${}^{13}$C 基代谢通量分析的跨维度贝叶斯模型平均：结构模型不确定性下的证据驱动型通量推断
定量方法
2026-05-26 v1
摘要
准确量化细胞内代谢通量是系统生物学和生物技术的核心。通量估计依赖于生化网络模型，C 代谢通量分析 (MFA) 已成为最先进的方法。然而，同位素标签数据常常不足以唯一支持单一网络表述。在此类情况下，通量估计变得依赖于模型，凸显了需显式考虑结构不确定性的方法的必要性。贝叶斯模型平均 (BMA) 提供了一个原则化框架，但其在 C-MFA 中的应用目前仅限于固定网络拓扑结构下反应性方向性的不确定性。我们引入了一个可扩展的贝叶斯推断框架用于 C-MFA，即贝叶斯模型集合平均，该方法将 BMA 应用于反应和途径的不确定性。我们的ethods 结合了可逆跳跃马尔可夫链蒙特卡罗用于跨维度模型空间探索，以及扩散嵌套抽样用于稳健的模型证据估计，从而实现对大型代谢网络模型族的平均。通过示意和应用规模的合成案例研究，我们展示该方法可产生稳健的通量估计，揭示何时多个网络配置在统计上难以区分，并恢复数据支持的模型结构。重要的是，该框架不诉于决定于单个模型，而是管理结构不确定性：在数据有限的情况下，保留多个竞争模型；而数据信息量增加时，改善模型和通量恢复。该方法可扩展至数十亿模型变体，为 C-MFA 中的不确定性和误指定型感知定量通量推断提供了实用基础。
引用
@article{arxiv.2605.25079,
title = {Trans-dimensional Bayesian model averaging for $^{13}$C-based metabolic flux analysis: Evidence-based flux inference under structural model uncertainty},
author = {Johann F. Jadebeck and Anton Stratmann and Martin Beyß and Katharina Nöh},
journal= {arXiv preprint arXiv:2605.25079},
year = {2026}
}