通过自动算法设计和配置使用分数顺序Zener模型对人类骨肉瘤癌细胞系MG-63进行粘性弹性表征
Grecia C Duque-Gimenez1, Daniel F Zambrano-Gutierrez2, Maricela Rodriguez-Nieto1,3
1Centro de Investigación en Ciencias Físico Matemáticas, Facultad de Ciencias Físico Matemáticas, Universidad Autónoma de Nuevo León, 66450, San Nicolás de los Garza, Nuevo León, Mexico.
Scientific reports
|August 26, 2025
概括
这项研究引入了一个新的计算框架,用于使用分数建模和自动化算法分析细胞的机械性质. 这种方法准确地描述了细胞粘性,改善了疾病标志物的识别.
科学领域:
- 计算生物力学
- 生物物理
- 材料科学
背景情况:
- 细胞粘弹性特性对于理解机械行为和识别疾病生物标志物至关重要.
- 分析细胞机械数据的现有方法的准确性和通用性可能受到限制.
研究的目的:
- 开发一个集成的框架,结合分数建模和自动化算法设计,以配合细胞力放松数据.
- 使用原子力显微镜数据准确估计细胞的粘弹性参数.
- 加强与疾病相关的生物力学标志物的识别.
主要方法:
- 使用分数顺序Zener (FOZ) 模型表示细胞放松曲线.
- 制定参数估计作为一个黑盒优化问题.
- 实现了随机构造式超听觉与本地搜索 (RCHH-LS) 以自动设计元听觉 (MHs).
- 使用Optuna对性能最好的MH进行超参数调整.
主要成果:
- 最好的MH,是基于群体动态和局部随机步行操作者的组合,
- 超参数调整进一步提高了4.7%的性能,提高了稳定性和可重复性.
- 调整后的MH在21个强度放松曲线实例中取得了卓越的结果,证明了强大的概括能力.
- 统计分析显示某些FOZ模型参数对施加力的敏感性,而其他参数则表明细胞内在的特性.
结论:
- 集成框架有效地将分数粘弹性建模与自动化MH设计相结合,以实现牢固的细胞机械表征.
- 这种方法减少了人工干预,确保了通用性,并为计算生物力学提供了可扩展的解决方案.
- 准确的细胞粘性特征有助于识别与疾病相关的生物力学标志物.
