Global sensitivity analysis of a single-cell HBV model for viral dynamics in the liver
Notice bibliographique
Résumé
The predictive accuracy of mathematical models representing anything ranging from the meteorological to the biological system profoundly depends on the quality of model parameters derived from experimental data. Hence, robust sensitivity analysis (SA) of these critical model parameters aids in sifting the influential from the negligible out of typically vast parameter regimes, thus illuminating key components of the system under study. We here move beyond traditional local sensitivity analysis to the adoption of global SA techniques. Partial rank correlation coefficient (PRCC) based on Latin hypercube sampling is compared with the variance-based Sobol method. We selected for this SA investigation an infection model for the hepatitis-B virus (HBV) that describes infection dynamics and clearance of HBV in the liver [Murray & Goyal, 2015]. The model tracks viral particles such as the tenacious and nearly ineradicable covalently closed circular DNA (cccDNA) embedded in infected nuclei and an HBV protein known as p36. Our application of these SA methods to the HBV model illuminates, especially over time, the quantitative relationships between cccDNA synthesis rate and p36 synthesis and export. Our results reinforce previous observations that the viral protein, p36, is by far the most influential factor for cccDNA replication. Moreover, both methods are capable of finding crucial parameters of the model. Though the Sobol method is independent of model structure (e.g., linearity and monotonicity) and well suited for SA, our results ensure that LHS-PRCC suffices for SA of a non-linear model if it is monotonic.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».