×
苏珊·皮埃施纳;Hasenauer，Jan哈森诺尔;福斯，克里斯蒂安

mRNA转染后翻译动力学模型的可识别性分析。 （英语） Zbl 1491.92070号

数学杂志。生物。 84，第7期，第56号论文，38页（2022年）.
概要：机械模型是深入了解生物过程的有力工具。此类模型的参数，例如动力学速率常数，通常无法直接测量，但需要从实验数据中推断。在本文中，我们研究了mRNA转染后翻译动力学的动力学模型，并分析了它们的参数可识别性。也就是说，参数是否可以从理论和实践中的完美或现实数据中唯一确定。以往的研究都考虑了过程的常微分方程（ODE）模型，这里我们建立了一个随机微分方程（SDE）模型。对于这两种模型类型，我们考虑了基于模型方程的结构可识别性和基于模拟和实验数据的实际可识别性，发现SDE模型比ODE模型具有更好的参数可识别性。此外，我们的分析表明，即使对于ODE模型中那些被认为是可识别的参数，所获得的估计有时也是不可靠的。总的来说，我们的研究清楚地证明了考虑不同建模方法的相关性，并且随机模型可以提供更可靠和更丰富的结果。

MSC公司：

92C45型 生化问题中的动力学（药代动力学、酶动力学等）
34C60个 常微分方程模型的定性研究与仿真
60华氏30 随机分析的应用（PDE等）

关键词：

微分方程模型;随机建模;扩散过程;化学朗之万方程;参数可识别性;mRNA转染

软件：

贝叶斯DA;rstan公司;雏菊;斯坦;RStan（RStan）
PDF格式BibTeX公司 XML格式引用
\textit{S.Pieschner}等人，J.Math。生物学84，第7期，第56号论文，38页（2022年；Zbl 1491.92070）
全文： 内政部
OA许可证

