[论文解读] Bayesian hidden Markov model analysis of single-molecule force spectroscopy: Characterizing kinetics under measurement uncertainty

John D. Chodera, Phillip Elms+7 more|arXiv (Cornell University)|Aug 6, 2011

Force Microscopy Techniques and Applications参考文献 57被引用 21

一句话总结

本文提出一种贝叶斯隐马尔可夫模型（BHMM），用于在单分子力谱中推断动力学参数和构象状态，明确考虑了测量噪声和有限样本不确定性。通过引入细致平衡并采用吉布斯采样，该方法提升了参数精度，实现了对RNA发夹三状态动力学的稳健推断，包括在主要中间态存在的情况下，高力态与低力态之间非顺序的过渡。

ABSTRACT

Single-molecule force spectroscopy has proven to be a powerful tool for studying the kinetic behavior of biomolecules. Through application of an external force, conformational states with small or transient populations can be stabilized, allowing them to be characterized and the statistics of individual trajectories studied to provide insight into biomolecular folding and function. Because the observed quantity (force or extension) is not necessarily an ideal reaction coordinate, individual observations cannot be uniquely associated with kinetically distinct conformations. While maximum-likelihood schemes such as hidden Markov models have solved this problem for other classes of single-molecule experiments by using temporal information to aid in the inference of a sequence of distinct conformational states, these methods do not give a clear picture of how precisely the model parameters are determined by the data due to instrument noise and finite-sample statistics, both significant problems in force spectroscopy. We solve this problem through a Bayesian extension that allows the experimental uncertainties to be directly quantified, and build in detailed balance to further reduce uncertainty through physical constraints. We illustrate the utility of this approach in characterizing the three-state kinetic behavior of an RNA hairpin in a stationary optical trap.

研究动机与目标

• 为解决在观测力或伸展度并非完美反应坐标时，从单分子力谱中推断构象动力学的挑战。
• 量化由于仪器噪声和数据量有限导致的隐马尔可夫模型（HMM）参数估计中的实验不确定性。
• 通过在推断过程中引入细致平衡作为物理约束，提升参数精度。
• 提供模型参数的完整后验分布，以实现对寿命和速率等复杂函数的不确定性量化。

提出的方法

• 开发了一种贝叶斯扩展的隐马尔可夫模型，用于从带有噪声的力或伸展度时间序列中推断构象状态。
• 该方法使用吉布斯采样从模型参数的后验分布中抽样，同时整合了测量不确定性与有限样本统计。
• 采用可逆转移矩阵以强制实现细致平衡，从而降低动力学参数的不确定性。
• 该模型估计了各状态的平均力和标准差，反映了生物分子动力学与仪器噪声的共同影响。
• 通过扩展采样方案，该框架可纳入额外的干扰参数（如仪器漂移或激光波动）。
• 该方法可计算派生量（如状态寿命和跃迁速率）的置信区间。

实验结果

研究问题

• RQ1 当观测信号受测量噪声污染且不完全代表真实反应坐标时，如何可靠地推断单分子力谱中的动力学参数？
• RQ2 在数据稀缺条件下，强制HMM中实现细致平衡在多大程度上能提升推断动力学参数的精度？
• RQ3 中间力态在RNA发夹折叠路径中起什么作用？通过该态的跃迁是否为必经路径？
• RQ4 不同构象状态中力分布的宽度在多大程度上反映了生物分子动力学与仪器噪声的贡献？
• RQ5 是否可利用模型参数的完整后验分布来量化如状态寿命和跃迁速率等派生量的不确定性？

主要发现

• 中间力态（状态2）被清晰分辨，并作为高力态与低力态之间通量的主要通道，其跃迁速率$K_{12}$和$K_{23}$较大。
• 高力态与低力态之间存在非平凡的直接跃迁（$K_{13}$），表明在发夹折叠过程中通过中间态并非必须。
• 所有三个状态的力分布标准差的置信区间存在重叠，表明在此实验设置中，测量噪声主导于内在生物分子异质性。
• 中间态的寿命显著更短——几乎比高力态和低力态短一个数量级——但其寿命的估计具有极窄的置信区间，确定性良好。
• 贝叶斯框架成功量化了模型参数的不确定性，使得在噪声大且数据有限的条件下仍能实现动力学参数的稳健推断。
• 该方法支持完整的后验推断，包括联合分布和合成数据生成，可为未来实验设计与假设检验提供指导。