🧬 biology

Mathematical Modeling of Cancer-Bacterial Therapy: Analysis and Numerical Simulation via Physics-Informed Neural Networks

यह शोध पत्र पांच युग्मित प्रतिक्रिया-विसरण (reaction-diffusion) समीकरणों का उपयोग करते हुए बैक्टीरियल कैंसर थेरेपी का एक गणितीय रूप से कठोर मॉडल प्रस्तुत करता है, इसकी वैश्विक सुव्यवस्थितता (global well-posedness) को सिद्ध करता है, और ट्यूमर-बैक्टीरिया अंतःक्रियाओं को संख्यात्मक रूप से सिम्युलेट करने के लिए फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क का उपयोग करता है, जिससे यह प्रकट होता है कि दीर्घकालिक चिकित्सीय प्रभावकारिता के लिए हाइपोक्सिक क्षेत्रों को बनाए रखना या ऑक्सीजन-सहिष्णु बैक्टीरिया का उपयोग करना महत्वपूर्ण है।

मूल लेखक: Ayoub Farkane, David Lassounon

प्रकाशित 2026-03-23

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ayoub Farkane, David Lassounon

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपका शरीर एक हलचल भरा शहर है, और एक ट्यूमर एक ऐसे बदमाश गिरोह की तरह है जिसने एक मोहल्ले पर कब्जा कर लिया है। वह गिरोह बहुत सख्त है, अंधेरी और ऑक्सीजन की कमी वाली गलियों (हाइपोक्सिया) में छिप जाता है, और सामान्य पुलिस के नियमों को अनसुना कर देता है।

यह शोध पत्र इस गिरोह से लड़ने का एक नया तरीका प्रस्तुत करता है जिसमें बैक्टीरिया को एक विशेष बल (स्पेशल फोर्सेज) के रूप में उपयोग किया गया है, और यह एक सुपर-स्मार्ट कंप्यूटर प्रोग्राम (एक AI) का उपयोग करता है ताकि यह पता लगाया जा सके कि यह लड़ाई ठीक कैसे चलेगी।

यहाँ इस शोध पत्र की कहानी है, जिसे सरल भागों में विभाजित किया गया है:

1. रणनीति: विशेष बल के रूप में बैक्टीरिया

वैज्ञानिकों को लंबे समय से पता है कि कुछ बैक्टीरिया ट्यूमर के उन अंधेरे, ऑक्सीजन की कमी वाले कोनों में रहना पसंद करते हैं जहाँ नियमित दवाएं नहीं पहुँच पातीं। इन बैक्टीरिया को नाइट-ऑप्स सैनिकों (रात के मिशन वाले सैनिक) के रूप में सोचें जो केवल तभी जागते हैं जब रोशनी बुझ जाती है।

लेकिन केवल ट्यूमर में बैक्टीरिया डाल देना ही काफी नहीं है। ट्यूमर पलटवार करता है:

बैक्टीरिया का दम घोंटकर: यह "धुआं संकेत" (साइटोकिन्स) छोड़ता है जो बैक्टीरिया को मारने के लिए इम्यून सिस्टम (रोग प्रतिरोधक क्षमता) को बुलाता है।
छिपकर: यह अपने वातावरण को इस तरह बदल देता है कि बैक्टीरिया का जीवित रहना कठिन हो जाए।

शोधकर्ताओं ने इस पूरे युद्धक्षेत्र का एक गणितीय मानचित्र बनाया। उन्होंने न केवल बैक्टीरिया और ट्यूमर को देखा; बल्कि उन्होंने पांच प्रमुख खिलाड़ियों को ट्रैक किया:

ट्यूमर (द गिरोह)
बैक्टीरिया (विशेष बल)
ऑक्सीजन (हवा की आपूर्ति)
साइटोकिन्स (धुआं संकेत/अलार्म बेल)
कोरम-सेंसिंग सिग्नल (बैक्टीरिया के वॉकी-टॉकी)

