Generation of virtual populations for quantitative systems pharmacology through advanced sampling methods
Notice bibliographique
Résumé
ABSTRACT Virtual population (VPop) generation is a central component of quantitative systems pharmacology (QSP), involving the sampling of parameter sets that represent physiologically plausible patients and capture observed inter-individual variability in clinical outcomes. This approach poses challenges due to the high dimensionality and often non-identifiability nature of many QSP models. In this study, we evaluate the performance of the DREAM(ZS) algorithm, a multi-chain adaptive Markov chain Monte Carlo (MCMC) method for generating VPop. Using the Van De Pas model of cholesterol metabolism as a case study, we compare DREAM(ZS) to the single-chain Metropolis-Hastings (MH) algorithm introduced by Rieger et al. Our comparison focuses on convergence behavior, parametric diversity, and posterior coverage, in relation to the ability of each method to explore complex parameter distributions and maintain correlations. DREAM(ZS) demonstrates superior exploration of the parameter space, reducing boundary accumulation effects common in traditional MH sampling, and restoring parameter correlation structures. These advantages are attributed in part to its adaptive proposal mechanism and the use of a bias-corrected likelihood formulation, which together contribute to a better parameters space sampling without compromising model fit. Our findings contribute to the ongoing development of efficient sampling methodologies for high-dimensional biological models, introducing a promising and easy to use alternative for VPop generation in QSP, expanding the methodological approaches for in silico trial simulation.
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 | 0,005 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».