Artificial neural network modeling of apoptosis in gammairradiated human lymphocytes
Notice bibliographique
Résumé
PURPOSE: To develop an artificial neural network (ANN) model of apoptotic response in gamma irradiated human lymphocytes. To assess the feasibility of training ANN radiobiological models using data collected with flow cytometry. MATERIALS AND METHODS: Irradiated isolated human lymphocytes were labelled with Annexin V-Fluorescein Isothiocyanate (FITC) and 7-Amino-Actinomycin D (7AAD) then analysed using flow cytometry. Twenty-four dose responses per donor from 14 donors were collected from a flow cytometer and used in model development as the training and cross-validation datasets. The general ANN model architecture was a multi-layer perceptron using the mean squared error of a cross validation dataset as the objective function. The ANN model was optimized by varying the number of hidden layers and the number of processing elements per layer. The optimized model constituted of three hidden layers with 80, 40, and 10 hidden layers in the first, second, and third layers respectively. RESULTS: The optimized model was used to simulate dose responses at the training doses of 0, 2, 4 and 8 Gray. A strong agreement between the model and measured dose responses was observed. The model was also used to simulate a dose response at 0.1 Gray and results were compared to the measured dose response from a donor not used in model development. Again, strong agreement between the model and the observed dose response was found. CONCLUSIONS: This study shows that artificial neural networks can be trained to provide high resolution, high accuracy models of multivariate radiobiological data collected by flow cytometry.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».