Bayesian Probabilistic Analysis of DEER Spectroscopy Data Using Parametric Distance Distribution Models.
Bayesian Probabilistic Analysis of DEER Spectroscopy Data Using Parametric Distance Distribution Models.
复制标题
DOI：
10.1021/acs.jpca.0c05026
复制
发表时间：
2020-07-30
期刊：
影响因子：
--
通讯作者：
Stoll S
中科院分区：
文献类型：
--
作者：
Sweger SR;Pribitzer S;Stoll S
双电子-电子共振(DER)光谱测量蛋白质中自旋标记之间的距离分布，产生关于构象景观的重要结构和能量信息。根据距离分布分析实验鹿信号是一项不平凡的任务，因为潜在的数学逆问题的病态性质。这项工作介绍了一种贝叶斯概率推理方法来分析鹿数据，使用了距离分布的多高斯混合模型。该方法使用马尔可夫链蒙特卡罗(MCMC)抽样来确定模型参数空间上的后验概率分布。该分布包含数据中的所有可用信息，包括参数不确定性的完全量化。通过后验预测分布的集合来捕捉关于距离分布的相应不确定性。几个综合算例说明了该方法。实验结果表明了利用残差分析和贝叶斯因子进行模型检验和比较的重要性。总体而言，贝叶斯方法允许从鹿光谱学对蛋白质构象进行更稳健的推断。
Double Electron–Electron Resonance (DEER) spectroscopy measures distance distributions between spin labels in proteins, yielding important structural and energetic information about conformational landscapes. Analysis of an experimental DEER signal in terms of a distance distribution is a nontrivial task due to the ill-posed nature of the underlying mathematical inversion problem. This work introduces a Bayesian probabilistic inference approach to analyze DEER data, using a multi-Gauss mixture model for the distance distribution. The method uses Markov Chain Monte Carlo (MCMC) sampling to determine a posterior probability distribution over model parameter space. This distribution contains all the information available from the data, including a full quantification of the uncertainty about the parameters. The corresponding uncertainty about the distance distribution is captured via an ensemble of posterior predictive distributions. Several synthetic examples illustrate the method. An experimental example shows the importance of model checking and comparison using residual analysis and Bayes factors. Overall, the Bayesian approach allows for more robust inference about protein conformations from DEER spectroscopy.
登录
查看更多内容
影响因子：
1
作者：
Milov, AD;Tsvetkov, YD
通讯作者：
Tsvetkov, YD
影响因子：
3.3
作者：
Kattnig, Daniel R.;Reichenwallner, Joerg;Hinderberger, Dariush
通讯作者：
Hinderberger, Dariush
影响因子：
3.8
作者：
Salvatier, John;Wiecki, Thomas, V;Fonnesbeck, Christopher
通讯作者：
Fonnesbeck, Christopher
影响因子：
2.2
作者：
Jeschke, G;Koch, A;Godt, A
通讯作者：
Godt, A
影响因子：
2.2
作者：
Chiang, YW;Borbat, PP;Freed, JH
通讯作者：
Freed, JH