論文の概要: Quantitative Analysis of Molecular Transport in the Extracellular Space
Using Physics-Informed Neural Network
- arxiv url: http://arxiv.org/abs/2401.12435v2
- Date: Wed, 24 Jan 2024 02:31:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-25 11:36:48.780025
- Title: Quantitative Analysis of Molecular Transport in the Extracellular Space
Using Physics-Informed Neural Network
- Title(参考訳): 物理インフォームドニューラルネットワークを用いた細胞外空間における分子輸送の定量的解析
- Authors: Jiayi Xie, Hongfeng Li, Jin Cheng, Qingrui Cai, Hanbo Tan, Lingyun Zu,
Xiaobo Qu, and Hongbin Han
- Abstract要約: 脳細胞外空間(ECS)は神経細胞の生存に不可欠である。
ECS内の分子輸送の特定の形態は、まだ解明されていない。
本稿では,物理インフォームドニューラルネットワーク(PINN)を用いてECS内の分子輸送を定量的に解析する手法を提案する。
- 参考スコア(独自算出の注目度): 7.702405710047464
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The brain extracellular space (ECS), an irregular, extremely tortuous
nanoscale space located between cells or between cells and blood vessels, is
crucial for nerve cell survival. It plays a pivotal role in high-level brain
functions such as memory, emotion, and sensation. However, the specific form of
molecular transport within the ECS remain elusive. To address this challenge,
this paper proposes a novel approach to quantitatively analyze the molecular
transport within the ECS by solving an inverse problem derived from the
advection-diffusion equation (ADE) using a physics-informed neural network
(PINN). PINN provides a streamlined solution to the ADE without the need for
intricate mathematical formulations or grid settings. Additionally, the
optimization of PINN facilitates the automatic computation of the diffusion
coefficient governing long-term molecule transport and the velocity of
molecules driven by advection. Consequently, the proposed method allows for the
quantitative analysis and identification of the specific pattern of molecular
transport within the ECS through the calculation of the Peclet number.
Experimental validation on two datasets of magnetic resonance images (MRIs)
captured at different time points showcases the effectiveness of the proposed
method. Notably, our simulations reveal identical molecular transport patterns
between datasets representing rats with tracer injected into the same brain
region. These findings highlight the potential of PINN as a promising tool for
comprehensively exploring molecular transport within the ECS.
- Abstract(参考訳): 脳外細胞間空間(ECS)は、細胞間、または細胞と血管の間に位置する不規則で非常に頑丈なナノスケール空間であり、神経細胞の生存に不可欠である。
記憶、感情、感覚などの高レベルの脳機能において重要な役割を果たす。
しかし、ECS内の分子輸送の特定の形態は依然として解明されていない。
そこで本研究では,物理インフォームドニューラルネットワーク(PINN)を用いて,吸着拡散方程式(ADE)から導かれる逆問題を解くことにより,ECS内の分子輸送を定量的に解析する手法を提案する。
PINNは複雑な数学的定式化やグリッド設定を必要とせずにADEに合理化されたソリューションを提供する。
さらに, pinnの最適化により, 長期分子輸送を規定する拡散係数と, 吸着によって駆動される分子の速度の自動計算が容易になる。
提案手法はペクレット数を計算することにより,ECS内の分子輸送の特異パターンを定量的に解析し,同定することができる。
磁気共鳴画像(mri)の2つのデータセットの異なる時点における実験的検証は,提案手法の有効性を示すものである。
特にシミュレーションでは、同じ脳領域にトレーサを注入したラットのデータセット間で同じ分子輸送パターンが示されている。
これらの知見は、ECS内の分子輸送を包括的に探索するための有望なツールとしてのPINNの可能性を示している。
関連論文リスト
- Molecule Design by Latent Space Energy-Based Modeling and Gradual
Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。
本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。
本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文 参考訳(メタデータ) (2023-06-09T03:04:21Z) - Physics-informed Neural Networks with Periodic Activation Functions for
Solute Transport in Heterogeneous Porous Media [0.0]
本研究では, 絶対輸送シミュレーションを高速化する深層学習に基づくメッシュフリー手法について検討する。
物理インフォームドニューラルネットワーク (PiNN) と周期活性化関数を用いて, 絶対輸送問題を解く。
以上の結果から, アクティベーション機能を有するPiNNは, タングアクティベーション機能と比較して最大2桁精度が高く, トレーニングの2倍高速であることがわかった。
論文 参考訳(メタデータ) (2022-12-17T21:58:53Z) - Sensing of magnetic field effects in radical-pair reactions using a
quantum sensor [50.591267188664666]
特定の化学反応における磁場効果(MFE)は、過去50年間によく確立されてきた。
我々は、局所的なスピン環境とセンサーとの結合を考慮して、ラジカル対の精巧で現実的なモデルを採用する。
2つのモデル系に対して、ラジカル対とNV量子センサの弱い結合状態においても検出可能なMFEの信号を導出する。
論文 参考訳(メタデータ) (2022-09-28T12:56:15Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳(メタデータ) (2022-09-05T16:38:13Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳(メタデータ) (2022-06-29T22:19:03Z) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳(メタデータ) (2022-06-06T06:17:11Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳(メタデータ) (2022-05-17T13:08:28Z) - A Score-based Geometric Model for Molecular Dynamics Simulations [33.158796937777886]
分子配座のログ密度の勾配を推定する新しいモデルScoreMDを提案する。
複数のアーキテクチャの改善により、MD17とC7O2H10の異性体において最先端のベースラインよりも優れています。
この研究は、新しい物質の加速と薬物発見に関する新たな洞察を提供する。
論文 参考訳(メタデータ) (2022-04-19T05:13:46Z) - A2I Transformer: Permutation-equivariant attention network for pairwise
and many-body interactions with minimal featurization [0.1469945565246172]
本研究では,粒子の座標から原子間エネルギーを直接予測するエンド・ツー・エンドモデルを提案する。
我々は,周期境界条件 (PBC) や$n$-body相互作用,バイナリ合成など,分子シミュレーション問題におけるいくつかの課題に対して実験を行った。
論文 参考訳(メタデータ) (2021-10-27T12:18:25Z) - Physics-informed neural networks for myocardial perfusion MRI
quantification [3.318100528966778]
本研究では, 心筋灌流MR定量化のための物理インフォームドニューラルネットワーク(PINN)を提案する。
PINNは、基礎となる物理保存法則を尊重しながら、観測された拡散MRデータに適合するように訓練することができる。
論文 参考訳(メタデータ) (2020-11-25T16:02:52Z) - Particles to Partial Differential Equations Parsimoniously [0.0]
粗粒の有効部分微分方程式は、予測や制御のような計算集約的なタスクにかなりの節約をもたらす可能性がある。
本稿では,ニューラルネットワークとマルチスケール計算を組み合わせる枠組みを,方程式自由数値の形で提案する。
素粒子シミュレーションから大まかな粒度進化方程式を抽出し, 未知のマクロスケール変数を用いた手法を提案する。
論文 参考訳(メタデータ) (2020-11-09T15:51:24Z)
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。