从生物物理时间序列学习速率和状态：模型选择与单分子FRET数据的贝叶斯方法
定量方法
2015-05-13 v1 生物大分子
摘要
单分子福斯特共振能量转移（sm-FRET）实验提供的时间序列数据不仅为推断描述分子复合物的模型参数（例如速率常数）提供了机会，也为推断模型本身的信息（例如构象状态的数量）提供了机会。确定是否存在或存在多少这样的状态，需要谨慎处理模型选择问题，这里指的是区分具有不同状态数量的模型。最直接的模型选择方法将常见的最大似然思想（选择最可能的参数值）推广到最大证据：选择最可能的模型。无论哪种情况，这种推断都带来了巨大的计算挑战，我们在此通过利用一种称为变分贝叶斯的近似技术来解决。我们展示了如何将该技术应用于诸如sm-FRET时间序列之类的时间数据；展示了相对于最大似然方法更优的统计一致性；并说明了在这种概率或生成式建模中进行模型选择如何有助于分析当前生物物理学中普遍存在的密切相关的时间序列数据。本分析中使用的源代码，包括图形用户界面，可通过http://vbFRET.sourceforge.net开源获取。
引用
@article{arxiv.0907.3156,
title = {Learning Rates and States from Biophysical Time Series: A Bayesian Approach to Model Selection and Single-Molecule FRET Data},
author = {Jonathan E. Bronson and Jingyi Fei and Jake M. Hofman and Ruben L. Gonzalez, and Chris H. Wiggins},
journal= {arXiv preprint arXiv:0907.3156},
year = {2015}
}