线性噪声近似辅助的部分观测随机反应网络机制模型的贝叶斯推断
机器学习
2024-07-02 v2 机器学习
摘要
为了支持机制在线学习并促进生物制造过程的数字孪生开发，本文开发了一种高效的贝叶斯推断方法，用于部分观测的酶促随机反应网络（SRN），这是多尺度生物过程机制模型的基本构建块。为了应对由基于非线性随机微分方程（SDE）的机制模型带来的关键挑战，该模型具有部分观测状态和测量误差，我们提出了一种可解释的贝叶斯更新线性噪声近似（LNA）元模型，结合了机制模型的结构信息，以近似观测的似然。然后，利用推导出的似然的梯度来加速马尔可夫链蒙特卡罗（MCMC）的收敛，开发了一种高效的后验采样方法。实证研究表明，所提出的方法具有有希望的性能。
引用
@article{arxiv.2405.02783,
title = {Linear Noise Approximation Assisted Bayesian Inference on Mechanistic Model of Partially Observed Stochastic Reaction Network},
author = {Wandi Xu and Wei Xie},
journal= {arXiv preprint arXiv:2405.02783},
year = {2024}
}
备注
11 pages, 2 figures