2. गुप्त हथियार: "वॉकी-टॉकी" प्रभाव

इस शोध पत्र की सबसे रोमांचक खोज कोरम-सेंसिंग (Quorum Sensing) के बारे में है।

कल्पना कीजिए कि बैक्टीरिया जासूसों के एक समूह की तरह हैं। उन्हें हर एक ट्यूमर कोशिका पर शारीरिक रूप से हमला करने की आवश्यकता नहीं है। इसके बजाय, वे एक-दूसरे से फुसफुसाते हैं। जब पर्याप्त जासूस इकट्ठा हो जाते हैं, तो वे एक विसारणीय संकेत (जैसे रेडियो प्रसारण) भेजते हैं। यह संकेत ऊतकों (टिश्यू) के माध्यम से यात्रा करता है और ट्यूमर कोशिकाओं को "बढ़ना बंद करने" या "मरने" का निर्देश देता है।

उपमा:
बैक्टीरिया को एक लाइटहाउस (प्रकाश स्तंभ) के रूप में सोचें। उन्हें किसी भी जहाज (ट्यूमर कोशिका) को डुबोने के लिए उसके पास तैरकर जाने की आवश्यकता नहीं है। उन्हें बस अपनी रोशनी चालू करने की आवश्यकता है (संकेत)। भले ही बैक्टीरिया एक ही स्थान पर रहें, प्रकाश दूर तक पहुँचता है और ट्यूमर को बढ़ने से रोकता है।

3. कंप्यूटर: "फिजिक्स-इन्फॉर्म्ड" AI

आमतौर पर, इस तरह के युद्ध का अनुकरण (सिमुलेशन) करने के लिए, आपको एक विशाल ग्रिड (जैसे ग्राफ पेपर) की आवश्यकता होती है और आपको हर एक कदम की गणना करनी पड़ती है, जो धीमा है और जिसमें त्रुटियों की संभावना अधिक होती है।

लेखकों ने एक नए प्रकार के AI का उपयोग किया जिसे फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN) कहा जाता है।

पुराना तरीका: जैसे कागज के टुकड़े पर रेखा खींचकर, चरण-दर-चरण भूलभुलैया को हल करने की कोशिश करना।
PINN का तरीका: जैसे एक GPS होना जिसके दिमाग में भौतिकी के नियम (गुरुत्वाकर्षण, घर्षण, यातायात के नियम) पहले से ही बसे हुए हैं। इसे ग्रिड की आवश्यकता नहीं है। यह हर जगह समाधान को एक साथ "महसूस" कर सकता है।

AI को केवल डेटा पर ही नहीं, बल्कि प्रकृति के नियमों (समीकरणों) पर प्रशिक्षित किया गया था। इसने सीखा कि "बैक्टीरिया ऑक्सीजन खाते हैं" और "ट्यूमर ऑक्सीजन खाते हैं" और "संकेत ट्यूमर को मारते हैं", बिना ट्यूमर की लाखों तस्वीरें देखे।

4. सिमुलेशन ने हमें क्या बताया

AI ने इस युद्ध का 30 दिनों का सिमुलेशन चलाया और कुछ आश्चर्यजनक बातें पाईं:

"नॉर्मोक्सिया" का आश्चर्य: कई लोगों का मानना था कि ये बैक्टीरिया केवल कम ऑक्सीजन (हाइपोक्सिक) वाले क्षेत्रों में ही काम करते हैं। सिमुलेशन ने दिखाया कि भले ही ट्यूमर में पर्याप्त ऑक्सीजन (नॉर्मोक्सिया) हो, फिर भी बैक्टीरिया जीत सकते हैं। कैसे? अपने वॉकी-टॉकी संकेतों का उपयोग करके। उन्हें जीतने के लिए अंधेरे में रहने की आवश्यकता नहीं है; उन्हें बस एक-दूसरे से बात करने की आवश्यकता है।
विजय के चार चरण:
1. ट्यूमर बढ़ता है: गिरोह कब्जा कर लेता है।
2. बैक्टीरिया आते हैं: वे अपना डेरा जमाते हैं और फुसफुसाना शुरू करते हैं।
3. संकेत फैलता है: "रुक जाओ" का संदेश ऊतकों के माध्यम से यात्रा करता है।
4. ठहराव (स्टैंडऑफ): ट्यूमर लगभग शून्य तक सिकुड़ जाता है, और बैक्टीरिया एक निम्न-स्तरीय, शांतिपूर्ण अस्तित्व में बस जाते हैं, जो ट्यूमर को हमेशा नियंत्रण में रखता है।
ऑक्सीजन का जाल: सिमुलेशन ने चेतावनी दी कि यदि ट्यूमर को बहुत अधिक ऑक्सीजन मिलता है (जैसे कि यदि रक्त की आपूर्ति बहुत मजबूत है), तो अवायवीय (anaerobic) बैक्टीरिया मर सकते हैं, और ट्यूमर फिर से बढ़ सकता है। यह एक नाजुक संतुलन है।

