Loading...
An experiment-informed hierarchical Dirichlet process-hidden Markov model to analyze surface-immobilized smFRET data
Hidalgo Vargas, Jared N.
Hidalgo Vargas, Jared N.
Citations
Altmetric:
Abstract
Experiments using single-molecule Forster resonance energy transfer (smFRET) techniques have revolutionized the study of conformational states in biological molecules such as intrinsically disordered proteins. Analysis of smFRET data often relies on Hid- den Markov Models (HMMs), which require a predefined number of states, but that value is unknown in this context. Despite practitioners using model selection criteria to find that value in other problems, evidence suggests such methods incorrectly estimate the value in this context. This study addresses those limitations through a Hierarchi- cal Dirichlet Process-Hidden Markov Model (HDP-HMM) that distinguishes photon bursts from background noise while estimating the number of conformational states from a surface-immobilized smFRET experiment. This work also presents a Python program implementing the HDP-HMM and proposes an extension of the model for freely-diffusing smFRET experiments.
Los experimentos que utilizan técnicas de transferencia de energía de resonancia de Förster para moléculas individuales (smFRET) han transformado el análisis de estados conformacionales en moléculas biológicas, incluidas proteínas intrínsecamente desorde- nadas. Los datos obtenidos mediante experimentos de smFRET se analizan con modelos ocultos de Markov (HMM), que requieren predefinir el número de estados conforma- cionales, un parámetro desconocido en este contexto. Aunque se emplean herramientas estadísticas para elegir un modelo, la evidencia indica que estas aproximaciones sue- len estimar dicho parámetro incorrectamente. Este estudio propone un modelo oculto de Markov con proceso de Dirichlet jerárquico (HDP-HMM) para superar estas lim- itaciones. Este método distingue entre ráfagas de fotones y ruido de fondo, además de estimar automáticamente el número de estados conformacionales en experimentos de smFRET inmovilizados sobre superficie. Se propone un programa en Python que aplica el HDP-HMM y una extensión del modelo para analizar datos de experimentos de smFRET en difusión libre.
Los experimentos que utilizan técnicas de transferencia de energía de resonancia de Förster para moléculas individuales (smFRET) han transformado el análisis de estados conformacionales en moléculas biológicas, incluidas proteínas intrínsecamente desorde- nadas. Los datos obtenidos mediante experimentos de smFRET se analizan con modelos ocultos de Markov (HMM), que requieren predefinir el número de estados conforma- cionales, un parámetro desconocido en este contexto. Aunque se emplean herramientas estadísticas para elegir un modelo, la evidencia indica que estas aproximaciones sue- len estimar dicho parámetro incorrectamente. Este estudio propone un modelo oculto de Markov con proceso de Dirichlet jerárquico (HDP-HMM) para superar estas lim- itaciones. Este método distingue entre ráfagas de fotones y ruido de fondo, además de estimar automáticamente el número de estados conformacionales en experimentos de smFRET inmovilizados sobre superficie. Se propone un programa en Python que aplica el HDP-HMM y una extensión del modelo para analizar datos de experimentos de smFRET en difusión libre.
Description
Date
2024-12-12
Journal Title
Journal ISSN
Volume Title
Publisher
Collections
Files
Keywords
Statistics, Biology, HDP-HMM, Proteins, smFRET