MétaCan
Menu
Retour à la cohorte
Enregistrement W4410017164 · doi:10.1016/j.mbs.2025.109449

Exploring the spatio–temporal dynamics in activator–inhibitor systems through a dual approach of analysis and computation

2025· article· en· W4410017164 sur OpenAlexafffund
Vincent Nandwa Chiteri, Victor Ogesa Juma, James M. Okwoyo, S.K Moindi, Kudzanayi Zebedia Mapfumo, Anotida Madzvamuse

Notice bibliographique

RevueMathematical Biosciences · 2025
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGene Regulatory Network Analysis
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesH2020 Marie Skłodowska-Curie ActionsBritish Columbia Knowledge Development FundHorizon 2020Engineering and Physical Sciences Research CouncilNatural Sciences and Engineering Research Council of CanadaUniversity of British ColumbiaCanada Research ChairsRoyal SocietyPacific Institute for the Mathematical SciencesCanada Excellence Research Chairs, Government of CanadaWolfson FoundationCanada Foundation for InnovationSimons Foundation
Mots-clésComputationDual (grammatical number)Dynamics (music)Computer scienceActivator (genetics)AlgorithmSociologyMedicineInternal medicinePhilosophyLinguistics

Résumé

récupéré en direct d'OpenAlex

Real-world mathematical models often manifest as systems of non-linear differential equations, which presents challenges in obtaining closed-form analytical solutions. In this paper, we study the diffusion-driven instability of an activator-inhibitor-type reaction-diffusion (RD) system modeling the GEF-Rho-Myosin signaling pathway linked to cellular contractility. The mathematical model we study is formulated from first principles using experimental observations. The model formulation is based on the biological and mathematical assumptions. The novelty is the incorporation of Myo9b as a GAP for RhoA, leading to a new mathematical model that describes Rho activity dynamics linked to cell contraction dynamics. Assuming mass conservation of molecular species and adopting a quasi-steady state assumption based on biological observations, model reduction is undertaken and leads us to a system of two equations. We adopt a dual approach of mathematical analysis and numerical computations to study the spatiotemporal dynamics of the system. First, in absence of diffusion, we use a combination of phase-plane analysis, numerical bifurcation and simulations to characterize the temporal dynamics of the model. In the absence of spatial variations, we identified two sets of parameters where the model exhibit different transition dynamics. For some set of parameters, the model transitions from stable to oscillatory and back to stable, while for another set, the model dynamics transition from stable to bistable and back to stable dynamics. To study the effect of parameter variation on model solutions, we use partial rank correlation coefficient (PRCC) to characterize the sensitivity of the model steady states with respect to parameters. Second, we extend the analysis of the model by studying conditions under which a uniform steady state becomes unstable in the presence of spatial variations, in a process known as Turing diffusion-driven instability. By exploiting the necessary conditions for diffusion-driven instability and the sufficient conditions for pattern formation we carry out, numerically, parameter estimation through the use of mode isolation. To support theoretical and computational findings, we employ the pdepe solver in one-space dimension and the finite difference method in two-space dimension.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0020,003
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,034
Tête enseignante GPT0,272
Écart entre enseignants0,238 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission2
Résumé présentnon

Explorer davantage

Même revueMathematical BiosciencesMême sujetGene Regulatory Network AnalysisTravaux en français237 207