拥挤细胞内条件下有效化学主方程的贝叶斯学习
定量方法
2022-05-16 v1 分子网络
摘要
活细胞内的生化反应经常在拥挤剂——不参与反应但通过排除体积效应影响反应速率的分子——存在下发生。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)，其倾向函数是在假设没有拥挤效应的情况下推导出来的。在这里，我们提出了一种基于贝叶斯优化的机器学习策略，利用从空间元胞自动机 (CA) 模拟（显式模拟体积排除效应）获得的合成数据来学习 CME 的有效倾向函数。然后，通过高斯过程回归，可以将来自小型 CA 训练数据集的预测扩展到描述生理相关拥挤水平的整个参数空间范围。我们在一个酶催化反应和一个遗传反馈回路上演示了该方法，结果显示有效 CME 预测的分子数随时间变化的分布与 CA 模拟之间具有良好的一致性。
引用
@article{arxiv.2205.06268,
title = {Bayesian learning of effective chemical master equations in crowded intracellular conditions},
author = {Svitlana Braichenko and Ramon Grima and Guido Sanguinetti},
journal= {arXiv preprint arXiv:2205.06268},
year = {2022}
}
备注
20 pages, 8 figures