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

Vietnamese

Khám phá các mạng dữ liệu phản ứng Stochastic đơn từ dữ liệu là trung tâm của sinh học tế bào duy nhất. Sự suy luận dựa trên mô phỏng đã phát triển thành một mô hình linh hoạt cho mục đích này, bỏ qua sự không khả thi tính toán của xác suất. Đặc biệt, tính toán Bayesian gần đúng thực hiện kết luận này bằng cách thực hiện các mô phỏng Gillespie rộng rãi, thường với chi phí tính toán cao. Ở đây, chúng tôi đề xuất một khuôn khổ tính toán Bayesian gần đúng (SFABC) không có mô phỏng mà tránh cả mô phỏng và các giải pháp xác suất rõ ràng của động lực mạng. Thay vào đó, SFABC khai thác phương trình hóa học Master Equation để xây dựng một mô phỏng tối ưu hóa xoắn với các hạn chế sau đây, sau đó được sử dụng để chấp nhận các thông số mẫu phù hợp với

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