逐次近似ベイズ計算を用いた、ノイズの多い測定値を持つ動的系の効率的な厳密推論

Efficient exact inference for dynamical systems with noisy measurements using sequential approximate Bayesian computation.

• Yannik Schälte
• Jan Hasenauer

抄録

動機:

近似ベイズ計算(ABC)は、複雑な確率モデルを解析できることから、システム生物学などの研究分野において、尤度のないパラメータ推論のための手法としてますます普及してきています。しかし、導入された近似誤差は明確ではないことが多い。ABCは測定ノイズモデルの暗黙の仮定の下で実際に厳密な推論を行うことが示されています。ノイズは生物学的システムでは一般的なものであり、この洞察を利用することは興味をそそられます。しかし、ABCは一般的に計算量が非常に多いため、実際には困難です。そこで、ここでは、ABCの測定ノイズをどのようにして効率的に考慮するかという疑問に答えたいと思います。

MOTIVATION: Approximate Bayesian computation (ABC) is an increasingly popular method for likelihood-free parameter inference in systems biology and other fields of research, as it allows analyzing complex stochastic models. However, the introduced approximation error is often not clear. It has been shown that ABC actually gives exact inference under the implicit assumption of a measurement noise model. Noise being common in biological systems, it is intriguing to exploit this insight. But this is difficult in practice, as ABC is in general highly computationally demanding. Thus, the question we want to answer here is how to efficiently account for measurement noise in ABC.

結果:

我々は、測定ノイズを無視した場合、ABCがどのようにして誤ったパラメータ推定値を生成するかを例示します。次に、測定ノイズを解析に正しく含める実用的な方法について議論する。我々は、様々なモデルタイプとノイズモデルに適用可能な効率的な適応的逐次重要度サンプリングに基づくアルゴリズムを提示する。我々は、通常および確率微分方程式、マルコフジャンプ過程、確率的に相互作用するエージェント、および正規雑音、ラプラス雑音、ポアソン雑音を含む雑音モデルを含むいくつかのモデルについて、それをテストし、比較する。その結果、提案されたアルゴリズムは、広範囲のアプリケーションにおけるパラメータ推定の精度を向上させることができると結論づけた。

RESULTS: We illustrate exemplarily how ABC yields erroneous parameter estimates when neglecting measurement noise. Then, we discuss practical ways of correctly including the measurement noise in the analysis. We present an efficient adaptive sequential importance sampling-based algorithm applicable to various model types and noise models. We test and compare it on several models, including ordinary and stochastic differential equations, Markov jump processes and stochastically interacting agents, and noise models including normal, Laplace and Poisson noise. We conclude that the proposed algorithm could improve the accuracy of parameter estimates for a broad spectrum of applications.

利用可能性と実装:

開発したアルゴリズムは、オープンソースのpythonツールボックスpyABC (https://github.com/icb-dcm/pyabc)の一部として公開されています。

AVAILABILITY AND IMPLEMENTATION: The developed algorithms are made publicly available as part of the open-source python toolbox pyABC (https://github.com/icb-dcm/pyabc).

補足情報:

補足データはBioinformatics onlineに掲載されています。

SUPPLEMENTARY INFORMATION: Supplementary data are available at Bioinformatics online.

© The Author(s) 2020. Published by Oxford University Press.