通过毛细血管数量进行血小板变形的神经操作器替代品

科学领域:

• 计算生物学是一种计算生物学.
• 生物物理学的生物物理.
• 科学机器学习科学机器学习

背景情况:

• 血栓形成的多尺度建模需要精确的血小板尺度模拟,这在计算上是昂贵的.
• 现有的模型难以平衡忠实性和计算成本,阻碍器官规模的预测.

研究的目的:

• 使用科学机器学习开发一种高精度,高计算效率的血小板动态代孕模型.
• 在血栓形成模型中弥合血小板尺度忠实度和器官尺度计算要求之间的差距.

主要方法:

• 在使用LAMMPS模拟生成的血小板动态数据上训练了一个DeepONet代理模型.
• 模型输入包括墙壁剪切应力,粘接刚度,时间和初始粒子坐标.
• 亚当优化与自适应性学习率衰减被用于训练.

主要成果:

• 在DeepONet替代品中,在一系列弹性模块和毛细血管数量中,平均位移误差低于1%,最坏情况误差低于4%.
• 与传统方法相比,计算加速率在四到五个数量级之间.
• 该模型证明了对刚性和合规血小板的可接受的推断能力.

结论:

• 科学机器学习,特别是DeepONet,为准确高效的血小板动态模拟提供了可行的解决方案.
• 开发的代孕模型可以与连续计算流体动力学 (CFD) 结合,用于未来的血小板解析血液动力学模拟.
• 这种方法为患者特定几何形状的预测性血栓形成模型开辟了新的途径.