PyBioNetFit中实现的实用马尔可夫链蒙特卡罗采样算法。
摘要：在生物建模中，贝叶斯推断通常依赖于对多维非高斯后验分布进行马尔可夫链蒙特卡洛(MCMC)抽样，而后验分布在解析上并不可行。在本文中，我们介绍了一个实用的MCMC方法的实现，该方法集成在开源软件包PyBioNetFit (PyBNF)中，旨在支持对生物系统的数学模型进行参数化。新的MCMC方法am加入了自适应移动提议分布。对于热启动，可以在参数空间的指定位置开始抽样，并使用由指定协方差矩阵初始定义的多元高斯提议分布。可以使用计算机集群并行生成多条链。我们证明了am可以成功解决现实世界的贝叶斯推断问题，包括使用贝叶斯量化预测不确定性来预测新的2019冠状病毒疾病病例检测情况。PyBNF版本1.1.9是第一个带有am的稳定版本，可在PyPI上获得，并可使用pip软件包管理系统在已安装Python 3的平台上安装。PyBNF依赖于libRoadRunner和BioNetGen进行模拟(例如，在SBML或BNGL文件中定义的常微分方程的数值积分)以及在Linux计算机集群上使用Dask.Distributed进行任务调度。
作者：Jacob Neumann, Yen Ting Lin, Abhishek Mallela, Ely F. Miller, Joshua Colvin, Abell T. Duprat1, Ye Chen, William S. Hlavacek and Richard G. Posner
论文ID：2109.14445
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2021-09-30