Surrogate modeling of Cellular-Potts Agent-Based Models as a segmentation task using the U-Net neural network architecture
Created by
Haebom
Category
Empty
저자
Tien Comlekoglu, J. Quetzalcoatl Toledo-Marin, Tina Comlekoglu, Douglas W. DeSimone, Shayn M. Peirce, Geoffrey Fox, James A. Glazier
개요
본 논문은 세포-포츠 모델(CPM)의 계산 비용을 줄이기 위해 합성곱 신경망(CNN) 기반 서로게이트 모델을 제시합니다. U-Net 아키텍처를 사용하여 주기적 경계 조건을 고려한 CNN 서로게이트 모델을 개발하고, in vitro 혈관 형성 연구에 사용된 기존의 CPM에 적용했습니다. 이 모델은 100단계(Monte-Carlo steps)를 미리 예측하여 CPM 코드 실행 속도보다 590배 빠른 시뮬레이션 평가를 가능하게 합니다. 반복적인 평가를 통해 혈관 발아, 신장, 문합 및 혈관 빈틈의 수축과 같은 기존 CPM 모델이 보여주는 emergent behavior를 효과적으로 포착합니다. 이 연구는 심층 학습이 CPM 시뮬레이션을 위한 효율적인 서로게이트 모델 역할을 할 수 있음을 보여주며, 더 크고 복잡한 생물학적 과정의 CPM 시뮬레이션을 가능하게 합니다.
시사점, 한계점
•
시사점:
◦
CNN 기반 서로게이트 모델을 이용하여 CPM 시뮬레이션 속도를 획기적으로 향상시킬 수 있음을 보여줌.
◦
대규모 및 장기간 CPM 시뮬레이션을 가능하게 하여, 더욱 복잡한 생물학적 과정 연구에 기여할 수 있음.
◦
혈관 형성과 같은 복잡한 시스템의 emergent behavior를 효과적으로 예측할 수 있음.
•
한계점:
◦
현재 모델은 특정 CPM(혈관 형성 모델)에 특화되어 있으며, 다른 CPM 시스템으로의 일반화 가능성은 추가 연구가 필요함.
