Die Verwendung des Kalman-Filters zur Analyse von Schaltkinetiken für Ionenkanäle
Bayesianische Inferenz von Hidden-Markov Prozessen
Ionenkanaldaten sind ein exemplarisches Beispiel für ein stochastischen Prozess, der beschrieben wird, durch die chemische Mastergleichung (CME). Grundlegend für die Beschreibung durch die CME ist, dass die Dynamik von Ionenkanälen Markov-Modellen genügt. Das sind diskrete Zustandsmodelle eines kontinuierlichen Konformationssprozesses. Die diskreten Zustände grenzen die makroskopischen chemischen Eigenschaften des Proteins zum jeweiligen Zeitpunkt voneinander ab. Auf den durch die Daten aufgelösten Zeitskalen symbolisieren sie metastabile Zustände, die ein Ionenkanal oder Rezeptor annehmen kann. Die Übergangsraten des Markovmodels bestimmen den Wechsel zwischen den Zuständen und damit deren Wahrscheinlichkeitsverteilungen.
Wir generalisieren einen Kalman Filter mit einem allgemeineren Modell des experimentellen Signales um die Bayesianische Posteriorverteilung der Parameter zu bestimmen. Er basiert auf einer Fokker-Planck-Näherung der CME, die die unbekannten Parameter vom Markov-Modell von makroskopischen Ionenkanaldaten bestimmt. Wir konnte die Überlegenheit unserer Software gegenüber klassischen Ratengleichungsansätzen demonstrieren (Münch 2022). Aus den Markov-Modellen lassen sich die grundlegenden chemischen und Biologischen Eigenschaften des Proteins, Offenwahrscheinlichkeit als Funktion der vorhanden physikalischen chemischen Umgebung und seine Freienergie, ableiten.
Derzeit werden darauf aufbauend Modellselektionskriterien, minimal-informative Priorverteilungen und Parameter -identifizierbarkeit untersucht. Insbesondere die Parameter-unidentifizierbarkeiten machen sowohl der Bayesianischen Schätzung als dem frequentitischen Likelihoodansatz zu schaffen. Hier können die überlegenden bayesianischen Möglichkeiten der Informationsfusion gewinnbringend in die Parameterbestimmung eingebracht werden.
Themenbezogene Publikationen
Münch, J.L., Paul, F., Schmauder, R., and Benndorf, K. (2022)
Bayesian inference of kinetic schemes for ion channels by Kalman filtering
eLife 11, e62714