Accelerated maximum likelihood parameter estimation for stochastic biochemical systems.
Accelerated maximum likelihood parameter estimation for stochastic biochemical systems.
复制标题
DOI：
10.1186/1471-2105-13-68
复制
发表时间：
2012-05-01
影响因子：
3
通讯作者：
Niemi J
中科院分区：
文献类型：
--
作者：
Daigle BJ Jr;Roh MK;Petzold LR;Niemi J
对生化系统进行机械模拟的前提是对其动力学参数有详细的了解。尽管最近的实验取得了进展，但从观测数据中估计未知参数值仍然是获得准确模拟结果的瓶颈。确定性生化系统的参数估计方法有很多，而离散随机系统的参数估计方法还不是很成熟。考虑到随机生化模型的概率性质，一种自然的方法是选择使观测数据相对于未知参数的概率最大化的参数值。最大似然参数估计(MLE)。除了最简单的模型外，对于所有模型的最大似然估计计算都需要模拟许多与实验数据一致的系统轨迹。对于参数未知的模型，这是一个计算挑战，因为生成一致的轨迹可能是极其罕见的。我们开发了蒙特卡罗期望最大化与改进的交叉熵方法(MCEM2)：一种计算MLES的加速方法，它结合了罕见事件模拟的先进技术和计算效率高的蒙特卡罗期望最大化(MCEM)算法。我们的方法不需要关于参数值的先验知识，它自动提供多变量参数不确定性估计。我们将该方法应用于五个日益复杂的随机系统，从一个分析上容易处理的纯出生模型发展到一个需要计算的酵母极化模型。我们的结果表明，与MCEM的独立版本相比，MCEM2在所有测试模型上的MLE计算都有很大的加速。此外，我们还展示了我们的方法如何比最近提出的两种计算效率更高的方法更准确地识别某些类型的模型的参数值。这项工作提供了一种新的、加速的基于似然的参数估计方法，该方法可以很容易地应用于随机生化系统。此外，我们的研究结果还提出了进一步提高效率的机会，这将进一步增强我们对生物过程进行机械模拟的能力。
A prerequisite for the mechanistic simulation of a biochemical system is detailed knowledge of its kinetic parameters. Despite recent experimental advances, the estimation of unknown parameter values from observed data is still a bottleneck for obtaining accurate simulation results. Many methods exist for parameter estimation in deterministic biochemical systems; methods for discrete stochastic systems are less well developed. Given the probabilistic nature of stochastic biochemical models, a natural approach is to choose parameter values that maximize the probability of the observed data with respect to the unknown parameters, a.k.a. the maximum likelihood parameter estimates (MLEs). MLE computation for all but the simplest models requires the simulation of many system trajectories that are consistent with experimental data. For models with unknown parameters, this presents a computational challenge, as the generation of consistent trajectories can be an extremely rare occurrence. We have developed Monte Carlo Expectation-Maximization with Modified Cross-Entropy Method (MCEM2): an accelerated method for calculating MLEs that combines advances in rare event simulation with a computationally efficient version of the Monte Carlo expectation-maximization (MCEM) algorithm. Our method requires no prior knowledge regarding parameter values, and it automatically provides a multivariate parameter uncertainty estimate. We applied the method to five stochastic systems of increasing complexity, progressing from an analytically tractable pure-birth model to a computationally demanding model of yeast-polarization. Our results demonstrate that MCEM2 substantially accelerates MLE computation on all tested models when compared to a stand-alone version of MCEM. Additionally, we show how our method identifies parameter values for certain classes of models more accurately than two recently proposed computationally efficient methods. This work provides a novel, accelerated version of a likelihood-based parameter estimation method that can be readily applied to stochastic biochemical systems. In addition, our results suggest opportunities for added efficiency improvements that will further enhance our ability to mechanistically simulate biological processes.
登录
查看更多内容
影响因子：
3
作者：
Poovathingal SK;Gunawan R
通讯作者：
Gunawan R
影响因子：
5.8
作者：
Tian, Tianhai;Xu, Songlin;Burrage, Kevin
通讯作者：
Burrage, Kevin
影响因子：
3.9
作者：
Toni, Tina;Welch, David;Stumpf, Michael P. H.
通讯作者：
Stumpf, Michael P. H.
DOI：
10.1073/pnas.94.3.814
发表时间：
1997-02-04
影响因子：
11.1
作者：
McAdams, HH;Arkin, A
通讯作者：
Arkin, A
DOI：
10.1073/pnas.092133899
发表时间：
2002-04-30
影响因子：
11.1
作者：
Vilar, JMG;Kueh, HY;Leibler, S
通讯作者：
Leibler, S