• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Bioinformatics >Estimating parameters and hidden variables in non-linear state-space models based on ODEs for biological networks inference
【24h】

Estimating parameters and hidden variables in non-linear state-space models based on ODEs for biological networks inference

机译：基于ODE的非线性状态空间模型中生物网络推断的参数和隐藏变量估计

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

MOTIVATION: Statistical inference of biological networks such as gene regulatory networks, signaling pathways and metabolic networks can contribute to build a picture of complex interactions that take place in the cell. However, biological systems considered as dynamical, non-linear and generally partially observed processes may be difficult to estimate even if the structure of interactions is given. RESULTS: Using the same approach as Sitz et al. proposed in another context, we derive non-linear state-space models from ODEs describing biological networks. In this framework, we apply Unscented Kalman Filtering (UKF) to the estimation of both parameters and hidden variables of non-linear state-space models. We instantiate the method on a transcriptional regulatory model based on Hill kinetics and a signaling pathway model based on mass action kinetics. We successfully use synthetic data and experimental data to test our approach. CONCLUSION: This approach covers a large set of biological networks models and gives rise to simple and fast estimation algorithms. Moreover, the Bayesian tool used here directly provides uncertainty estimates on parameters and hidden states. Let us also emphasize that it can be coupled with structure inference methods used in Graphical Probabilistic Models. AVAILABILITY: Matlab code available on demand.
机译：动机：对生物网络（如基因调控网络，信号传导途径和代谢网络）的统计推断可有助于构建细胞中发生的复杂相互作用的图像。但是，即使给出了相互作用的结构，被认为是动态的，非线性的并且通常被部分观察到的生物系统也可能难以估计。结果：使用与Sitz等人相同的方法。在另一种情况下，我们从描述生物网络的ODE导出非线性状态空间模型。在此框架中，我们将无味卡尔曼滤波（UKF）应用于非线性状态空间模型的参数和隐藏变量的估计。我们在基于Hill动力学的转录调控模型和基于质量作用动力学的信号通路模型上实例化该方法。我们成功地使用合成数据和实验数据来测试我们的方法。结论：这种方法涵盖了大量的生物网络模型，并产生了简单而快速的估计算法。此外，此处使用的贝叶斯工具直接提供参数和隐藏状态的不确定性估计。让我们还强调，它可以与图形概率模型中使用的结构推断方法结合使用。可用性：可按需提供Matlab代码。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号