5. मुख्य निष्कर्ष

यह शोध पत्र कैंसर चिकित्सा के एक नए प्रकार का ब्लूप्रिंट है। यह साबित करता है कि हमें ट्यूमर को मारने के लिए जरूरी नहीं कि लाखों बैक्टीरिया से उसे सराबोर कर दें। इसके बजाय, हमें बस बैक्टीरिया के एक छोटे, स्मार्ट समूह की आवश्यकता हो सकती है जो प्रभावी ढंग से संवाद कर सके और एक ऐसा "किल सिग्नल" भेज सके जो दूर-दूर तक फैले।

संक्षेप में: यह शोध पत्र एक सुपर-स्मार्ट AI का उपयोग करके दिखाता है कि बैक्टीरिया कैंसर को केवल खाकर ही नहीं, बल्कि उससे बात करके और उसे रुकने का आदेश देकर भी हरा सकते हैं। यह संचार से जीती गई लड़ाई है, न कि केवल शारीरिक बल से।

यहाँ शोध पत्र "Mathematical Modeling of Cancer–Bacterial Therapy: Analysis and Numerical Simulation via Physics-Informed Neural Networks" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र बैक्टीरियल कैंसर थेरेपी (BCT) की जटिल गतिशीलता को संबोधित करता है, विशेष रूप से हाइपोक्सिक (ऑक्सीजन की कमी वाले) ट्यूमर क्षेत्रों को लक्षित करने के लिए एनारोबिक बैक्टीरिया (जैसे, Salmonella, Clostridium novyi-NT) का उपयोग करते हुए। जबकि जैविक तंत्र गुणात्मक रूप से समझे जाते हैं, उनमें एक कठोर मात्रात्मक मॉडलिंग का अभाव है जो निम्नलिखित के बीच होने वाली सहवर्ती अंतःक्रियाओं (simultaneous interactions) को ध्यान में रखता है:

ट्यूमर कोशिका प्रसार (proliferation) और मृत्यु।
बैक्टीरियल उपनिवेशण (colonization) और वृद्धि (ऑक्सीजन/हाइपोक्सिया पर निर्भर)।
ऑक्सीजन की खपत और संवहनी आपूर्ति (vascular supply)।
ट्यूमर-प्रेरित इम्यूनोसप्रेसिव साइटोकिन्स (cytokines)।
ट्यूमर को रोकने के लिए बैक्टीरिया द्वारा उत्पादित क्वोरम-सेंसिंग (QS) आणविक संकेत।

मौजूदा मॉडल अक्सर इन अंतःक्रियाओं को सरल बना देते हैं (जैसे, स्थानिक विषमता के बिना ODEs का उपयोग करना) या साइटोकाइन-मध्यस्थ बैक्टीरियल क्लीयरेंस जैसे विशिष्ट फीडबैक लूप्स को अनदेखा कर देते हैं। इसके अलावा, पाँच युग्मित नॉनलीनियर रिएक्शन-डिफ्यूजन PDEs के परिणामी सिस्टम को हल करना शास्त्रीय संख्यात्मक विधियों (classical numerical methods) के लिए चुनौतीपूर्ण है, क्योंकि इसमें मेश स्टिफनेस (mesh stiffness), ऑपरेटर स्प्लिटिंग त्रुटियां और लेबल किए गए डेटा की व्यापक आवश्यकता शामिल है।

2. कार्यप्रणाली (Methodology)

A. गणितीय मॉडलिंग (Mathematical Modeling)

लेखक एक पाँच-प्रजाति युग्मित रिएक्शन-डिफ्यूजन सिस्टम तैयार करते हैं जो एक 2D ऊतक डोमेन $\Omega$ पर समय $t \in (0, \tau)$ के लिए परिभाषित है। अवस्था वेक्टर (state vector) $\mathbf{U} = (T, B, O, I, S)^\^\top$ है, जो दर्शाता है:

