Surrogate modeling of Cellular-Potts Agent-Based Models as a segmentation task using the U-Net neural network architecture

要約

セルラー・ポッツ・モデルは、複雑な多細胞生物システムをシミュレートするための計算モデルを開発するための強力かつユビキタスなフレームワークである。セルラー・ポッツ・モデル(CPM)は、偏微分方程式(PDE)で記述される多数の個々のモデル・エージェントと拡散場の間の相互作用を明示的にモデル化するため、しばしば計算コストが高い。本研究では、周期的境界条件を考慮したU-Netアーキテクチャを用いた畳み込みニューラルネットワーク（CNN）サロゲートモデルを開発する。このモデルを用いて、以前血管新生を調べるために使用したメカニスティックCPMの評価を加速する。サロゲートモデルは、100ステップ先の計算（モンテカルロステップ、MCS）を予測するように訓練され、CPMコード実行に比べてシミュレーション評価を590倍高速化した。複数の再帰的な評価において、我々のモデルは、血管の新生、伸長と吻合、血管の裂け目の収縮など、オリジナルのCellular-Pottsモデルによって示された創発的な挙動を効果的に捉える。このアプローチは、ディープラーニングがCPMシミュレーションのための効率的な代理モデルとして機能する可能性を示し、より大きな空間的・時間的スケールにおける生物学的プロセスの計算コストのかかるCPMの評価をより高速に行うことを可能にする。

要約(オリジナル)

The Cellular-Potts model is a powerful and ubiquitous framework for developing computational models for simulating complex multicellular biological systems. Cellular-Potts models (CPMs) are often computationally expensive due to the explicit modeling of interactions among large numbers of individual model agents and diffusive fields described by partial differential equations (PDEs). In this work, we develop a convolutional neural network (CNN) surrogate model using a U-Net architecture that accounts for periodic boundary conditions. We use this model to accelerate the evaluation of a mechanistic CPM previously used to investigate \textit{in vitro} vasculogenesis. The surrogate model was trained to predict 100 computational steps ahead (Monte-Carlo steps, MCS), accelerating simulation evaluations by a factor of 590 times compared to CPM code execution. Over multiple recursive evaluations, our model effectively captures the emergent behaviors demonstrated by the original Cellular-Potts model of such as vessel sprouting, extension and anastomosis, and contraction of vascular lacunae. This approach demonstrates the potential for deep learning to serve as efficient surrogate models for CPM simulations, enabling faster evaluation of computationally expensive CPM of biological processes at greater spatial and temporal scales.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL