现的，通常这需要从大量的后验分布中采样或近似。这使得在推理中采用的计算方法在设计中不可行。因此，在这些领域的最佳设计已被限制到一个小的尺寸或有限的范围内的效用函数。为了克服这些限制，我们提出了一个合成的基于似然的拉普拉斯近似近似效用函数的模型与棘手的似然。如将看到的，所提出的近似是灵活的，因为可以考虑广泛的效用函数，并且在高维中保持计算效率。为了探讨这种近似的有效性，从流行病学的一个说明性的例子被认为是。然后，我们的方法是用来设计实验，从流行病学和生态学的两个激励应用程序中的相对大量的观察。
2019-03-11 stat.ME
A Nonparametric Bayesian Technique for High-Dimensional Regression
本文提出了一个非参数贝叶斯框架称为VariScan的同时聚类，变量选择和预测在高通量回归设置。Poisson-Dirichlet过程用于检测协变量的低维潜在聚类。为响应构造了自适应非线性预测模型，实现了模型简约性和灵活性之间的平衡。与传统的信念相反，集群检测显示为后验一致的一般类的模型的协变量和主题的数量的增长。仿真研究和数据分析表明，VariScan往往优于几个著名的统计方法。
2016-04-12 stat.ME
Learning representations in Bayesian Confidence Propagation neural networks
KTH Royal Institute of Technology（瑞典皇家理工学院）；Stockholm University（斯德哥尔摩大学）
层次表示的无监督学习是近年来深度学习中最具活力的研究方向之一。在这项工作中，我们研究生物启发的无监督策略的神经网络的基础上，当地的赫布学习。我们提出了新的机制来扩展贝叶斯置信度验证神经网络（BCPNN）的架构，并证明了它们的无监督学习显着的隐藏表示的MNIST数据集上测试时的能力。
2020-03-27 cs.LG cs.NE stat.ML