$T$ (ट्यूमर घनत्व): लॉजिस्टिक ग्रोथ, प्राकृतिक मृत्यु और बैक्टीरियल संकेतों ( $S$ ) द्वारा प्रेरित साइटोटॉक्सिसिटी द्वारा नियंत्रित।
$B$ (बैक्टीरियल घनत्व): डिफ्यूजन, प्रसार (ऑक्सीजन द्वारा बाधित), प्राकृतिक मृत्यु और इम्यूनोसप्रेसिव साइटोकिन्स ( $I$ ) द्वारा क्लीयरेंस द्वारा नियंत्रित।
$O$ (ऑक्सीजन सांद्रता): डिफ्यूजन, ट्यूमर कोशिकाओं द्वारा उपभोग और संवहनी स्रोतों से पुनर्भरण द्वारा नियंत्रित।
$I$ (इम्यूनोसप्रेसिव साइटोकिन्स): ट्यूमर कोशिकाओं द्वारा उत्पादित और प्राकृतिक रूप से क्षय होते हैं; वे बैक्टीरियल वृद्धि को रोकते हैं।
$S$ (डिफ्यूसिबल सिग्नल/QS): बैक्टीरिया द्वारा उत्पादित और प्राकृतिक रूप से क्षय होते हैं; यह ट्यूमर प्रसार को रोकता है।

यह सिस्टम होमोजेनियस न्यूमैन बाउंड्री कंडीशंस (zero flux) और विशिष्ट प्रारंभिक स्थितियों के अधीन है (स्थानीयकृत ट्यूमर सीड और ऑफ-सेंटर बैक्टीरियल इंजेक्शन)।

B. गणितीय विश्लेषण (Mathematical Analysis)

मशीन लर्निंग लागू करने से पहले, लेखक एक कठोर सैद्धांतिक विश्लेषण प्रदान करते हैं:

ग्लोबल वेल-पोज़्डनेस (Global Well-Posedness): वे सोबोलेव स्पेस (Sobolev spaces) के भीतर एक मास-कंट्रोल स्ट्रक्चर और क्वाज़ी-पॉजिटिविटी तर्कों का उपयोग करके ग्लोबल क्लासिकल सॉल्यूशंस के अस्तित्व, विशिष्टता, धनात्मकता और नियमितता को सिद्ध करते हैं।
स्टेडी-स्टेट विश्लेषण (Steady-State Analysis): वे तीन जैविक रूप से प्रासंगिक स्टेडी स्टेट्स की पहचान करते हैं:
1. ट्यूमर-मुक्त साम्यावस्था (Tumor-free equilibrium)।
2. बैक्टीरिया-मुक्त ट्यूमर साम्यावस्था (Bacteria-free tumor equilibrium)।
3. सह-अस्तित्व साम्यावस्था (Coexistence equilibrium - ट्यूमर और बैक्टीरिया)।
स्थिरता (Stability): वे प्रदर्शित करते हैं कि डिफ्यूजन ट्यूरिंग अस्थिरता (Turing instabilities) उत्पन्न नहीं करता है, जिससे विशिष्ट पैरामीटर स्थितियों के तहत होमोजेनियस स्टेडी स्टेट्स की स्थिरता सुनिश्चित होती है।

C. फिजिक्स-इंफॉर्म्ड न्यूरल नेटवर्क (Physics-Informed Neural Networks - PINNs)

इस सिस्टम को संख्यात्मक रूप से हल करने के लिए, लेखक एक PINN फ्रेमवर्क का उपयोग करते हैं:

आर्किटेक्चर: $\tanh$ एक्टिवेशन फंक्शन के साथ 4 हिडन लेयर्स (प्रत्येक में 64 न्यूरॉन्स) वाला एक फुली कनेक्टेड मल्टी-लेयर पर्सेप्ट्रॉन (MLP)।
इनपुट/आउटपुट: इनपुट स्पैटियो-टेम्पोरल कोऑर्डिनेट्स $(x, y, t)$ हैं; आउटपुट पाँचों स्टेट वेरिएबल्स हैं।
लॉस फंक्शन: एक कंपोजिट लॉस फंक्शन $\mathcal{L} = \lambda_{pde}\mathcal{L}_{pde} + \lambda_{ic}\mathcal{L}_{ic} + \lambda_{bc}\mathcal{L}_{bc}$ $L = λ_{p d e} L_{p d e} + λ_{i c} L_{i c} + λ_{b c} L_{b c}$ का उपयोग किया जाता है, जो लागू करता है:
- PDE रेजिडुअल्स: ऑटोमैटिक डिफरेंशिएशन के माध्यम से कोलोकेशन पॉइंट्स पर गवर्निंग इक्वेशंस को संतुष्ट किया जाता है (बिना मेश के)।
- प्रारंभिक स्थितियाँ (Initial Conditions): उच्च वेटिंग ( $\lambda_{ic} = 50$ ) प्रारंभिक डेटा के प्रति निष्ठा सुनिश्चित करती है।
- बाउंड्री कंडीशंस: जीरो-फ्लक्स न्यूमैन कंडीशंस लागू की जाती हैं।
प्रशिक्षण (Training): एडम (Adam) एल्गोरिदम का उपयोग अर्ली स्टॉपिंग और लर्निंग रेट शेड्यूलिंग के साथ अनुकूलन के लिए किया जाता है।

