Newest papers

Simulation-free approximate Bayesian computation for stochastic reaction networks

Zekai Li, Mauricio Barahona, Philipp Thomas · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.26361 · cited by 0 works (OpenAlex) · open-access PDF

Hindi

डेटा से एकल स्टोकैस्टिक प्रतिक्रिया डेटा नेटवर्क का खुलासा एकल कोशिका जीव विज्ञान के लिए केंद्रीय है। सिमुलेशन-आधारित निष्कर्ष इस उद्देश्य के लिए एक लचीला पैराग्राफ में विकसित हो गया है, संभावना की गणनात्मक अप्रत्यक्षता को दूर करने के लिए। उल्लेखनीय रूप से, अनुकूलित बेयसियन गणना इस निष्कर्ष को एक व्यापक गिल्स्पी सिमुलेशन, आमतौर पर उच्च गणना लागत के साथ निष्पादित करके करती है। यहां, हम एक सिमुलेशन-मुक्त अप्रत्यक्ष बेयसियन गणना (एसएफएबीसी) फ्रेमवर्क का प्रस्ताव करते हैं जो नेटवर्क गतिशीलता के सिमुलेशन और स्पष्ट संभावना समाधान दोनों से बचता है। इसके बजाय, एसएफएबीसी

Machine translation (Meta M2M100); the English original follows.

Abstract

Uncovering stochastic reaction networks from data is central to single-cell biology. Simulation-based inference has evolved into a flexible paradigm for this purpose, circumventing the computational intractability of the likelihood. Notably, approximate Bayesian computation performs this inference by carrying out extensive Gillespie simulations, usually at a high computational cost. Here, we propose a simulation-free approximate Bayesian computation (SFABC) framework that avoids both simulation and explicit likelihood solutions of the network dynamics. Instead, SFABC exploits the Chemical Master Equation to formulate a tractable convex optimization with ensuing constraints, which are then used to accept sampled parameters consistent with the observed data. The resulting posterior approximation comes with theoretical guarantees: it can be tightened systematically, and it provably converges to the exact Bayesian posterior distributions. Using synthetic benchmarks, we show that SFABC matches the accuracy of standard simulation-based algorithms at a substantially reduced computational cost. We then showcase the applicability of SFABC to experimental systems biology by analyzing gene transcription bursting kinetics from snapshot, time-resolved, and cell-cycle-resolved single-cell data.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Approximate Bayesian computation, Bayesian network, Computer science, Computation, Inference, Bayesian inference

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange