論文の概要: Reducing complexity and unidentifiability when modelling human atrial cells

• arxiv url: http://arxiv.org/abs/2001.10954v1
• Date: Wed, 29 Jan 2020 16:57:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 21:28:46.492748
• Title: Reducing complexity and unidentifiability when modelling human atrial cells
• Title（参考訳）: ヒト心房細胞のモデリングにおける複雑さと同定不能の低減
• Authors: C. Houston, B. Marchand, L. Engelbert, C. D. Cantwell
• Abstract要約: パラメータ推定に隠された不確実性は, 校正から実験データへの理解が不可欠である。 本研究では、ベイズ近似計算を用いて、既存の2つのヒト心房細胞モデルにおける4つのイオンチャネルのゲーティング速度を補正する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mathematical models of a cellular action potential in cardiac modelling have become increasingly complex, particularly in gating kinetics which control the opening and closing of individual ion channel currents. As cardiac models advance towards use in personalised medicine to inform clinical decision-making, it is critical to understand the uncertainty hidden in parameter estimates from their calibration to experimental data. This study applies approximate Bayesian computation to re-calibrate the gating kinetics of four ion channels in two existing human atrial cell models to their original datasets, providing a measure of uncertainty and indication of potential issues with selecting a single unique value given the available experimental data. Two approaches are investigated to reduce the uncertainty present: re-calibrating the models to a more complete dataset and using a less complex formulation with fewer parameters to constrain. The re-calibrated models are inserted back into the full cell model to study the overall effect on the action potential. The use of more complete datasets does not eliminate uncertainty present in parameter estimates. The less complex model, particularly for the fast sodium current, gave a better fit to experimental data alongside lower parameter uncertainty and improved computational speed.
• Abstract（参考訳）: 心臓モデルにおける細胞活動電位の数学的モデルは、特に個々のイオンチャネル電流の開閉を制御するゲーティング運動学においてますます複雑になっている。 心臓モデルが臨床診断に使用されるようになるにつれて, パラメータ推定値に隠された不確かさを, 校正から実験データに理解することが重要である。 本研究では,2つの既存ヒト心房細胞モデルにおける4つのイオンチャネルのゲーティング速度を近似したベイズ近似計算を適用し,実験データから1つのユニークな値を選択することで,不確実性の指標と潜在的な問題を示す。 モデルをより完全なデータセットに再分類し、制約の少ないより複雑な定式化を使用することで、不確実性を減らすために2つのアプローチが研究されている。 再調整されたモデルは全細胞モデルに挿入され、全体の活動電位への影響を調べる。 より完全なデータセットの使用は、パラメータ推定に存在する不確実性を排除するものではない。 より複雑なモデル、特に高速ナトリウム電流は、低いパラメータの不確実性と計算速度の改善とともに実験データに適合した。

関連論文リスト

• Achieving Well-Informed Decision-Making in Drug Discovery: A Comprehensive Calibration Study using Neural Network-Based Structure-Activity Models [4.619907534483781]
  薬物と標的の相互作用を予測する計算モデルは、新しい治療薬の開発を加速するための貴重なツールである。 しかし、そのようなモデルはキャリブレーションが不十分であり、信頼性の低い不確実性推定をもたらす。 本研究では,ポストホックキャリブレーション法と不確実な定量化手法を組み合わせることで,モデルの精度とキャリブレーションを向上できることを示す。
  論文  参考訳（メタデータ） (2024-07-19T10:29:00Z)
• Estimating Epistemic and Aleatoric Uncertainty with a Single Model [5.871583927216653]
  我々は,ハイパー拡散モデル(HyperDM)の新しいアプローチを提案する。 HyperDMは、予測精度を、場合によってはマルチモデルアンサンブルに匹敵する。 我々は,X線CTと気象温度予測の2つの異なる実世界の課題に対して,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-02-05T19:39:52Z)
• Handling Overlapping Asymmetric Datasets -- A Twice Penalized P-Spline Approach [0.40964539027092917]
  本研究の目的は,特定の応答に対してより小さなコホートをモデル化できる新しい手法を開発することである。 線形B-SplineとP-Spline近似の2倍のペナル化手法により、線形B-SplineとP-Spline近似との適合性が向上することがわかった。 非アルコール性脂肪肝炎の発症リスクに関する実生活データセットに適用すると、モデル適合性は65%以上向上する。
  論文  参考訳（メタデータ） (2023-11-17T12:41:07Z)
• Exploring hyperelastic material model discovery for human brain cortex: multivariate analysis vs. artificial neural network approaches [10.003764827561238]
  本研究の目的は、ヒト脳組織において最も好ましい物質モデルを特定することである。 我々は、広く受け入れられている古典モデルの一般化に、人工ニューラルネットワークと多重回帰法を適用した。
  論文  参考訳（メタデータ） (2023-10-16T18:49:59Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• A Hamiltonian Monte Carlo Model for Imputation and Augmentation of Healthcare Data [0.6719751155411076]
  変数や質問のデータが収集されないか利用できないため、ほとんどすべての臨床研究に不足する値が存在します。 既存のモデルは通常、プライバシの懸念を考慮せず、複数の機能にまたがる固有の相関を利用していない。 本研究では, 欠落値のインプットと高次元医療データへの付加的サンプル生成に対するベイズ的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-03-03T11:57:42Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• An Investigation of Why Overparameterization Exacerbates Spurious Correlations [98.3066727301239]
  この動作を駆動するトレーニングデータの2つの重要な特性を特定します。 モデルの"記憶"に対する帰納的バイアスが,パラメータ化の超過を損なう可能性を示す。
  論文  参考訳（メタデータ） (2020-05-09T01:59:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。