Extracting conformational memory from single-molecule kinetic data.
Extracting conformational memory from single-molecule kinetic data.
复制标题
DOI：
10.1021/jp309420u
复制
发表时间：
2013-01-17
影响因子：
3.3
通讯作者：
Dill, Ken A.
中科院分区：
文献类型：
--
作者：
Presse, Steve;Lee, Julian;Dill, Ken A.
单分子数据通常以随机时间轨迹的形式出现。一个关键问题是如何从数据中提取潜在的动力学模型。传统的方法是假设一些离散状态模型，即模型拓扑，并假设状态之间的转换是马尔可夫的。然后根据最佳拟合数据来选择转换速率。然而，在实验中，每个表观状态可以是状态的广泛集合，或者可以隐藏多个相互转换的状态。在这里，我们描述了一种更通用的方法，称为非马尔可夫记忆核（NMMK）方法。这个想法是开始与一个非常广泛的类非马尔可夫模型，让数据直接选择最好的可能的模型。要做到这一点，我们适应的图像重建方法，是接地在最大熵。NMMK方法不限于数据的离散状态模型;它产生一个给定数据的唯一模型;它给出模型的误差条;它不假设马尔可夫动态。此外，NMMK通过让整个数据集确定模型来减少数据浪费。当数据保证时，NMMK给出了一个马尔可夫的内存核。我们强调，通过数值例子，如何使用这种方法提取的构象记忆可以转化为有用的机械洞察力。
Single-molecule data often comes in the form of stochastic time trajectories. A key question is how to extract an underlying kinetic model from the data. A traditional approach is to assume some discrete state model, i.e. a model topology, and to assume that transitions between states are Markovian. The transition rates are then selected according to which best fit the data. However in experiments, each apparent state can be a broad ensemble of states or can be hiding multiple inter-converting states. Here we describe a more general approach called the non-Markov Memory Kernel (NMMK) method. The idea is to begin with a very broad class of non-Markov models and to let the data directly select for the best possible model. To do so, we adapt an image reconstruction approach that is grounded in Maximum Entropy. The NMMK method is not limited to discrete state models for the data; it yields a unique model given the data; it gives error bars for the model; it does not assume Markov dynamics. Furthermore, NMMK is less wasteful of data by letting the entire data set determine the model. When the data warrants, the NMMK gives a memory kernel that is Markovian. We highlight, by numerical example, how conformational memory extracted using this method can be translated into useful mechanistic insight.
登录
查看更多内容
影响因子：
64.8
作者：
通讯作者：
--
影响因子：
3.4
作者：
Qin, F;Auerbach, A;Sachs, F
通讯作者：
Sachs, F
影响因子：
16.8
作者：
Mickler, Moritz;Hessling, Martin;Hugel, Thorsten
通讯作者：
Hugel, Thorsten
DOI：
10.1073/pnas.0910860106
发表时间：
2009-11-03
影响因子：
11.1
作者：
Neuweiler, Hannes;Johnson, Christopher M.;Fersht, Alan R.
通讯作者：
Fersht, Alan R.
影响因子：
3.4
作者：
Floyd, Daniel L.;Harrison, Stephen C.;van Oijen, Antoine M.
通讯作者：
van Oijen, Antoine M.