Simulation-based model selection for dynamical systems in systems and population biology.
Simulation-based model selection for dynamical systems in systems and population biology.
复制标题
DOI：
10.1093/bioinformatics/btp619
复制
发表时间：
2010-01-01
期刊：
影响因子：
--
通讯作者：
Stumpf MP
中科院分区：
文献类型：
--
作者：
Toni T;Stumpf MP
动机：计算机模拟已经成为生物医学和其他领域的重要工具。对于许多重要问题，存在几种不同的模型或假设，选择哪一种最能描述现实或观察到的数据并不是直截了当的。因此，我们需要合适的统计工具，使我们能够在不同的机制模型之间进行理性选择，例如信号转导或基因调控网络。这在系统生物学中尤其具有挑战性，因为在任何给定的时间只能分析少量的分子物种，而且所有的测量都受到测量不确定度的影响。结果：本文建立了一个基于近似贝叶斯计算和时序蒙特卡罗采样的模型选择框架。我们表明，我们的方法可以应用于广泛的生物学场景，我们说明了它在描述流感动力学和JAK-STAT信号通路的真实数据中的使用。贝叶斯模型选择在模拟模型的复杂性和描述观测数据的能力之间取得了平衡。目前的方法使我们能够将整个形式装置应用于任何可以（有效）模拟的系统，即使在精确的可能性难以计算的情况下也是如此。联系:ttoni@imperial.ac.uk;m.stumpf@imperial.ac.uk补充信息：补充数据可在Bioinformatics网站在线获得。
Motivation: Computer simulations have become an important tool across the biomedical sciences and beyond. For many important problems several different models or hypotheses exist and choosing which one best describes reality or observed data is not straightforward. We therefore require suitable statistical tools that allow us to choose rationally between different mechanistic models of, e.g. signal transduction or gene regulation networks. This is particularly challenging in systems biology where only a small number of molecular species can be assayed at any given time and all measurements are subject to measurement uncertainty. Results: Here, we develop such a model selection framework based on approximate Bayesian computation and employing sequential Monte Carlo sampling. We show that our approach can be applied across a wide range of biological scenarios, and we illustrate its use on real data describing influenza dynamics and the JAK-STAT signalling pathway. Bayesian model selection strikes a balance between the complexity of the simulation models and their ability to describe observed data. The present approach enables us to employ the whole formal apparatus to any system that can be (efficiently) simulated, even when exact likelihoods are computationally intractable. Contact: ttoni@imperial.ac.uk; m.stumpf@imperial.ac.uk Supplementary information: Supplementary data are available at Bioinformatics online.
登录
查看更多内容
DOI：
10.1111/1467-9876.00210
发表时间：
2000-01-01
影响因子：
1.6
作者：
O'Neill, PD;Balding, DJ;Mollison, D
通讯作者：
Mollison, D
影响因子：
1.9
作者：
ADDY, CL;LONGINI, IM;HABER, M
通讯作者：
HABER, M
影响因子：
56.9
作者：
Kim, TK;Maniatis, T
通讯作者：
Maniatis, T
影响因子：
9.9
作者：
Chen, William W.;Schoeberl, Birgit;Jasper, Paul J.;Niepel, Mario;Nielsen, Ulrik B.;Lauffenburger, Douglas A.;Sorger, Peter K.
通讯作者：
Sorger, Peter K.
影响因子：
3.4
作者：
Kirk, Paul D. W.;Toni, Tina;Stumpf, Michael P. H.
通讯作者：
Stumpf, Michael P. H.