D. अभिसरण सिद्धांत (Convergence Theory)

लेखक इस विशिष्ट नॉनलीनियर सिस्टम पर लागू होने वाले PINNs के लिए एक नवीन अभिसरण विश्लेषण (convergence analysis) प्रदान करते हैं:

त्रुटि अपघटन (Error Decomposition): कुल त्रुटि को एप्रोक्सिमेशन एरर, जनरलाइजेशन एरर और ऑप्टिमाइजेशन एरर में विभाजित किया गया है।
सैद्धांतिक सीमाएँ (Theoretical Bounds): वे एक कंडीशनल स्टेबिलिटी प्रमेय स्थापित करते हैं जो एप्रोक्सिमेशन एरर को PDE रेजिडुअल्स से जोड़ता है।
अभिसरण दर (Convergence Rate): वे सिद्ध करते हैं कि त्रुटि $\mathcal{O}(n^{-2} \ln^4(n) + N^{-1/2})$ के रूप में घटती है, जहाँ $n$ नेटवर्क की चौड़ाई है और $N$ कोलोकेशन पॉइंट्स की संख्या है।

3. मुख्य योगदान (Key Contributions)

नवीन युग्मित मॉडल: वह पहला PDE फ्रेमवर्क जो ट्यूमर-बैक्टीरिया इंटरैक्शन, हाइपोक्सिया-ड्रिवन बैक्टीरियल ग्रोथ, वैस्कुलर ऑक्सीजन एक्सचेंज, साइटोकाइन फीडबैक और क्वोरम-सेंसिंग रेगुलेशन को एक साथ एकीकृत करता है।
कठोर गणितीय विश्लेषण: 5-स्पीशीज नॉनलीनियर सिस्टम के लिए ग्लोबल वेल-पोज़्डनेस और स्थिरता विश्लेषण का प्रमाण, जो ट्यूमर उन्मूलन बनाम सह-अस्तित्व की स्थितियों की पहचान करता है।
PINN अभिसरण गारंटी: जटिल, युग्मित नॉनलीनियर रिएक्शन-डिफ्यूजन सिस्टम के लिए PINN अभिसरण सिद्धांत का विस्तार, जो नेटवर्क आर्किटेक्चर और सैंपलिंग डेंसिटी पर निर्भर स्पष्ट त्रुटि सीमाएँ प्रदान करता है।
मैकेनिस्टिक अंतर्दृष्टि: संख्यात्मक सिमुलेशन से पता चलता है कि प्रत्यक्ष बैक्टीरियल आक्रमण या हाइपोक्सिया निर्भरता के बजाय, डिफ्यूसिबल क्वोरम-सेंसिंग सिग्नल दीर्घकालिक ट्यूमर दमन के प्राथमिक चालक हैं।

4. परिणाम और संख्यात्मक सिमुलेशन (Results and Numerical Simulations)

लेखकों ने 30 दिनों की अवधि में $6 \times 6$ mm $^2$ डोमेन पर व्यापक संख्यात्मक प्रयोग किए:

