[论文解读] Parameter Estimation in Computational Biology by Approximate Bayesian Computation coupled with Sensitivity Analysis

Xin Liu, Mahesan Niranjan|arXiv (Cornell University)|Apr 28, 2017

Markov Chains and Monte Carlo Methods参考文献 34被引用 4

一句话总结

该论文提出了一种基于敏感性分析增强的三阶段近似贝叶斯计算（ABC）框架，以提高系统生物学参数估计中的计算效率。通过识别刚性（敏感）参数与松散（不敏感）参数，该方法选择性地分配计算资源——对松散参数采用粗粒度采样，对刚性参数采用精细化优化——在振荡模型与瞬态响应模型上均表现出更低的计算成本，且精度相当。

ABSTRACT

We address the problem of parameter estimation in models of systems biology from noisy observations. The models we consider are characterized by simultaneous deterministic nonlinear differential equations whose parameters are either taken from in vitro experiments, or are hand-tuned during the model development process to reproduces observations from the system. We consider the family of algorithms coming under the Bayesian formulation of Approximate Bayesian Computation (ABC), and show that sensitivity analysis could be deployed to quantify the relative roles of different parameters in the system. Parameters to which a system is relatively less sensitive (known as sloppy parameters) need not be estimated to high precision, while the values of parameters that are more critical (stiff parameters) need to be determined with care. A tradeoff between computational complexity and the accuracy with which the posterior distribution may be probed is an important characteristic of this class of algorithms.

研究动机与目标

• 解决具有噪声观测的动态系统生物学模型在参数估计中计算成本过高的挑战。
• 通过识别参数敏感性，克服近似贝叶斯计算（ABC）中计算预算均匀分配的低效问题。
• 开发一种策略，利用参数敏感性优先准确估计关键（刚性）参数，同时容忍对影响较小（松散）参数的粗略估计。
• 通过自适应容忍度调度与敏感性引导采样，实现ABC推断在效率与准确性上的提升。
• 在真实世界系统生物学模型（包括振荡系统与瞬态响应系统）上验证该方法，证明其实际适用性。

提出的方法

• 应用eFAST（扩展傅里叶幅度敏感性测试）计算所有模型参数的全局敏感性指数，根据其对模型输出的影响将参数分类为刚性或松散。
• 实施三阶段推断策略：(1) 对松散参数使用宽松容忍度进行粗粒度ABC采样；(2) 对刚性参数使用更紧容忍度进行优化；(3) 使用容忍度逐步降低的自适应ABC-SMC。
• 采用ABC-SMC（序列蒙特卡洛）方法，结合粒子重加权且无需拒绝，以提升采样效率并支持并行化。
• 在ABC采样前整合敏感性分析，以指导先验选择与计算预算分配。
• 采用容忍度调度自适应策略，根据粒子多样性与接受率逐步降低接受阈值。
• 使用归一化均方根误差（NRMSE）验证后验质量，并在不同粒子数（$N_{\text{smc}}$）下比较性能。

实验结果

研究问题

• RQ1 能否利用敏感性分析指导ABC参数估计中的计算预算分配，以提升效率？
• RQ2 所提出的基于敏感性参数分组的三阶段ABC策略与标准ABC相比，在精度与计算成本方面表现如何？
• RQ3 在系统生物学模型中，松散参数相较于刚性参数在多大程度上需要高精度估计？
• RQ4 在噪声非线性动态系统中，ABC-SMC中使用自适应容忍度调度是否能改善收敛性并降低计算负担？
• RQ5 eFAST敏感性分析能否在推断前可靠地识别复杂生物模型中的刚性与松散参数？

主要发现

• 与标准ABC方法相比，所提出方法显著降低了计算成本，尤其在延迟驱动振荡系统等简单模型中表现更优，且保持了相当的精度。
• 在ABC-SMC中使用$N_{\text{smc}} = 2000$个粒子时，NRMSE表现最佳，表明更高的粒子数量可提升推断质量。
• eFAST敏感性分析有效识别了刚性与松散参数，其结果在粒子分布非高斯时仍具鲁棒性，经Henze-Zirkler检验验证。
• 三阶段策略——对松散参数进行粗粒度采样，随后对刚性参数进行精细化估计——实现了关键区域的低维后验探索，提升效率。
• ABC-SMC中的自适应容忍度调度改善了收敛性并降低了拒绝率，通过可并行的粒子更新提升了效率。
• 基于敏感性的参数分组策略显著减少了需高精度估计的参数数量，直接提升了计算可扩展性。