《PLOS Computational Biology》：Efficiency, accuracy and robustness of probability generating function based parameter inference method for stochastic biochemical reactions
编辑推荐：
为了解决单细胞测序等现代实验中复杂噪声数据下的随机生化反应动力学参数推断难题，研究人员开发了一种基于概率生成函数（PGF）的高性能推断框架，成功实现了稳态和时间分辨数据的精准高效参数估计，并在复杂基因状态模型选择中展现出优越性能，为生物系统建模提供了强有力的计算工具。
在微观的生命世界里，每一个细胞内的分子反应都像是一场充满不确定性的“抽奖游戏”。从基因转录到蛋白质合成，这些看似规律的过程实则充满了随机波动——这种本质上的随机性被称为“生化反应的随机性”（stochastic biochemical reactions）。为了捕捉这种不确定性，科学家们常用化学主方程（Chemical Master Equation, CME）来描述分子数量的概率演化。然而，随着单细胞测序技术的飞速发展，我们能够获得海量的细胞分子计数数据，但如何通过这些离散的观测值反推反应的内在动力学参数（如转录速率、降解速率等），却成了系统生物学中的一大难题。
传统的方法各有各的“痛点”：基于最大似然估计（Maximum Likelihood Estimation, MLE）结合有限状态投影（Finite State Projection, FSP）的方法虽然准确，但随着物种数量增加，计算量呈指数级爆炸；矩量法（Method of Moments, MOM）速度虽快，但在高阶矩需求高或非一阶反应时精度堪忧；而近似贝叶斯计算（Approximate Bayesian Computation, ABC）结合随机模拟算法（Stochastic Simulation Algorithm, SSA）则因大量模拟需求导致计算成本高昂。面对这些瓶颈，一种基于概率生成函数（Probability Generating Function, PGF）的推断方法近年来崭露头角，但其效率、准确性以及在真实数据污染环境下的稳健性尚未得到系统评估。
在这项发表于《PLOS Computational Biology》的研究中，科研团队对PGF框架进行了系统性升级与验证。他们不仅将其扩展到了时间分辨数据场景，还创新性地提出了基于交叉验证的模型选择策略，并用详实的数值实验证明了该方法在效率、精度与抗干扰能力上的全面优势。
为了支撑这一研究，作者主要采用了概率生成函数（PGF）的理论推导与数值求解技术，结合高斯求积法进行积分近似，利用Nelder-Mead优化算法实现参数推断；同时借助随机模拟算法（SSA）生成合成数据作为基准，并整合了矩量法（MOM）、MLE+FSP及ABC等对比方法进行全面性能评估。在数据层面，研究依托仿真生成的稳态及时间分辨分子计数数据集（包含scRNA-seq风格的计数矩阵），并通过人为引入二项式下采样和异常值模拟实验噪声。
PGF-based inference method for steady-state count data
针对稳态计数数据，研究者建立了PGF推断的统一流程。首先定义系统的概率生成函数，将复杂的CME转化为更易处理的偏微分方程组。通过直接从计数数据计算经验PGF，并与模型解析PGF进行均方误差最小化，实现了动力学参数的稳定估计。关键的优化在于：通过高斯求积高效计算积分损失，并对数转换参数确保正值约束。有趣的是，通过对积分区间z∈[0,1]的细致扫描，他们发现z接近1的区域（如[0.9,1]）能更好捕捉分布尾部信息，显著提升推断精度。此外，无梯度的Nelder-Mead算法被证明比梯度下降更具稳定性，对初始化策略不敏感，为实际应用提供了可靠配置。
Performance evaluation
在性能评测环节，PGF方法展现出了压倒性优势。与ABC相比，其在保持相当精度的同时速度快500倍以上；与MOM和MLE+FSP的较量中，PGF在各类样本量下均保持最高准确率，计算效率仅次于最快的MOM，但内存占用远低于MLE+FSP。尤为引人注目的是其抗干扰能力：当数据遭遇模拟测序捕获效率低下的二项式下采样（binomial downsampling）时，PGF的精度下降幅度最小；而在模拟液滴实验双连体（doublets）导致的极端异常值污染中，采用完整积分区间[0,1]的PGF配置几乎不受影响，远胜于对异常值敏感的矩量法。
Extension to time-resolved count data
顺应smFISH、活细胞成像等技术带来的时间序列数据潮流，研究者巧妙地将PGF框架拓展至瞬态动力学场景。通过在多个时间点分别计算经验与理论PGF，并将时间维度纳入损失函数积分，实现了对动态过程的精准刻画。实验揭示了一个关键的实验设计权衡：在固定总细胞观测预算下，时间点数nt与每时间点细胞数nc存在最优配比（约nc=1000, nt=12时最佳）。此时PGF方法不仅在精度上持续领跑，更因无需反复求解常微分方程，在计算时间和内存消耗上比时间分辨的MOM节省一个数量级。
Model selection using PGF-based inference for time-resolved count data
最具突破性的进展在于模型选择能力的实现。针对传统稳态数据难以区分多基因状态模型的困境，研究者设计了基于10折交叉验证的筛选流程。通过比较不同模型在验证集上的PGF匹配得分，并结合“一倍标准差”规则（one-standard-error rule）和皮尔逊相关性阈值，成功在含噪数据中识别出真正的生成机制。以三态抑制模型（refractory model）为例，时间分辨数据驱动下的PGF框架正确选择了复杂的三态结构，而仅依赖稳态信息的旧方法则错误地指向了简化的两态电报模型（telegraph model），有力证明了时间动态信息对于揭示复杂调控网络不可或缺。
综合来看，这项工作不仅系统证实了PGF推断框架在速度、精度与鲁棒性上的三重优势，更通过扩展到时间分辨场景和模型选择，为复杂生物系统的逆向工程提供了强大工具。正如作者所展望的，随着PGF解析解覆盖范围的不断扩大（涵盖更多反应网络类型），以及多组学数据（如CITE-seq、scATAC-seq、MERFISH等）提供的多维计数信息，这种方法有望在细胞聚类、群体解卷积等下游任务中发挥更大价值。它架起了一座连接深奥的概率生成理论与前沿单细胞数据分析的桥梁，让我们离解码生命随机的奥秘又近了一步。
