論文の概要: A novel sensitivity analysis method for agent-based models stratifies in-silico tumor spheroid simulations

• arxiv url: http://arxiv.org/abs/2506.00168v2
• Date: Tue, 03 Jun 2025 13:21:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:32.47559
• Title: A novel sensitivity analysis method for agent-based models stratifies in-silico tumor spheroid simulations
• Title（参考訳）: エージェントベースモデルのための新しい感度解析法は、シリコン内腫瘍球体シミュレーションを成す
• Authors: Edward H. Rohr, John T. Nardini,
• Abstract要約: エージェントベースモデル(ABM)は、個々の行動が集団行動にどのようにスケールするかを理解するために生物学で広く用いられている。 モデルは、モデル出力に対する入力パラメータの影響を定量化するために、感度分析(SA)アルゴリズムを使用する。 我々は,SA for ABMの高速化を目的とした機械学習パイプラインであるSimulate, Summarize, Reduce, Cluster, Analyze(SSRCA)方法論を開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agent-based models (ABMs) are widely used in biology to understand how individual actions scale into emergent population behavior. Modelers employ sensitivity analysis (SA) algorithms to quantify input parameters' impact on model outputs, however, it is hard to perform SA for ABMs due to their computational and complex nature. In this work, we develop the Simulate, Summarize, Reduce, Cluster, and Analyze (SSRCA) methodology, a machine-learning based pipeline designed to facilitate SA for ABMs. In particular, SSRCA can achieve the following tasks for ABMS: 1) identify sensitive model parameters, 2) reveal common output model patterns, and 3) determine which input parameter values generate these patterns. We use an example ABM of tumor spheroid growth to showcase how SSRCA provides similar SA results to the popular Sobol' Method while also identifying four common patterns from the ABM and the parameter regions that generate these outputs. This analysis could streamline data-driven tasks, such as parameter estimation, for ABMs by reducing parameter space. While we highlight these results with an ABM on tumor spheroid formation, the SSRCA methodology is broadly applicable to biological ABMs.
• Abstract（参考訳）: エージェントベースモデル(ABM)は、個々の行動が集団行動にどのようにスケールするかを理解するために生物学で広く用いられている。 モデル者は、入力パラメータがモデル出力に与える影響を定量化するために感度解析(SA)アルゴリズムを用いるが、その計算的かつ複雑な性質のため、ABMに対してSAを実行することは困難である。 本研究では,ABMのSAを促進するために設計された機械学習ベースのパイプラインであるSimulate, Summarize, Reduce, Cluster, Analyze(SSRCA)方法論を開発した。 特に、SSRCAは、ABMSの以下のタスクを達成できる。 1)敏感なモデルパラメータを識別する。 2)共通出力モデルパターンを明らかにし、 3)どの入力パラメータ値がこれらのパターンを生成するかを決定する。 腫瘍球体成長のABM例を用いて、SSRCAが一般的なSobol' Methodに類似したSA値を提供するとともに、ABMとこれらの出力を生成するパラメータ領域の4つの共通パターンを同定する。 この分析はパラメータ空間を減らし、パラメータ推定などのデータ駆動タスクをABMの合理化することができる。 腫瘍球体形成に関するABMでこれらの結果を強調するが、SSRCA法は生物学的ABMに広く適用できる。

関連論文リスト

• Adjoint Sensitivity Analysis on Multi-Scale Bioprocess Stochastic Reaction Network [2.6130735302655554]
  本稿では,機械的モデルパラメータの学習を高速化するための随伴感度アプローチを提案する。 本稿では,多スケールのバイオプロセス力学モデルを表す酵素解析(SA)について考察する。
  論文  参考訳（メタデータ） (2024-05-07T05:06:45Z)
• Simulation-based Inference for Cardiovascular Models [43.55219268578912]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• Simulation-based Inference for Model Parameterization on Analog Neuromorphic Hardware [1.843681725117436]
  本研究では、BrainScaleS-2システム上でエミュレートされた多成分ニューロンモデルのパラメータ化のための逐次的神経後部推定アルゴリズムの適合性について検討した。 SNPEアルゴリズムはシミュレーションに基づく推論手法のクラスに属し、モデルパラメータの後方分布を推定する。
  論文  参考訳（メタデータ） (2023-03-28T15:37:30Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Surrogate Assisted Strategies (The Parameterisation of an Infectious Disease Agent-Based Model) [0.0]
  キャリブレーションはエージェントベースのモデリングとシミュレーションにおいて重要な課題である。 我々はパラメータ化戦略を効果的に交換し、モデルをサロゲートできる、より包括的で適応的なABMSフレームワークを提案する。 DYCORS XGBoost と MSRS SVM は実世界の日常感染の累積分布を近似できることを示す。
  論文  参考訳（メタデータ） (2021-08-19T17:27:01Z)
• Surrogate Assisted Methods for the Parameterisation of Agent-Based Models [0.0]
  キャリブレーションはエージェントベースのモデリングとシミュレーションにおいて大きな課題である。 本稿では,異なるサンプリング手法と代理モデルの効果的な統合を容易にするABMSフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-26T21:47:02Z)

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。