Integrating Mechanistic Modeling and Machine Learning to Study CD4+/CD8+ CAR-T Cell Dynamics with Tumor Antigen Regulation
该研究提出了一种整合机制建模与机器学习的扩展框架，通过显式模拟 CD4+/CD8+ CAR-T 细胞亚群在肿瘤抗原调节下的动态相互作用，揭示了治疗结果的关键驱动因素，并展示了数据驱动方法如何在参数不确定性下辅助提升预测能力。
🧬 Category
q-bio.CB
12 篇论文
Optical Manipulation of Erythrocytes via Evanescent Waves: Assessing Glucose-Induced Mobility Variations
该研究利用全内反射产生的倏逝波和自动轨迹追踪技术，证实了葡萄糖浓度升高会显著降低红细胞在光场中的平均运动速度，表明倏逝波可作为探测受生化变化影响的细胞膜力学性质的非侵入式工具。
Parameter Identifiability Under Limited Experimental Data in Age-Structured Models of the Cell Cycle
本文通过建立基于延迟伽马分布的年龄结构偏微分方程模型，推导了平衡指数增长下的细胞周期相比例及 FUCCI 可观测量的解析表达式，进而评估了整合不同来源的汇总数据对模型参数可辨识性的影响，并确定了在数据有限情况下成功拟合细胞周期模型所需的最小数据量及可辨识参数组合。
A Phase-field Model for Apoptotic Cell Death
本文提出了一种基于相场框架的细胞凋亡模拟模型，通过推导构型力学机制并模拟细胞收缩、膜起泡及碎裂等形态转变，为理解凋亡过程及开发计算疗法提供了新工具。
Single-cell directional sensing at ultra-low chemoattractant concentrations from extreme first-passage events
该论文通过推导受体结合时间与位置的联合分布，揭示了早期结合事件携带了关于化学引诱物源方向性的关键信息，从而证明细胞仅需少量结合事件即可在极低浓度下快速且准确地实现定向感知。
Discovery of a Hematopoietic Manifold in scGPT Yields a Method for Extracting Performant Algorithms from Biological Foundation Model Internals
该研究通过机械可解释性方法，从单细胞基础模型 scGPT 中提取并验证了一个紧凑的造血算法，该算法在无需目标数据集重训练的情况下，在发育分支结构解析和细胞亚型分类等任务上显著优于现有主流方法，并揭示了其内部由特定基因程序构成的核心机制。
Theory of Cell Body Lensing and Phototaxis Sign Reversal in "Eyeless" Mutants of
该论文通过结合细胞体透镜效应与适应性光趋性模型，定量解释了无眼点突变体衣藻因内部光焦散导致光受体接收竞争信号，进而因对高时间导数信号的响应优势而发生光趋性方向反转的机制。
SSRCA: a novel machine learning pipeline to perform sensitivity analysis for agent-based models
本文提出了一种名为 SSRCA 的新型机器学习流程，通过模拟、汇总、降维、聚类和分析五个步骤，有效解决了代理基模型（ABM）敏感性分析的计算难题，能够识别敏感参数、揭示输出模式并确定生成这些模式的参数区域，且相比传统的 Sobol 法具有更强的鲁棒性。
Mathematical modeling of glioma invasion and therapy approaches via kinetic theory of active particles
本文提出了一种基于活性粒子动力学理论的多尺度模型，结合弥散张量成像（DTI）数据和真实患者病例，在考虑血管化影响的同时，评估并比较了放疗、化疗及抗血管生成疗法单独或联合治疗胶质瘤侵袭的效果。
DCENWCNet: A Deep CNN Ensemble Network for White Blood Cell Classification with LIME-Based Explainability
本文提出了一种名为 DCENWCNet 的新型深度卷积神经网络集成模型，通过结合三种具有不同配置架构的 CNN 来优化白细胞分类性能，并利用 LIME 技术增强模型的可解释性，从而在 Rabbin-WBC 数据集上实现了优于现有最先进方法的分类精度与诊断可信度。
Learning Explicit Single-Cell Dynamics Using ODE Representations
本文提出了 Cell-MNN 模型，这是一种基于编码器 - 解码器架构的端到端方法，通过可解释的常微分方程（ODE）显式学习细胞分化动力学及基因相互作用，在性能、可扩展性和生物学可解释性方面均优于现有最先进模型。
Causal Circuit Tracing Reveals Distinct Computational Architectures in Single-Cell Foundation Models: Inhibitory Dominance, Biological Coherence, and Cross-Model Convergence
该研究通过引入因果电路追踪方法，揭示了 Geneformer 和 scGPT 等单细胞基础模型具有高度保守的抑制主导计算架构与生物一致性，并验证了跨模型共识域与疾病及基因调控的显著关联。