为芯片癌症实验提供非局部整微分模型的两步全球灵敏度分析
Elio Campanile1, Annachiara Colombi2, Gabriella Bretti3
1Fondazione the Microsoft Research, University of Trento, Centre for Computational and Systems Biology (COSBI), Piazza Manifattura 1, Rovereto, 38068, Italy; Department of Mathematics, University of Trento, Via Calepina, 14, Trento, 38122, Italy.
Mathematical biosciences
|November 1, 2024
概括
这项研究验证了瘤细胞和免疫反应在癌症芯片实验中的计算模型. 全球敏感性分析确定了影响免疫细胞动态的关键参数,主要与化学信号和细胞粘附有关.
科学领域:
- 计算生物学是一种计算生物学.
- 数学建模的数学建模
- 免疫学 免疫学 免疫学
背景情况:
- 芯片上的癌症模型模拟瘤药物相互作用和免疫反应.
- 了解参数的影响对于模型准确性和实验设计至关重要.
研究的目的:
- 在癌症芯片实验的非局部整微分模型上进行全球灵敏度分析.
- 确定影响免疫细胞动态和空间分布的关键模型参数.
- 评估模型的可靠性,并建议改进准确性和效率.
主要方法:
- 采用了两步的全球敏感性分析,从查莫里斯方法开始.
- 扩展的里埃振幅灵敏度测试 (eFAST) 用于量化参数的重要性.
- 分析了13个模型参数和11个监测免疫细胞行为的目标输出.
主要成果:
- 莫里斯方法确定了13个影响力参数中的6个影响力参数的核心集合.
- eFAST量化了化学场和细胞基质粘附参数的显著影响.
- 研究了非线性效应和参数相互作用.
结论:
- 该模型在探索的参数空间内是可行的.
- 化学信号和细胞基质粘附是模型准确性的关键因素.
- 模型简化和改进的实验数据可以提高预测可靠性.
更多相关视频
07:46Microfluidic Co-Culture Models for Dissecting the Immune Response in in vitro Tumor Microenvironments
Published on: April 30, 2021
4.6K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K