跨脑网络的时空蛋白质动力学建模与推断
定量方法
2019-01-31 v1
摘要
错误折叠蛋白(MP)模型旨在通过识别合理的关联动力系统来发现神经疾病(ND)的生物力学传播特性。由于病理缺乏明确的时间轴,沿完整疾病轨迹求解这些系统通常具有挑战性。疾病进展模型(DPM)通过个体观测的时间重参数化来估计长期进展轨迹,从而解决该问题。然而,由于其关于动力学的宽松假设,DPM 无法提供关于 MP 传播生物力学特性的见解。在此我们提出一种基于长期 MP 动力学与个体观测时间重参数化联合估计的时空蛋白质动力学统一模型。该模型在 Gaussian Process (GP) 回归框架内表达,其中通过对非线性动力系统施加约束来规范 MP 动力学。我们对 GP 和动力系统参数使用随机变分推断,以实现可扩展推断和轨迹的不确定性量化。在模拟数据上的实验表明,我们的模型准确恢复了图动力学的规定速率并精确重建了底层进展。当应用于脑成像数据时,我们的模型允许对阿尔茨海默病中淀粉样蛋白沉积进行生物力学解释,产生合理的 MP 传播模拟,并在未见数据中实现对个体 MP 沉积的准确预测。
引用
@article{arxiv.1901.10545,
title = {Modeling and inference of spatio-temporal protein dynamics across brain networks},
author = {Sara Garbarino and Marco Lorenzi},
journal= {arXiv preprint arXiv:1901.10545},
year = {2019}
}