使用 U-Net 神经网络架构将细胞 Potts 智能体模型代理建模为分割任务
机器学习
2025-11-05 v4 人工智能
定量方法
摘要
细胞 Potts 模型是开发用于模拟复杂多细胞生物系统的计算模型的一个强大且普遍使用的框架。由于需要对大量个体模型智能体之间的相互作用以及由偏微分方程（PDE）描述的扩散场进行显式建模，细胞 Potts 模型（CPM）通常计算成本高昂。在本工作中，我们开发了一个使用 U-Net 架构并考虑周期性边界条件的卷积神经网络（CNN）代理模型。我们使用该模型来加速对先前用于研究体外血管生成的机制性 CPM 的评估。该代理模型经过训练，可预测未来 100 个计算步（蒙特卡洛步，MCS），与 CPM 代码执行相比，模拟评估速度提升了 590 倍。在多次递归评估中，我们的模型有效捕捉了原始细胞 Potts 模型所展示的涌现行为，例如血管出芽、延伸与吻合，以及血管腔隙的收缩。该方法展示了深度学习作为 CPM 模拟高效代理模型的潜力，能够在更大的时空尺度上更快地评估计算成本高昂的生物过程 CPM。
引用
@article{arxiv.2505.00316,
title = {Surrogate modeling of Cellular-Potts Agent-Based Models as a segmentation task using the U-Net neural network architecture},
author = {Tien Comlekoglu and J. Quetzalcóatl Toledo-Marín and Tina Comlekoglu and Douglas W. DeSimone and Shayn M. Peirce and Geoffrey Fox and James A. Glazier},
journal= {arXiv preprint arXiv:2505.00316},
year = {2025}
}