PyDREAM: high-dimensional parameter inference for biological models in python.
PyDREAM: high-dimensional parameter inference for biological models in python.
复制标题
DOI：
10.1093/bioinformatics/btx626
复制
发表时间：
2018-02-15
期刊：
影响因子：
--
通讯作者：
Lopez CF
中科院分区：
文献类型：
--
作者：
Shockley EM;Vrugt JA;Lopez CF
生物模型包含许多参数，这些参数的值难以通过实验直接测量，因此需要根据实验数据进行校准。马尔可夫链蒙特卡罗（MCMC）方法适合于估计多变量后验模型参数分布，但这些方法在高维搜索空间中可能会表现出缓慢或过早收敛。在这里，我们介绍了PyDREAM，这是由和开发的（多次尝试）差分进化自适应大都会[DREAM（ZS）]算法的Python实现。PyDREAM对于复杂的、参数丰富的模型实现了出色的性能，并充分利用了分布式计算资源，促进了CPU密集型生物模型的参数推断和不确定性估计。PyDREAM在GNU GPL v3许可下可从洛佩斯实验室GitHub存储库http://github.com/LoLab-VU/PyDREAM免费获得。 补充数据可在Bioinformatics在线获得。
Biological models contain many parameters whose values are difficult to measure directly via experimentation and therefore require calibration against experimental data. Markov chain Monte Carlo (MCMC) methods are suitable to estimate multivariate posterior model parameter distributions, but these methods may exhibit slow or premature convergence in high-dimensional search spaces. Here, we present PyDREAM, a Python implementation of the (Multiple-Try) Differential Evolution Adaptive Metropolis [DREAM(ZS)] algorithm developed by and. PyDREAM achieves excellent performance for complex, parameter-rich models and takes full advantage of distributed computing resources, facilitating parameter inference and uncertainty estimation of CPU-intensive biological models. PyDREAM is freely available under the GNU GPLv3 license from the Lopez lab GitHub repository at http://github.com/LoLab-VU/PyDREAM. Supplementary data are available at Bioinformatics online.
登录
查看更多内容
使用PYSB在Python中编程生物模型。
影响因子：
9.9
作者：
通讯作者：
--
影响因子：
2
作者：
Chylek LA;Harris LA;Faeder JR;Hlavacek WS
通讯作者：
Hlavacek WS
影响因子：
5.4
作者：
Laloy, Eric;Vrugt, Jasper A.
通讯作者：
Vrugt, Jasper A.
影响因子：
4
作者：
Janes, Kevin A.;Lauffenburger, Douglas A.
通讯作者：
Lauffenburger, Douglas A.
影响因子：
4.9
作者：
Bovy, Jo;Rix, Hans-Walter;Lee, Young Sun
通讯作者：
Lee, Young Sun