A robust multi-objective optimization framework to capture both cellular and intercellular properties in cardiac cellular model tuning: Analyzing different regions of membrane resistance profile in parameter fitting
Notice bibliographique
Résumé
Mathematical models of cardiac cells have been established to broaden understanding of cardiac function. In the process of developing electrophysiological models for cardiac myocytes, precise parameter tuning is a crucial step. The membrane resistance (Rm) is an essential feature obtained from cardiac myocytes. This feature reflects intercellular coupling and affects important phenomena, such as conduction velocity, and early after-depolarizations, but it is often overlooked during the phase of parameter fitting. Thus, the traditional parameter fitting that only includes action potential (AP) waveform may yield incorrect values for Rm. In this paper, a novel multi-objective parameter fitting formulation is proposed and tested that includes different regions of the Rm profile as additional objective functions for optimization. As Rm depends on the transmembrane voltage (Vm) and exhibits singularities for some specific values of Vm, analyses are conducted to carefully select the regions of interest for the proper characterization of Rm. Non-dominated sorting genetic algorithm II is utilized to solve the proposed multi-objective optimization problem. To verify the efficacy of the proposed problem formulation, case studies and comparisons are carried out using multiple models of human cardiac ventricular cells. Results demonstrate Rm is correctly reproduced by the tuned cell models after considering the curve of Rm obtained from the late phase of repolarization and Rm value calculated in the rest phase as additional objectives. However, relative deterioration of the AP fit is observed, demonstrating trade-off among the objectives. This framework can be useful for a wide range of applications, including the parameters fitting phase of the cardiac cell model development and investigation of normal and pathological scenarios in which reproducing both cellular and intercellular properties are of great importance.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,002 | 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 ».