从多状态扩散过程学习扩散系数、动力学参数及潜在状态数：鲁棒性结果与在PDK1/PKCα动力学中的应用
定量方法
2022-06-20 v2 生物大分子
摘要
受布朗运动驱动的系统无处不在。一个普遍存在的挑战是从数据中推断描述这些随机过程的扩散与动力学参数。本工作中，我们研究单粒子追踪（SPT）背景下出现的多状态扩散过程，其中粒子运动由一组离散的扩散状态控制，粒子在这些状态间切换的倾向被建模为随机过程。我们为此行为考虑两种模型：混合模型与隐马尔可夫模型（HMM）。对两者均采用贝叶斯方法采样潜在参数的分布，并实现马尔可夫链蒙特卡洛（MCMC）方案计算后验分布，如Das、Cairo、Coombs（2009）所述。本工作的主要贡献是对该方法推断三状态HMM参数的鲁棒性研究，并讨论考虑三状态时出现的挑战与退化问题。最后，我们研究利用模型选择准则确定扩散状态数的问题。我们给出模拟数据的结果以证明概念可行性，并将方法应用于实验测量的单体磷酸肌醇依赖激酶-1（PDK1）在合成靶膜上的单分子扩散轨迹，其与结合伴侣蛋白激酶C α亚型（PKCα）结合形成异二聚体，因显著更低扩散率而被检测到。所有matlab软件见：\url{https://github.com/MathBioCU/SingleMolecule}
引用
@article{arxiv.2206.07999,
title = {Learning diffusion coefficients, kinetic parameters, and the number of underlying states from a multi-state diffusion process: robustness results and application to PDK1/PKC$\alpha$, dynamics},
author = {Lewis R. Baker and Moshe T. Gordon and Brian P. Ziemba and Victoria Gershuny and Joseph J. Falke and David M. Bortz},
journal= {arXiv preprint arXiv:2206.07999},
year = {2022}
}
备注
29 pages, 13 figures