使用U-Net神经网络架构的Cellular-Potts基于代理模型的替代建模作为细分任务
Tien Comlekoglu1,2, J Quetzalcóatl Toledo-Marín3,4, Tina Comlekoglu5
1Department of Biomedical Engineering, University of Virginia, Charlottesville, Virginia, United States of America.
PLoS computational biology
|November 3, 2025
概括
我们开发了一个深度学习替代模型,以加快复杂的生物模拟. 这种卷积神经网络加速了细胞-波特模型 (CPM) 模拟的562倍,捕捉了关键的生物行为,如血管生长.
科学领域:
- 计算生物学 计算生物学
- 生物物理学的生物物理.
- 深度学习应用程序
背景情况:
- 细胞-波茨模型 (CPMs) 广泛用于模拟多细胞生物系统.
- 由于明确的代理相互作用和部分微分方程 (PDEs),CPM在计算上是密集的.
研究的目的:
- 开发一个使用深度学习的CPM的计算效率高的替代模型.
- 使用基于U-Net的卷积神经网络 (CNN) 加快体外血管生成的模拟.
主要方法:
- 开发了一个CNN代理模型,采用U-Net架构,并结合了周期性边界条件.
- 训练了代孕模型,以预测100个蒙特卡洛步骤 (MCS) 前进.
- 评估了代理模型在CPM模拟中捕捉新出现行为的能力.
主要成果:
- 与单核CPU执行相比,实现了562倍的模拟速度加速.
- 代孕模型准确地预测了新出现的行为,如血管发芽,延伸,解和缺口收缩,高达300MCS.
- 深度学习表明了有效的CPM模拟加速的潜力.
结论:
- 基于深度学习的替代模型为计算上昂贵的CPM模拟提供了显著的加速.
- 这种方法可以更快地研究复杂的生物过程,如血管生成.
- 该U-NetCNN代孕模型显示了推进计算生物学研究的前景.
