論文の概要: Bayesian Calibration and Model Assessment of Cell Migration Dynamics with Surrogate Model Integration

• arxiv url: http://arxiv.org/abs/2509.18998v1
• Date: Tue, 23 Sep 2025 13:45:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.865587
• Title: Bayesian Calibration and Model Assessment of Cell Migration Dynamics with Surrogate Model Integration
• Title（参考訳）: 代理モデル統合による細胞移動動態のベイズ校正とモデル評価
• Authors: Christina Schenk, Jacobo Ayensa Jiménez, Ignacio Romero,
• Abstract要約: ベイジアンキャリブレーションを用いた細胞移動モデルにおけるパラメータ確率分布を系統的に評価する。 このアプローチはパラメータの不確実性、予測性能、解釈可能性の合同解析を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational models provide crucial insights into complex biological processes such as cancer evolution, but their mechanistic nature often makes them nonlinear and parameter-rich, complicating calibration. We systematically evaluate parameter probability distributions in cell migration models using Bayesian calibration across four complementary strategies: parametric and surrogate models, each with and without explicit model discrepancy. This approach enables joint analysis of parameter uncertainty, predictive performance, and interpretability. Applied to a real data experiment of glioblastoma progression in microfluidic devices, surrogate models achieve higher computational efficiency and predictive accuracy, whereas parametric models yield more reliable parameter estimates due to their mechanistic grounding. Incorporating model discrepancy exposes structural limitations, clarifying where model refinement is necessary. Together, these comparisons offer practical guidance for calibrating and improving computational models of complex biological systems.
• Abstract（参考訳）: 計算モデルは、がんの進化のような複雑な生物学的過程に重要な洞察を与えるが、その機械的性質は、しばしばそれらを非線形でパラメータに富み、校正を複雑にする。 ベイジアンキャリブレーションを用いた細胞移動モデルのパラメータ確率分布を,パラメトリックモデルとサロゲートモデルという4つの相補的戦略により体系的に評価した。 このアプローチはパラメータの不確実性、予測性能、解釈可能性の合同解析を可能にする。 マイクロ流体デバイスにおけるグリオブラスト腫の進行に関する実データ実験に応用すると、代理モデルは高い計算効率と予測精度を達成する一方、パラメトリックモデルは機械的接地によりより信頼性の高いパラメータ推定が得られる。 モデルの不一致を組み込むと、構造的制約が明らかになり、モデルの洗練が必要な場所が明確になる。 これらの比較は、複雑な生物学的システムの計算モデルの校正と改善のための実践的なガイダンスを提供する。

関連論文リスト

• A Symbolic and Statistical Learning Framework to Discover Bioprocessing Regulatory Mechanism: Cell Culture Example [2.325005809983534]
  本稿では,重要な規制機構を特定し,不確実性をモデル化するための記号的,統計的学習フレームワークを提案する。 後部探査のための随伴感度解析を用いたメトロポリス調整ランゲヴィンアルゴリズムを開発した。 実証的研究は、不足する規制機構を回復し、データ制限条件下でのモデル忠実性を改善する能力を示す。
  論文  参考訳（メタデータ） (2025-05-06T04:39:34Z)
• Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [41.50816120270017]
  分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。 学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。 また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
  論文  参考訳（メタデータ） (2025-02-14T03:26:57Z)
• Digital Twin Calibration with Model-Based Reinforcement Learning [3.0435175689911595]
  本稿では,デジタルツインの校正をモデルベース強化学習に取り入れた,アクタ・シミュレータと呼ばれる新しい方法論フレームワークを提案する。 提案手法はディジタルツインを共同で校正し,最適制御ポリシーを探索し,モデル誤差を考慮・低減する。 この二重成分アプローチは、最適方針に確実に収束し、バイオ医薬品製造領域に基づく広範な数値実験において、既存の手法よりも優れる。
  論文  参考訳（メタデータ） (2025-01-04T06:15:28Z)
• 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)
• Addressing Misspecification in Simulation-based Inference through Data-driven Calibration [43.811367860375825]
  本研究は, モデル不特定性を克服するフレームワークであるロPEを導入し, 実世界の小キャリブレーションによる地下構造パラメータの測定を行った。 4つの合成課題と2つの実世界の問題により、RoPEはベースラインを上回り、情報的およびキャリブレーションされた信頼区間を一貫して返却することを示した。
  論文  参考訳（メタデータ） (2024-05-14T16:04:39Z)
• Polynomial Chaos Surrogate Construction for Random Fields with Parametric Uncertainty [0.0]
  サロゲートモデルは、複雑なモデルの高い計算コストを回避する手段を提供する。 我々は,ロゼンブラットによって実現された本質的およびパラメトリック不確実性の結合空間上でPCEサロゲートを開発する。 そこで我々は,PCE Sobol インデックスを計算するためのクローズドフォーム・ソリューションを利用して,モデル全体の感度解析を行う。
  論文  参考訳（メタデータ） (2023-11-01T14:41:54Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• On the Influence of Enforcing Model Identifiability on Learning dynamics of Gaussian Mixture Models [14.759688428864159]
  特異モデルからサブモデルを抽出する手法を提案する。 本手法はトレーニング中のモデルの識別性を強制する。 この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
  論文  参考訳（メタデータ） (2022-06-17T07:50:22Z)
• 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)

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。