预测和预测基于生物信息的神经网络的随机代理模型数据

科学领域:

• 计算生物学 计算生物学
• 数学建模的数学建模
• 人工智能的人工智能

背景情况:

• 集体细胞迁移对于诸如伤口愈合和发育等生物过程至关重要.
• 基于代理的模型 (ABM) 模拟集体迁移,但计算密集且难以参数化.
• 平均场微分方程 (DE) 模型提供更快的模拟,但可以在某些参数空间中不准确地表示ABM行为.

研究的目的:

• 开发一种使用生物信息神经网络 (BINNs) 来创建准确和可解释的集体迁移DE模型的方法.
• 为了能够在未见的数据和未开发的参数区域中预测ABM行为.
• 为了提高ABM的参数空间探索的效率.

主要方法:

• 训练生物信息神经网络 (BINNs) 来从ABM数据中学习可解释的微分方程 (DE) 模型.
• 使用BINN引导的部分微分方程 (PDE) 模拟来预测未来的ABM数据.
• 将BINN引导的PDE模拟与多变量插入相结合,以在新的参数值下预测ABM行为.
• 通过三种不同的集体迁移的ABM验证该方法.

主要成果:

• 由BINN引导的PDE模拟准确地预测了在训练期间未遇到的空间ABM数据.
• 该方法成功地预测了ABM行为在以前未经探索的参数范围.
• 一个单隔间BINN引导的PDE准确地捕获了ABM动态,在传统的中场模型的位置不佳或需要多个隔间的情况下.
• 该方法在探索参数空间方面表现出了效率.

结论:

• 生物信息神经网络 (BINNs) 提供了一个强大的框架,用于从ABM中开发准确和可解释的DE模型.
• 这种由BINN引导的PDE方法显著提高了跨参数空间预测和预测集体迁移动态的能力.
• 该方法方便对ABM参数空间进行高效的探索,为基于数据的任务 (如从实验数据进行参数估计) 开辟了道路.