高效基于采样的贝叶斯主动学习用于突触特征化
摘要：贝叶斯主动学习 (BAL) 是一种有效的模型参数学习框架，其中选择输入刺激以最大化观察数据和未知参数之间的互信息。然而，BAL 的应用性受到限制，因为它需要实时进行高维积分和优化：当前方法要么耗时过长，要么只适用于特定模型。在本文中，我们提出了一种高效的基于采样的贝叶斯主动学习 (ESB-BAL) 框架，足够高效以在实时生物实验中使用。我们将该方法应用于从诱发的突触前动作电位的突触后响应中估计化学突触参数的问题。通过使用合成数据和突触整细胞膜片钳记录，我们展示了我们的方法可以提高模型推断的精度，从而为生理学中更系统和高效的实验设计铺平道路。
作者：Camille Gontier, Simone Carlo Surace, Igor Delvendahl, Martin M"uller and Jean-Pascal Pfister
论文ID：2201.07539
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2022-12-01