論文の概要: Learning Surrogate Equations for the Analysis of an Agent-Based Cancer Model
- arxiv url: http://arxiv.org/abs/2503.01718v1
- Date: Mon, 03 Mar 2025 16:33:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-05 19:14:11.802269
- Title: Learning Surrogate Equations for the Analysis of an Agent-Based Cancer Model
- Title（参考訳）: エージェントベース癌モデル解析のための代理方程式の学習
- Authors: Kevin Burrage, Pamela Burrage, Justin N. Kreikemeyer, Adelinde M. Uhrmacher, Hasitha N. Weerasinghe,
- Abstract要約: がん細胞と免疫細胞との競合を調べるために、6つの異なるシナリオを実行しました。
次に、結合方程式学習を用いて、各シナリオに対する集団ベースの反応モデルを構築する。
- 参考スコア（独自算出の注目度）: 0.31457219084519
- License:
- Abstract: In this paper, we adapt a two species agent-based cancer model that describes the interaction between cancer cells and healthy cells on a uniform grid to include the interaction with a third species -- namely immune cells. We run six different scenarios to explore the competition between cancer and immune cells and the initial concentration of the immune cells on cancer dynamics. We then use coupled equation learning to construct a population-based reaction model for each scenario. We show how they can be unified into a single surrogate population-based reaction model, whose underlying three coupled ordinary differential equations are much easier to analyse than the original agent-based model. As an example, by finding the single steady state of the cancer concentration, we are able to find a linear relationship between this concentration and the initial concentration of the immune cells. This then enables us to estimate suitable values for the competition and initial concentration to reduce the cancer substantially without performing additional complex and expensive simulations from an agent-based stochastic model. The work shows the importance of performing equation learning from agent-based stochastic data for gaining key insights about the behaviour of complex cellular dynamics.
- Abstract（参考訳）: 本稿では,がん細胞と健全な細胞との相互作用を均一な格子上に記述し,第3種,すなわち免疫細胞との相互作用を含む2種類のがんモデルを適用する。
がん細胞と免疫細胞との競合と、がんの動態に対する免疫細胞の初期濃度を調べるために、6つの異なるシナリオを実行します。
次に、結合方程式学習を用いて、各シナリオに対する集団ベースの反応モデルを構築する。
そこで本研究では, 従来のエージェントモデルよりも, 3つの結合常微分方程式を解析し易い単一代理集団に基づく反応モデルに統一する方法について述べる。
例えば、がん濃度の1つの定常状態を見つけることで、この濃度と免疫細胞の初期濃度との線形関係を見出すことができる。
これにより, エージェントベース確率モデルから, 複雑で高価なシミュレーションを行うことなく, 競合と初期濃度の適切な値を推定し, がんを著しく低減することができる。
この研究は、複雑な細胞力学の振る舞いに関する重要な洞察を得るために、エージェントベースの確率データから方程式学習を実行することの重要性を示す。
関連論文リスト
- MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。
セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文 参考訳（メタデータ） (2024-06-12T15:22:56Z) - Integrating GNN and Neural ODEs for Estimating Non-Reciprocal Two-Body Interactions in Mixed-Species Collective Motion [0.0]
本稿では,観測軌道から基礎となる運動方程式を推定するための新しいディープラーニングフレームワークを提案する。
本フレームワークは,グラフニューラルネットワークとニューラルディファレンシャル方程式を統合し,二体相互作用の効果的な予測を可能にする。
論文 参考訳（メタデータ） (2024-05-26T09:47:17Z) - Correlational Lagrangian Schr\"odinger Bridge: Learning Dynamics with
Population-Level Regularization [27.855576268065857]
相関型Lagrangian Schr"odinger Bridge (CLSB) と呼ばれる新しいフレームワークを紹介する。
CLSBは、最小人口の「コスト」のために正規化しながら、クロステキスト観察における進化の「ブリッジング」を求める
本研究の貢献は,(1)多変量関係における時間的変動を捉えた新しい集団正規化器群,(3)遺伝的共発現安定性に基づく3つのドメインインフォームドインスタンス化である。
論文 参考訳（メタデータ） (2024-02-04T19:33:44Z) - Mixed Models with Multiple Instance Learning [51.440557223100164]
一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。
実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
論文 参考訳（メタデータ） (2023-11-04T16:42:42Z) - Less is More: Mitigate Spurious Correlations for Open-Domain Dialogue
Response Generation Models by Causal Discovery [52.95935278819512]
本研究で得られたCGDIALOGコーパスに基づくオープンドメイン応答生成モデルのスプリアス相関に関する最初の研究を行った。
因果探索アルゴリズムに着想を得て,反応生成モデルの学習と推論のための新しいモデル非依存手法を提案する。
論文 参考訳（メタデータ） (2023-03-02T06:33:48Z) - Learning Anisotropic Interaction Rules from Individual Trajectories in a
Heterogeneous Cellular Population [0.0]
細胞群集の運動をモデル化するための第2次IPSのためのWSINDyを開発する。
本手法は,異種細胞集団の動態を規定する相互作用規則を学習する。
本研究では, 一般的な細胞移動実験を動機とした, いくつかのテストシナリオにおいて, 提案手法の有効性と性能を実証する。
論文 参考訳（メタデータ） (2022-04-29T15:00:21Z) - Multi-scale simulation of COVID-19 epidemics [0.0]
新型コロナウイルスの感染拡大が始まってから1年以上が経過している。
今後数週間にわたって広がる未来と、潜在的な政治的介入の影響を正確に予測することは難しい」と述べた。
現在の流行モデルは主に2つのアプローチに該当する: 分割モデル、人口を疫学クラスに分け、微分方程式の数学的解決に依存する。
論文 参考訳（メタデータ） (2021-12-02T12:34:11Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z) - Distinguishing Cell Phenotype Using Cell Epigenotype [0.0]
顕微鏡観察とマクロな振る舞いの関係は、生体物理学システムにおける根本的なオープンな問題である。
既存の手法とは対照的に,ヒトの組織多様性と利用可能なデータの制限を考慮に入れた場合でも,マクロ分子データから細胞型を予測する統一的なアプローチを開発する。
論文 参考訳（メタデータ） (2020-03-20T18:00:07Z)
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。