用于生化反应网络跳跃-扩散近似的贝叶斯推断

生化反应网络是多种反应的混合体，其中每个反应代表不同物种间的相互作用。通常，这些网络由于反应速率和物种丰度的高度变异性而表现出多尺度行为。所谓的跳跃-扩散近似是对此类系统建模的有价值工具。该近似通过将反应网络划分为快速反应子组和慢速反应子组来构造。这使得能够使用朗之万方程对快速组进行动力学建模，同时对慢速组保留马尔可夫跳跃过程模型。多数情况下，生化过程的参数和种群状态特征描述很差。因此，估计隐藏量的方法具有重要意义。在本文中，我们开发了基于马尔可夫链蒙特卡罗的易处理贝叶斯推断算法。所提出的分块吉布斯粒子平滑算法利用序贯蒙特卡罗方法来估计潜在状态，并通过利用跳跃-扩散近似模型对生化反应网络的参数执行不同的吉布斯步。所述分块吉布斯采样器基于状态推断与参数推断两个不同步骤。我们在状态推断步骤中通过连续时间前向滤波后向平滑过程估计状态。通过在后向平滑过程中利用自助粒子滤波，我们采样一条平滑轨迹。为估计隐藏参数，我们在吉布斯采样器内使用独立的马尔可夫链蒙特卡罗采样器，该采样器使用反应计数器的路径式连续时间表示。最后，针对一个部分观测的多尺度生灭过程实例对该算法进行了数值评估。