基于似然的贝叶斯推断框架用于随机速度跳跃模型的校准与模型选择

实验技术的进步使得能够收集跟踪单个运动实体的高分辨率时空数据。这些跟踪数据可用于校准描述单个实体运动的数学模型。针对单个代理运动模型的校准挑战源于实验数据固有的特征：数据以离散时间步长采集且存在测量噪声。我们考虑可由一维空间中的速度跳跃模型描述的单个代理的运动。这些代理在包含 \textit{n} 个状态的网络中转换，每个状态关联固定速度和固定的转换率。利用结果随机过程的近似解，我们发展了一种贝叶斯推断框架，用于离散时间噪声数据校准这些模型。我们首先演示了该框架可用于有效恢复从两状态和三状态模型中模拟数据的模型参数。最后，我们探讨了模型选择问题，首先使用模拟数据，然后使用跟踪 \textit{Drosophila} 神经元内 mRNA 运输的实验数据。总体而言，我们的结果表明，该框架在校准和选择速度跳跃模型方面有效且高效，可应用于一系列运动过程。