参考文献：

[1] Ballnus，B。；Hug，S。；哈茨，K。；Görlitz，L。；Hasenauer，J。；Theis，FJ，动态系统马尔可夫链蒙特卡罗方法的综合基准测试，BMC系统生物学，11，63，63（2017）·doi:10.1186/s12918-017-0433-1
[2] 贝鲁，G。；萨科马尼，议员；奥多利，S。；D'Angió，L.，DAISY：测试生物和生理系统全局可识别性的新软件工具，《计算方法程序生物识别》，88，1，52-61（2007）·doi:10.1016/j.cmpb.2007.07.002
[3] 波拉，P。；Deb，PK；Al-Shar'i，北美；洛杉矶达哈比耶；Venugopala，KN；辛格，V。；Shinu，P。；侯赛因，S。；德卡，S。；Chandrasekaran，B。；Jaradat，DMM，《新冠肺炎RNA疫苗候选品展望》，Front Mol Biosci，8，30（2021）
[4] 布朗宁，AP；DJ Warne；Burrage，K。；贝克，RE；Simpson，MJ，系统生物学中随机微分方程模型的可识别性分析，皇家社会界面杂志，17，173，20200652（2020）·doi:10.1098/rsif.2020.0652
[5] 卡彭特，B。；Gelman，A。；霍夫曼，M。；Lee，D。；古德里奇，B。；贝当古，M。；布鲁贝克，M。；郭杰。；李，P。；Riddell，A.，Stan:概率编程语言，J Stat Softw Articles，76，1，1-32（2017）
[6] DeFrancesco，L.，新冠肺炎疫苗在哪里？，《国家生物技术》，38，10，1132-1145（2020）·doi:10.1038/s41587-020-0697-7
[7] 埃洛维茨，MB；AJ莱文；西贾，ED；Swain，PS，单细胞中的随机基因表达，《科学》，29755841183-1186（2002）·doi:10.1126/science.1070919
[8] Finkenstädt，B。；苍鹭，EA；科莫罗夫斯基，M。；爱德华兹，K。；唐，S。；哈珀，CV；戴维斯，JRE；白色，MRH；AJ Millar；Rand，DA，使用微分方程从基因报告数据重建转录动力学，生物信息学，24，24，2901-2907（2008）·doi:10.1093/bioinformatics/btn562
[9] 弗雷德里克（Fröhlich，F.）。；Reiser，A。；芬克，L。；Woschée，D。；利贡，T。；泰斯，FJ；雷德勒，JO；Hasenauer，J.，转染后单细胞翻译动力学的多实验非线性混合效应建模，NPJ系统生物应用，4，1，42（2018）·doi:10.1038/s41540-018-0079-7
[10] Fuchs，C.，《扩散过程推断》（2013），柏林-海德堡：施普林格，柏林-海德堡·Zbl 1276.62051号 ·doi:10.1007/978-3-642-25969-2
[11] Gelman，A。；卡林，JB；斯特恩，HS；邓森，DB；Vehtari，A。；Rubin，DB，贝叶斯数据分析（2013），博卡拉顿：查普曼和霍尔/CRC，博卡拉通·doi:10.1201/b16018
[12] Gillespie，DT，《数值模拟耦合化学反应随机时间演化的通用方法》，《计算物理杂志》，22，4，403-434（1976）·doi:10.1016/0021-9991（76）90041-3
[13] Gillespie，DT，耦合化学反应的精确随机模拟，《物理化学杂志》，81，25，2340-2361（1977）·doi:10.1021/j100540a008
[14] Gillespie，DT，化学主方程的严格推导，Phys A Stat Mech Appl，188，1404-425（1992）·doi:10.1016/0378-4371（92）90283-V
[15] Gillespie，DT，化学Langevin方程，化学物理杂志，113，1，297-306（2000）·doi:10.1063/1.481811
[16] Golightly，A。；Wilkinson，DJ，使用粒子马尔可夫链蒙特卡罗对随机生化网络模型进行贝叶斯参数推断，界面焦点，1，6，807-820（2011）·doi:10.1098/rsfs.2011.0047
[17] 苍鹭，EA；Finkenstädt，B。；动态转录调控的Rand，DA，Bayesian推断；Hes1系统作为案例研究，生物信息学，23，19，2596-2603（2007）·doi:10.1093/bioinformatics/btm367
[18] Higham，DJ，化学反应建模与模拟，SIAM Rev，50，2，347-368（2008）·Zbl 1144.80011号 ·数字对象标识代码：10.1137/060666457
[19] 科莫罗夫斯基，M。；Finkenstädt，B。；哈珀，CV；Rand，DA，使用线性噪声近似对生化动力学参数进行贝叶斯推断，BMC Bioinform，10，1，343（2009）·doi:10.1186/1471-2105-10-343
[20] Kurtz，TG，化学反应的随机模型和确定性模型之间的关系，化学物理杂志，57，7，2976-2978（1972）·数字对象标识代码：10.1063/1.1678692
[21] Lee，PM，《贝叶斯统计：简介》（2012），霍博肯：威利出版社，霍博克·兹比尔1258.62028
[22] Leonhardt，C。；施瓦克，G。；斯特巴厄，TR；拉普尔，S。；库尔，J-T；利贡，TS；Rädler，JO，《单细胞mRNA转染研究：递送、动力学和数字统计》，《纳米医学》，10，4，679-688（2014）·doi:10.1016/j.nano.2013.11.008
[23] 利贡，TS；Leonhardt，C。；Rädler，JO，通过脂蛋白转染实现mRNA递送的多水平动力学模型，PLoS One，9，9（2014）·doi:10.1371/journal.pone.0107148
[24] Munsky，B。；Trinh，B。；Khammash，M.，《倾听噪音：随机波动揭示基因网络参数》，《分子系统生物学》，5318（2009）·doi:10.1038/msb.2009.75
[25] 拉杰，A。；van Oudenaarden，A.，《自然、后天或机遇：随机基因表达及其后果》，《细胞》，135，2，216-226（2008）·doi:10.1016/j.cell.2008.09.050
[26] Raue，A。；Kreutz，C。；Maiwald，T。；巴赫曼，J。；席林，M。；Klingmüller，美国。；Timmer，J.，《利用剖面可能性对部分观测到的动力学模型进行结构和实际可识别性分析》，生物信息学，25,151923-1929（2009）·doi:10.1093/bioinformatics/btp358
[27] Reiser，A。；Woschée，D。；梅赫罗特拉，N。；Krzyszto nn，R。；斯特雷，HH；Rädler，JO，脂质转染中mRNA递送时间和蛋白质表达的相关性，Integr Biol，11，9，362-371（2019）·doi:10.1093/intbio/zyz030
[28] 萨欣，美国。；Karikó，K。；蒂格雷。，基于mRNA的治疗——开发一类新药物，Nat Rev Drug Discov，13，10，759-780（2014）·doi:10.1038/nrd4278
[29] 施诺尔，D。；Sanguinetti，G。；Grima，R.，《随机生物化学动力学的近似和推理方法——教程综述》，《物理与数学学报》，50，9，093001（2017）·Zbl 1360.92051号 ·doi:10.1088/1751-8121/aa54d9
[30] 斯坦发展团队（2019年）。RStan：与Stan的R接口。R软件包版本2.19.1，网址：http://mc-stan.org/
[31] DJ Warne；贝克，RE；Simpson，MJ，《随机生化反应网络的模拟和推理算法：从基本概念到最新技术》，《皇家社会接口杂志》，第16期，第151期，第20180943页（2019年）·doi:10.1098/rsif.2018.0943
[32] Wiqvist，S。；Golightly，A。；AT麦克莱恩；Picchini，U.，使用相关粒子伪边缘算法的随机微分方程混合效应模型的有效推理，Comput Stat Data Anal，157107151（2021）·兹比尔1510.62079 ·doi:10.1016/j.csda.2020.107151
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。