随机反应网络的正则化粒子滤波器的收敛
摘要：用于随机反应网络（SRNs）的滤波是系统/合成生物学中的一个重要问题，旨在估计未观察到的化学物种的状态。对此问题的良好解决方案可以为科学家提供有关隐藏动态状态的有价值信息，并实现最优反馈控制。通常情况下，模型参数需要与状态变量同时推断，而传统的粒子滤波器由于样本退化而无法准确解决这个问题。在这种情况下，人们更倾向于使用正则化粒子滤波器（RPF）而不是传统的粒子滤波器，因为RPF可以通过给粒子引入人工噪声来减轻样本退化。然而，人工噪声会对估计结果引入额外的偏差，因此值得质疑RPF在SRNs中是否能够提供可靠的结果。本文旨在确定一个由二分子网络决定的滤波问题下，RPF收敛到精确滤波器的条件。首先，我们使用不同的动力学模型，包括连续时间马尔可夫过程、tau-leaping模型和分段确定性过程，为不同尺度的SRNs建立了计算效率高的RPF。然后，通过参数灵敏度分析，我们证明了如果所有导致分子种群增加的反应具有线性增长的倾向性，并且同时满足一些其他温和条件，那么建立的RPF将收敛到精确滤波器。这保证了RPF在大类SRNs中的性能，我们提供了几个数值例证来说明我们的结果。
作者：Zhou Fang, Ankit Gupta, Mustafa Khammash
论文ID：2110.07746
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2021-10-18