論文の概要: A Physics-Flavored Transformer Network for Parametrizing Contraction Dynamics of Engineered Skeletal Muscle Tissues

• arxiv url: http://arxiv.org/abs/2608.03927v1
• Date: Tue, 04 Aug 2026 16:59:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.287793
• Title: A Physics-Flavored Transformer Network for Parametrizing Contraction Dynamics of Engineered Skeletal Muscle Tissues
• Title（参考訳）: 工学的骨格筋組織のパラメトリゼーション収縮ダイナミクスのための物理自由度変換器ネットワーク
• Abstract要約: 本稿では,ESMの運動的表現型化を自動化する物理拡散ニューラルネットワーク(PFNN)を提案する。 提案アーキテクチャでは,拡張可能な物理モデルをCNN変換器に統合し,物理的に意味のあるパラメータの抽出を可能にする。 提案手法は, 種々の収縮性表現型および細胞株にまたがる高忠実度パラメータ化を実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Engineered Skeletal Muscle Tissues (ESMs) have become a key structure for biomedical disease modeling and pharmacological screening, yet their functional characterization often relies on simplistic metrics like peak force, discarding critical kinetic information. This is partially due to the high level of mathematical complexity which mechanistic models introduce to capture these dynamics. Hence, exactly the complexity prevents scalable application and widespread adaptation in the field. Here we present a Physics-Flavored Neural Network (PFNN) that automates the kinetic phenotyping of ESMs. Our architecture integrates a stretched-exponential physical model into a CNN-Transformer, enabling the extraction of physically meaningful parameters directly from force-time profiles. To address the scarcity of labeled biological data, we employ a hybrid training paradigm: the model develops a "physical intuition" on synthetic data before undergoing unsupervised self-alignment on unlabeled real-world measurements. Our results demonstrate that this physics-flavored approach achieves high-fidelity parameterization across diverse contractile phenotypes and cell lines, including Duchenne Muscular Dystrophy models. Our scalable, self-improving pipeline bridges the gap between idealized biophysics and noisy \emph{in vitro} data, providing a robust tool for high-throughput biophysical research.
• Abstract（参考訳）: 工学的骨格筋組織(ESMs)は、医学的疾患のモデリングや薬理学的スクリーニングにおいて重要な構造となっているが、それらの機能的特徴は、しばしばピーク力のような単純な指標に依存し、重要な運動情報を捨てる。 これは部分的には、力学モデルがこれらの力学を捉えるために導入する高レベルの数学的複雑さによるものである。 したがって、その複雑さは、拡張性のあるアプリケーションや、現場で広く適応することを妨げる。 本稿では,ESMの運動的表現型化を自動化する物理拡散ニューラルネットワーク(PFNN)を提案する。 我々のアーキテクチャは、拡張された指数的物理モデルをCNN-Transformerに統合し、力時プロファイルから直接物理的に意味のあるパラメータを抽出することができる。 ラベル付き生体データの不足に対処するため,本モデルは,非ラベル付き実世界計測における教師なし自己調整を行う前に,合成データに対する「物理的直観」を発達させるハイブリッドトレーニングパラダイムを採用している。 本手法は,デュシェンヌ筋ジストロフィーモデルを含む各種収縮性表現型および細胞株間の高忠実度パラメータ化を実現することを示す。 当社のスケーラブルで自己改善的なパイプラインは、理想的な生物物理学とノイズのある<emph{in vitro}データのギャップを埋め、高スループットの生物物理学研究のための堅牢なツールを提供します。

関連論文リスト

• Atomic Trajectory Modeling with State Space Models for Biomolecular Dynamics [23.265257394398102]
  ATMOSは、生体分子系のための原子レベルのMD軌道を生成するために設計された新しい生成フレームワークである。 ATMOSは, タンパク質モノマーと複雑なタンパク質-リガンド系の両方に対して, コンフォメーショントラジェクトリを生成する際に, 最先端の性能を実現することを実証した。
  論文  参考訳（メタデータ） (2026-03-18T11:53:45Z)
• Tau-BNO: Brain Neural Operator for Tau Transport Model [16.92108740721371]
  既存のアプローチは通常、脳の構造的コネクトームの拡散過程としてタウ伝播をモデル化する。 このギャップを埋めるためにネットワークトランスポートモデル(NTM)が導入された。 我々は,NTM力学を高速に近似する脳神経オペレータ・サロゲートフレームワークであるTau-BNOを提案する。
  論文  参考訳（メタデータ） (2026-03-09T08:52:02Z)
• Physiologically Informed Deep Learning: A Multi-Scale Framework for Next-Generation PBPK Modeling [5.007023403094322]
  メカニスティックリガーとデータ駆動の柔軟性を橋渡しするSciML(SciML)フレームワークを提案する。 1) 薬物動態予測をシーケンスモデリングタスクとして扱う基盤PBPK変換器,(2) 生理的制約付き拡散モデル(PCDM),(3) 生物学的に適合した仮想患者集団を合成するための物理インフォームドロスを用いた生成アプローチ,(3) ニューラルネットワークとニューラルネットワークを組み合わせたハイブリッドアーキテクチャであるニューラルアロメトリー,などを紹介する。
  論文  参考訳（メタデータ） (2026-02-09T00:26:01Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• Physically recurrent neural network for rate and path-dependent heterogeneous materials in a finite strain framework [0.0]
  不均一物質のマイクロスケール解析のためのハイブリッド物理に基づくデータ駆動サロゲートモデルについて検討した。 提案したモデルは、ニューラルネットワークにそれらを埋め込むことで、フルオーダーのマイクロモデルで使用されるモデルに含まれる物理に基づく知識の恩恵を受ける。
  論文  参考訳（メタデータ） (2024-04-05T12:40:03Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• A Physics-Informed Low-Shot Learning For sEMG-Based Estimation of Muscle Force and Joint Kinematics [4.878073267556235]
  表面筋電図(sEMG)による筋力と関節キネマティクス推定はリアルタイム生体力学的解析に不可欠である。 ディープニューラルネットワーク(DNN)の最近の進歩は、完全に自動化され再現可能な方法で生体力学解析を改善する可能性を示している。 本稿では,筋力と関節キネマティクスのsEMGに基づく新しい物理インフォームドローショット学習法を提案する。
  論文  参考訳（メタデータ） (2023-07-08T23:01:12Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• 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)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。