Dynamic Modelling and Prediction of Cytotoxicity on Microelectronic cell Sensor Array
Notice bibliographique
Résumé
Abstract A real‐time cell electronic sensing (RT‐CES) system has been used for label‐free dynamic measurements of cell responses to toxicant. Cells are grown onto the surfaces of the microelectronic sensors. Changes in cell number expressed as cell index (CI) have been recorded on‐line as time series. The CI data are used for dynamic modelling or parameter estimation for cell cytotoxicity process. We consider two dynamic modelling approaches, namely data‐based system identification and first principle modelling. It is shown that data‐based system identification can provide a quick solution for the cytotoxicity dynamic models and is effective for short‐term predictions. It, however, can be poor for long‐term predictions, particularly if there is no output correction, i.e., when the model is used for simulation. In view of this, the first principle modelling approach by considering fundamental physical principles such as toxicant transport is explored. For long‐term prediction or simulation, the prediction performance for some of cytotoxicity process is dramatically improved using the models obtained from the latter approach. This happens only if the underlying mechanism is truly understood. Through several cytotoxicity modelling and validation studies, it is shown that the black box modelling and first principle modelling both should be considered in challenging modelling problems such as the cytotoxicity. Pros and cons of the two modelling approaches are discussed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».