- 3 次围观
从单细胞计数数据中选择随机基因表达模型，需要在拟合优度与不必要的机制复杂性之间取得平衡。基于概率生成函数的贝叶斯信息准则（PGF-BIC）将生成函数空间中的协方差加权拟合与复杂度惩罚相结合，从而无需重构完整的计数分布即可比较候选模型。然而，其传统的零阈值判定规则未考虑拟合得分差异中的抽样不确定性，因此在有限样本下可能偏向过于复杂的模型。为解决这一局限，我们提出一种具有不确定性感知能力的 PGF-BIC 规则，仅当复杂模型的得分优势超过数据驱动的阈值时，才选择该模型。我们利用 Cantelli 单侧不等式，提出以标准差表示的选择裕度。为确定这一尺度，我们采用影响函数量化数据分布中微小扰动所造成的敏感性，并获得对抽样波动的一阶刻画。所得方差估计同时考虑经验概率生成函数和估计协方差权重的变异性，从而得到一个数据驱动的阈值，用于评估复杂模型的得分优势。泊松模型与爆发式模型的基准比较表明，经校准的规则能够减少错误选择复杂模型的情况。该校准既不需要重抽样，也不需要额外优化，在保留 PGF-BIC 计算效率的同时，将抽样不确定性纳入模型选择过程。
具有不确定性感知能力的模型选择：基于校准的概率生成函数贝叶斯信息准则
跳转至主要内容
首页
关于
投稿
提醒 / RSS
搜索此关键词
高级搜索
最新结果
具有不确定性感知能力的模型选择：基于校准的概率生成函数贝叶斯信息准则
查看 ORCID 个人资料
Yiling Wang，
查看 ORCID 个人资料
Zhanpeng Shu，
查看 ORCID 个人资料
Furong Gao，
查看 ORCID 个人资料
Zhixing Cao
doi：
https://doi.org/10.64898/2026.09.11.750968
Yiling Wang 1 华东理工大学；
在 Google Scholar 中查找该作者
在 PubMed 中查找该作者
在本网站搜索该作者
Yiling Wang 的 ORCID 记录
Zhanpeng Shu 2 香港科技大学；
在 Google Scholar 中查找该作者
在 PubMed 中查找该作者
在本网站搜索该作者
Zhanpeng Shu 的 ORCID 记录
Furong Gao 2 香港科技大学；
在 Google Scholar 中查找该作者
在 PubMed 中查找该作者
在本网站搜索该作者
Furong Gao 的 ORCID 记录
Zhixing Cao 3 女王大学
在 Google Scholar 中查找该作者
在 PubMed 中查找该作者
在本网站搜索该作者
Zhixing Cao 的 ORCID 记录
通讯作者：
z.cao{at}queensu.ca
摘要
信息/历史
指标
补充材料
预览 PDF
摘要
从单细胞计数数据中选择随机基因表达模型，需要在拟合优度与不必要的机制复杂性之间取得平衡。基于概率生成函数的贝叶斯信息准则（PGF-BIC）将生成函数空间中的协方差加权拟合与复杂度惩罚相结合，使候选模型能够在无需重构其完整计数分布的情况下进行比较。然而，其传统的零阈值规则没有考虑拟合得分差异中的抽样不确定性，因此在有限样本条件下可能偏向于过度复杂的模型。为解决这一局限性，我们提出一种具有不确定性感知能力的 PGF-BIC 规则，仅当复杂模型的得分优势超过数据驱动的阈值时，才选择复杂模型。我们利用 Cantelli 单侧不等式，提出以标准差表示的选择裕度。为确定这一尺度，我们使用影响函数量化数据分布中微小扰动的敏感性，并获得对抽样波动的一阶描述。所得方差估计同时考虑了经验概率生成函数和估计协方差权重的变异性，从而得到一个数据驱动的阈值，用于评估复杂模型的得分优势。Poisson 模型与 Bursty 模型的基准比较表明，经校准的规则能够减少错误选择复杂模型的情况。该校准既不需要重采样，也不需要额外优化；它在保留 PGF-BIC 计算效率的同时，将抽样不确定性纳入模型选择过程。
利益冲突声明
版权
本预印本的。
本文依据 CC-BY 4.0 国际许可协议提供。
返回顶部
上一篇
下一篇
发布于 2026 年 9 月 16 日。
下载 PDF
补充材料
电子邮件
感谢您有兴趣传播 bioRxiv 上的内容。
您的电子邮件地址
*
您的姓名
*
发送至
*
请输入多个地址，每行一个，或使用逗号分隔。
您将要发送的文章如下：
具有不确定性感知能力的模型选择：基于校准的概率生成函数贝叶斯信息准则
邮件主题
（您的姓名）已从 bioRxiv 网站转发一个页面给您
邮件正文
（您的姓名）认为您可能会对 bioRxiv 网站上的这一页面感兴趣。
您的个人留言
验证码
此问题用于测试您是否为人类访客，并防止自动垃圾邮件。
分享
具有不确定性感知能力的模型选择：基于校准的概率生成函数贝叶斯信息准则
Yiling Wang，
Zhanpeng Shu，
Furong Gao，
Zhixing Cao
bioRxiv
2026.09.11.750968；
doi：
https://doi.org/10.64898/2026.09.11.750968
分享本文：
复制
引用工具
具有不确定性感知能力的模型选择：基于校准的概率生成函数贝叶斯信息准则
Yiling Wang，
Zhanpeng Shu，
Furong Gao，
Zhixing Cao
bioRxiv
2026.09.11.750968；
doi：
https://doi.org/10.64898/2026.09.11.750968
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.11.750968v1?rss=1
🏷️ 单细胞计数数据 随机基因表达模型 概率生成函数 贝叶斯信息准则 不确定性量化 影响函数