12 Arbeiten
Diese Arbeit stellt einen erweiterten mathematischen Rahmen vor, der mechanistische Modellierung und maschinelles Lernen kombiniert, um die Dynamik von CD4+/CD8+ CAR-T-Zellen unter Tumorantigen-Regulation zu untersuchen und zeigt, wie neuronale Netze die Vorhersagekraft bei Parameterunsicherheit verbessern können.
Diese Studie zeigt, dass evaneszente Wellen als nicht-invasives Werkzeug dienen können, um eine signifikante Abnahme der Mobilität von Erythrozyten in hochkonzentrierten Glukoseumgebungen nachzuweisen.
Diese Arbeit untersucht, wie die Verfügbarkeit unterschiedlicher experimenteller Daten (wie FACS- und FUCCI-Messungen) die Identifizierbarkeit der Parameter eines altersstrukturierten PDE-Modells des Zellzyklus beeinflusst, und leitet analytische Ausdrücke sowie identifizierbare Parametergruppen ab, um den minimalen Datenbedarf für eine erfolgreiche Modellierung zu bestimmen.
In dieser Arbeit wird ein Phasenfeldmodell zur Simulation des programmierten Zelltods (Apoptose) vorgestellt, das mechanistische Grundlagen liefert, um morphologische Übergänge wie Schrumpfung und Fragmentierung zu untersuchen und potenzielle therapeutische Anwendungen zu erforschen.
Die Studie zeigt, dass Zellen bereits aus extrem wenigen frühen Bindungsereignissen diffundierender Chemoattraktanten bei ultra-niedrigen Konzentrationen präzise Richtungsinformationen ableiten können, da diese Anfangsereignisse überproportional viel Information über die Quellenlage tragen.
Die Studie präsentiert eine dreistufige Methode zur Extraktion eines kompakten, hochleistungsfähigen hämatopoetischen Algorithmus aus dem Foundation-Modell scGPT mittels mechanischer Interpretierbarkeit, der ohne erneutes Training des Ziel-Datensatzes die Leistung bestehender Methoden übertrifft und biologisch interpretierbare Genprogramme offenbart.
Diese Arbeit stellt eine quantitative Theorie vor, die erklärt, wie die Linsenwirkung des Zellkörpers bei augenlosen *Chlamydomonas*-Mutanten durch die Dominanz des schnellen, zeitlich stark veränderlichen Signals der fokussierten Lichtkaustiken gegenüber dem direkten Licht die Vorzeichenumkehr der Phototaxis bewirkt.
Die Studie stellt SSRCA vor, eine neuartige maschinelle Lern-Pipeline, die die Sensitivitätsanalyse für komplexe agentenbasierte Modelle in der Biologie vereinfacht, indem sie empfindliche Parameter identifiziert, gemeinsame Ausgabemuster aufdeckt und robuste Ergebnisse im Vergleich zur Sobol'-Methode liefert.
Die Autoren stellen ein multiskaliges mathematisches Modell auf Basis der kinetischen Theorie aktiver Teilchen vor, das unter Berücksichtigung von DTI-Daten und realer Patientengeometrie die Wirksamkeit kombinierter Therapien (Strahlen-, Chemo- und Anti-Angiogenese-Therapie) bei der Gliom-Invasion untersucht.
Die Studie stellt DCENWCNet vor, ein neuartiges Ensemble-Modell aus drei CNN-Architekturen mit LIME-basierter Erklärbarkeit, das auf dem Rabbin-WBC-Datensatz eine überlegene Leistung bei der Klassifizierung von weißen Blutkörperchen im Vergleich zu bestehenden State-of-the-Art-Methoden erzielt.
Die Autoren stellen Cell-Mechanistic Neural Networks (Cell-MNN) vor, ein vollständig end-to-end trainierbares Encoder-Decoder-Modell, das die Dynamik der zellulären Differenzierung durch eine lokal linearisierte ODE abbildet, um skalierbare Vorhersagen und biologisch interpretierbare Geninteraktionen zu ermöglichen.
Diese Studie nutzt eine neuartige Methode zur kausalen Verfolgung von Schaltkreisen in Single-Cell-Grundmodellen, um herauszufinden, dass beide untersuchten Modelle trotz unterschiedlicher Architekturen eine dominante inhibitorische Dynamik und hohe biologische Kohärenz aufweisen, wobei konsensbasierte Domänen signifikant mit Krankheitsassoziationen verknüpft sind.