使用多保真序贯 tempered 马尔可夫链蒙特卡罗的随机反应网络贝叶斯推断
统计计算
2020-01-07 v1
摘要
随机反应网络模型常用于解释和预测单细胞中基因调控的动力学。这些模型通常涉及若干参数，如化学反应的动力学速率，它们无法直接测量，必须从实验数据推断。贝叶斯推断提供了一个严格的概率框架，通过寻找捕捉其不确定性的后验参数分布来识别这些参数。解决推断问题的传统计算方法，如基于经典 Metropolis-Hastings 算法的马尔可夫链蒙特卡罗方法，涉及对似然函数的大量串行评估，而这又需要对化学主方程（CME）进行昂贵的正向求解。我们提出了一种基于序贯 tempered 马尔可夫链蒙特卡罗（ST-MCMC）采样器的多保真扩展的替代方法。该算法构建于序贯蒙特卡罗之上，并通过将贝叶斯推断问题分解为一系列高效求解的子问题来解决它，这些子问题逐渐提高模型保真度与观测数据的影响。我们重新表述了有限状态投影（FSP）算法（一种求解 CME 的著名方法），以产生用于该多保真方案中的代理主方程层次。为确定适当保真度，我们引入了一种新颖的信息论准则，力求从该层次中每个模型提取关于最终贝叶斯后验的最大信息，同时不引入显著偏差。这一新颖采样方案使用高性能计算资源并以生物学相关问题进行了测试。
引用
@article{arxiv.2001.01373,
title = {Bayesian inference of Stochastic reaction networks using Multifidelity Sequential Tempered Markov Chain Monte Carlo},
author = {Thomas A. Catanach and Huy D. Vo and Brian Munsky},
journal= {arXiv preprint arXiv:2001.01373},
year = {2020}
}