Bayesian Emulation and Calibration of a Stochastic Computer Model of Mitochondrial DNA Deletions in Substantia Nigra Neurons
黑质神经元线粒体DNA缺失随机计算模型的贝叶斯仿真代理与校准AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要涉及生物计算模型的贝叶斯代理与校准，没有直接对应所列计量领域细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
黑质神经元线粒体DNA缺失随机计算模型的贝叶斯仿真代理与校准
- 研究问题
- 线粒体DNA缺失积累的随机生物模型难以解析且模拟缓慢时，如何利用实验数据估计参数并检验其对神经元存活的描述？
- 方法与思路
- 作者用参数平滑变化的简单统计模型近似随机模拟器，对未知参数函数设置高斯过程先验，并简化贝叶斯模型以降低计算负担。
- 材料陈述的贡献
- 摘要称通过预测模拟验证代理模型，并在独立的黑质神经元存活数据上检验拟合模型，提供随机生物模型的校准方案。
- 阅读关注点
- 应核对代理模型近似误差、参数校准的可识别性、计算简化的影响，以及独立验证数据与训练数据的关系。
- 阅读边界
- 仅据版本未注明的索引摘要，不能确认DNA缺失导致神经元损失的机制；摘要未说明验证指标、误差大小或先验敏感性。
原文摘要
This article considers the problem of parameter estimation for a stochastic biological model of mitochondrial DNA population dynamics using experimental data on deletion mutation accumulation. The stochastic model is an attempt to describe the hypothesized link between deletion accumulation and neuronal loss in the substantia nigra region of the human brain. Inference for the parameters of the model is complicated by the fact that the model is both analytically intractable and slow to sample from. We show how the stochastic model can be approximated using a simple parametric statistical model with smoothly varying parameters. These parameters are treated as unknown functions and modeled using Gaussian process priors. Several simplifications of our Bayesian model are implemented to ease the computational burden. Throughout the article, we validate our models using predictive simulations. We demonstrate the validity of our fitted model on an independent dataset of substantia nigra neuron survival.