基于分层贝叶斯方法的无声对比剂模型的mesoscopic校准
软凝聚态物质
2026-04-16 v1 介观与纳米尺度物理
生物物理
计算物理
摘要
无声引导药物和基因递送(USDG)是一种有前景的无创方法，用于靶向治疗应用。封装微泡(EMB)的力学性能强烈影响其与无声波的特定相互作用，因此对于USDg的成功与效率至关重要。准确校准基于颗粒的EMB capsid力学的高保真模型在计算上具有挑战性，因为直接使用耗散粒子动力学(DPD)进行贝叶斯推断代价高昂。我们采用结合深度神经网络(DNN)代理、过渡型MCMC抽样和跨EMB直径的分层正则化的代理加速贝叶斯校准工作流程。通过该框架，我们开发了两种基于数据的DPD模型，分别针对商业EMB剂物，即Definity和SonoVue，基于Definity的压缩实验和SonoVue的压痕实验进行参数推断，每个实验均涵盖三个不同的直径。推断得到的后验分布显示，诸如拉伸刚度和弯曲模量等关键模型参数都受到可用数据的一致约束。所述方法可用于为广泛的无声对比剂推导定制的数据驱动模型，包括封装气泡、EMB直径各异的capsid，构成物质、蛋白质或聚合物，并功能化于配体。
关键词
引用
@article{arxiv.2604.13657,
title = {Hierarchical Bayesian calibration of mesoscopic models for ultrasound contrast agents from force spectroscopy data},
author = {Brieuc Benvegnen and Nikolaos Ntarakas and Tilen Potisk and Ignacio Pagonabarraga and Matej Praprotnik},
journal= {arXiv preprint arXiv:2604.13657},
year = {2026}
}