Population balances in case of crossing characteristic curves: Application to T‐cells immune response
Notice bibliographique
Résumé
Abstract The progression of a cell population where each individual is characterized by the value of an internal variable varying with time (e.g. size, mass, and protein concentration) is typically modelled by a population balance equation, a first‐order linear hyperbolic partial differential equation. The characteristics described by internal variables usually vary monotonically with the passage of time. A particular difficulty appears when the characteristic curves exhibit different slopes from each other and therefore cross each other at certain times. In particular, such a crossing phenomenon occurs during T‐cell immune response when the concentrations of protein expressions depend upon each other and also when some global protein (e.g. Interleukin signals) that is shared by all T‐cells is involved. At these crossing points, the linear advection equation is not possible by using the hyperbolic conservation laws in a classical way. Therefore, a new transport method is introduced in this article that is able to find the population density function for such processes. A multi‐scale mathematical modelling framework is employed. At the first scale, two processes, the activation and reaction terms (assimilated as nucleation and growth in particulate processes), are studied as independent processes. At the second scale, the dynamic variation in the population density of activated T‐cells is investigated in the presence of activation and reaction terms. The newly‐developed transport method is shown to work in the case of crossing characteristics and to provide a smooth solution at the crossing points in contrast to the classical numerical techniques.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».