चिकित्सीय चरण (Therapeutic Phases): सिमुलेशन ने चार अलग-अलग चरणों को कैप्चर किया:
1. ट्यूमर विकास: कैरिंग क्षमता तक तीव्र विस्तार।
2. बैक्टीरियल सक्रियण और सिग्नल संचय: बैक्टीरिया हाइपोक्सिक निश (niches) में बढ़ते हैं; QS सिग्नल ( $S$ ) जमा होते हैं।
3. ट्यूमर दमन: उच्च सिग्नल सांद्रता ट्यूमर सेल डेथ ( $-\alpha_S S T$ ) को ट्रिगर करती है, जिससे बैक्टीरियल घनत्व मध्यम रहने के बावजूद ट्यूमर घनत्व में भारी गिरावट आती है।
4. सह-अस्तित्व: सिस्टम एक निम्न-घनत्व साम्यावस्था ( $T \approx 0.01$ ) पर स्थिर हो जाता है, जो प्रभावी रूप से नियंत्रित है लेकिन पूरी तरह से समाप्त नहीं हुआ है।
ऑक्सीजन गतिशीलता: कुछ धारणाओं के विपरीत, थेरेपी ने गहरे हाइपोक्सिया बनाने पर निर्भरता नहीं दिखाई। ऑक्सीजन का स्तर वैस्कुलर बेसलाइन ( $O \approx 0.2$ ) के करीब रहा, जो यह दर्शाता है कि तंत्र आणविक संचार (QS सिग्नल) है न कि हाइपोक्सिया-निर्भर बैक्टीरियल उपनिवेशण।
संवेदनशीलता विश्लेषण (Sensitivity Analysis):
- $\alpha_S$ (सिग्नल प्रभावकारिता): उच्च मान शुरू में ट्यूमर को दबाते हैं लेकिन यदि ऑक्सीजन का स्तर बढ़ता है, तो रिकवरी की ओर ले जा सकते हैं, जिससे ट्यूमर अनुकूलन संभव होता है।
- $\beta_I$ (इम्यून क्लीयरेंस): बैक्टीरिया की प्रतिरक्षा क्लीयरेंस बढ़ाने से विरोधाभासी रूप से उपचार की प्रभावकारिता कम हो गई, क्योंकि इससे बैक्टीरियल घनत्व और सिग्नल उत्पादन कम हो गया।
- $\gamma_{vas}$ (संवहनी आपूर्ति): उच्च वैस्कुलराइजेशन (उच्च ऑक्सीजन) ने एनारोबिक बैक्टीरिया के अस्तित्व को कम कर दिया, जिससे ट्यूमर का पुनर्जन्म हुआ। यह सुझाव देता है कि दीर्घकालिक नियंत्रण के लिए हाइपोक्सिक क्षेत्रों को बनाए रखना या ऑक्सीजन-सहिष्णु बैक्टीरिया का उपयोग करना महत्वपूर्ण है।

5. महत्व (Significance)

कंप्यूटेशनल दक्षता: PINN दृष्टिकोण ने बिना मेश जनरेशन या लेबल किए गए प्रशिक्षण डेटा के एक 'स्टिफ' (stiff), बहु-प्रजाति PDE सिस्टम को सफलतापूर्वक हल किया, जो शास्त्रीय परिमित तत्व/अंतर विधियों (finite element/difference methods) की सीमाओं को पार करता है।
जैविक अंतर्दृष्टि: यह अध्ययन इस धारणा को चुनौती देता है कि बैक्टीरियल थेरेपी केवल हाइपोक्सिया पर निर्भर करती है। यह ट्यूमर को दबाने के लिए एक दीर्घ-दूरी के चिकित्सीय तंत्र के रूप में क्वोरम-सेंसिंग की महत्वपूर्ण भूमिका को रेखांकित करता है, जो तब भी काम कर सकता है जब बैक्टीरिया ट्यूमर मास से स्थानिक रूप से अलग हों।
नैदानिक निहितार्थ: संवेदनशीलता विश्लेषण बताता है कि चिकित्सीय सफलता संवहनीकरण (vascularization), प्रतिरक्षा प्रतिक्रिया और बैक्टीरियल उत्तरजीविता के बीच एक नाजुक संतुलन पर निर्भर करती। इसका तात्पर्य है कि केवल बैक्टीरियल लोड या ऑक्सीजन आपूर्ति बढ़ाना इष्टतम नहीं हो सकता है; इसके बजाय, रणनीतियों को विशिष्ट सूक्ष्म पर्यावरणीय स्थितियों (हाइपोक्सिया) को बनाए रखने या बेहतर ऑक्सीजन सहनशीलता वाले बैक्टीरिया को इंजीनियर करने पर ध्यान केंद्रित करना चाहिए।
सैद्धांतिक प्रगति: अभिसरण प्रमाण जटिल जैविक मॉडलिंग में PINNs के उपयोग के लिए एक गणितीय आधार प्रदान करते हैं, जो अनुभवजन्य सफलता से आगे बढ़कर गारंटीकृत त्रुटि सीमाओं तक ले जाते हैं।