Identification of gene regulation models from single-cell data.
Identification of gene regulation models from single-cell data.
复制标题
从单细胞数据识别基因调控模型。
DOI：
10.1088/1478-3975/aabc31
复制
发表时间：
2018
期刊：
影响因子：
2
通讯作者：
Munsky,Brian
中科院分区：
文献类型：
--
作者：
Weber,Lisa;Raymond,William;Munsky,Brian
在生物过程的定量分析中，人们可以使用许多不同尺度的模型(如空间或非空间的、确定性的或随机的、时变的或稳态的)或许多不同的方法来匹配模型与实验数据(如模型拟合或参数不确定性/马虎程度量化与不同的实验设计)。这些不同的分析可能会导致令人惊讶的不同结果，即使应用于相同的数据和相同的模型。我们使用一个简化的基因调控模型来解释其中的许多问题，特别是对于确定性过程的常微分方程分析、非均质过程的化学主方程和有限状态投影分析，以及随机模拟。对于每个分析，我们使用M AtLab和Python软件来考虑依赖时间的输入信号(例如，激酶核转位)和几个模型假设，以及模拟的单细胞数据。我们举例说明了不同的方法(如确定性和随机性)来从相同的模拟数据中识别相同模型的机理和参数。对于每一种方法，我们探索参数空间中的不确定性如何随着所选的分析方法或具体的实验设计而变化。最后，我们讨论了我们的模拟结果与实验和计算研究的集成，以探索酵母(Neuert等人2013科学339 584-7)和人类细胞(Senecal等2014细胞代表8 75-83)中的信号激活基因表达模型5。
In quantitative analyses of biological processes, one may use many different scales of models (eg spatial or non-spatial, deterministic or stochastic, time-varying or at steady-state) or many different approaches to match models to experimental data (eg model fitting or parameter uncertainty/sloppiness quantification with different experiment designs). These different analyses can lead to surprisingly different results, even when applied to the same data and the same model. We use a simplified gene regulation model to illustrate many of these concerns, especially for ODE analyses of deterministic processes, chemical master equation and finite state projection analyses of heterogeneous processes, and stochastic simulations. For each analysis, we employ M atlab and P ython software to consider a time-dependent input signal (eg a kinase nuclear translocation) and several model hypotheses, along with simulated single-cell data. We illustrate different approaches (eg deterministic and stochastic) to identify the mechanisms and parameters of the same model from the same simulated data. For each approach, we explore how uncertainty in parameter space varies with respect to the chosen analysis approach or specific experiment design. We conclude with a discussion of how our simulated results relate to the integration of experimental and computational investigations to explore signal-activated gene expression models in yeast (Neuert et al 2013 Science 339 584–7) and human cells (Senecal et al 2014 Cell Rep. 8 75–83) 5.