論文の概要: Generative diffusion model surrogates for mechanistic agent-based biological models

• arxiv url: http://arxiv.org/abs/2505.09630v2
• Date: Wed, 18 Jun 2025 04:13:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 16:34:05.407548
• Title: Generative diffusion model surrogates for mechanistic agent-based biological models
• Title（参考訳）: 機械的エージェントに基づく生体モデルのための生成拡散モデルサロゲート
• Authors: Tien Comlekoglu, J. Quetzalcoatl Toledo-Marín, Douglas W. DeSimone, Shayn M. Peirce, Geoffrey Fox, James A. Glazier,
• Abstract要約: CPM(Cellular-Potts Model)は、CPMを開発・尋問する強力なフレームワークである。 サロゲートモデルは複雑な生物学的システムのCPMを加速的に評価することができる。 我々は、in vitroで血管新生を調べるために使用されるCPMのAI代理分類器を訓練する。 我々の研究は、生体システムのデジタル双対を開発するためのDDPMの実装に向けた一歩である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Mechanistic, multicellular, agent-based models are commonly used to investigate tissue, organ, and organism-scale biology at single-cell resolution. The Cellular-Potts Model (CPM) is a powerful and popular framework for developing and interrogating these models. CPMs become computationally expensive at large space- and time- scales making application and investigation of developed models difficult. Surrogate models may allow for the accelerated evaluation of CPMs of complex biological systems. However, the stochastic nature of these models means each set of parameters may give rise to different model configurations, complicating surrogate model development. In this work, we leverage denoising diffusion probabilistic models to train a generative AI surrogate of a CPM used to investigate in vitro vasculogenesis. We describe the use of an image classifier to learn the characteristics that define unique areas of a 2-dimensional parameter space. We then apply this classifier to aid in surrogate model selection and verification. Our CPM model surrogate generates model configurations 20,000 timesteps ahead of a reference configuration and demonstrates approximately a 22x reduction in computational time as compared to native code execution. Our work represents a step towards the implementation of DDPMs to develop digital twins of stochastic biological systems.
• Abstract（参考訳）: 機械的、多細胞的、エージェントベースのモデルは通常、単一細胞の分解能で組織、臓器、生物スケールの生物学を研究するために用いられる。 CPM(Cellular-Potts Model)は、これらのモデルを開発・尋問するための強力なフレームワークである。 CPMは、大規模な空間および時間スケールで計算コストが高くなり、開発モデルの適用と調査が困難になる。 サロゲートモデルは複雑な生物学的システムのCPMを加速的に評価することができる。 しかし、これらのモデルの確率的性質は、それぞれのパラメータセットが異なるモデル構成を生じさせ、代理モデルの開発を複雑にすることを意味する。 本研究では,生体内血管新生の研究に使用されるCPMの生成的AIサロゲートをトレーニングするために,デノナイズ拡散確率モデルを活用する。 画像分類器を用いて2次元パラメータ空間のユニークな領域を定義する特徴を学習する。 次に、モデル選択と検証を支援するためにこの分類器を適用する。 我々のCPMモデルシュロゲートは、参照構成より2万タイムステップ先にモデル構成を生成し、ネイティブコード実行と比較して約22倍の計算時間を短縮することを示す。 我々の研究は、確率生物学系のデジタル双対を開発するためのDDPMの実装に向けた一歩である。

関連論文リスト

• Surrogate modeling of Cellular-Potts Agent-Based Models as a segmentation task using the U-Net neural network architecture [0.0]
  U-Netアーキテクチャを用いた畳み込みニューラルネットワーク(CNN)サロゲートモデルを開発した。 このモデルを用いて,機械的セル・ポッツモデルの評価を高速化する。
  論文  参考訳（メタデータ） (2025-05-01T05:30:38Z)
• Generative Modeling of Molecular Dynamics Trajectories [12.255021091552441]
  データからMDの柔軟なマルチタスクサロゲートモデルを学ぶためのパラダイムとして,分子軌道の生成モデルを提案する。 このような生成モデルは,前方シミュレーションや遷移経路サンプリング,軌道上アップサンプリングといった多様なタスクに適応可能であることを示す。
  論文  参考訳（メタデータ） (2024-09-26T13:02:28Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• Seq2Seq Surrogates of Epidemic Models to Facilitate Bayesian Inference [0.6524460254566905]
  深部シーケンス・ツー・シークエンス(seq2seq)モデルは,複雑な流行モデルに対する正確なサロゲートとして機能することを示す。 トレーニングが完了すると、サロゲートはオリジナルのモデルよりも数千倍高速なシナリオを予測できます。
  論文  参考訳（メタデータ） (2022-09-20T11:23:19Z)
• A Survey on Generative Diffusion Model [75.93774014861978]
  拡散モデルは、深層生成モデルの新たなクラスである。 時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。 本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
  論文  参考訳（メタデータ） (2022-09-06T16:56:21Z)
• Emerging Patterns in the Continuum Representation of Protein-Lipid Fingerprints [12.219106300827798]
  分子動力学モデルから1次元統計を用いた連続体モデルの性能評価を行った。 本研究では,連続体モデルから複雑かつ創発的な振る舞いを識別する高度予測型分類モデルを開発する。 提案手法は,タンパク質特異的な「脂質指紋」の存在,すなわち関心のあるタンパク質に対する脂質の空間的再構成の存在を確認する。
  論文  参考訳（メタデータ） (2022-07-09T20:07:49Z)
• Extending Process Discovery with Model Complexity Optimization and Cyclic States Identification: Application to Healthcare Processes [62.997667081978825]
  モデル最適化のための半自動支援を実現するプロセスマイニング手法を提案する。 所望の粒度で生モデルを抽象化するモデル単純化手法が提案されている。 医療分野の異なるアプリケーションから得られた3つのデータセットを用いて、技術的ソリューションの能力を実証することを目的としている。
  論文  参考訳（メタデータ） (2022-06-10T16:20:59Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
  我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。 このようなモデルをリアルタイム診断に利用しています。
  論文  参考訳（メタデータ） (2020-03-04T00:44:57Z)

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。