Abstract A028: Automated Rule Synthesis from Literature for Agent-Based Modeling of the Tumor Microenvironment
Notice bibliographique
Résumé
Abstract Agent-based models (ABMs) are powerful tools for simulating multicellular dynamics in complex biological systems such as the tumor microenvironment (TME), enabling mechanistic insights into cancer progression, immune responses, and therapeutic outcomes. By representing individual cells as autonomous agents with defined behavioral rules, ABMs allow researchers to explore how local interactions give rise to emergent tissue-level features. The PhysiCell modeling platform has broadened access to ABMs by supporting user-friendly, rule-based configuration of cellular behaviors and microenvironmental conditions using a natural language grammar. The process of defining biologically accurate and comprehensive rules, however, remains a significant bottleneck. This process often requires labor-intensive manual curation of the literature and substantial domain expertise to translate complex and sometimes ambiguous biological findings into formal, simulation-ready logic. This challenge limits the scalability and accessibility of ABMs, particularly for rapidly prototyping models in emerging biological contexts or under tight development timelines. To streamline this process, we developed a large language model (LLM)-powered framework for automated rule synthesis from biomedical literature. Leveraging a custom retrieval-augmented generation (RAG) pipeline built on open-source infrastructure, the system identifies relevant scientific content and converts it into interpretable, simulation-compatible rules. While designed for compatibility with PhysiCell, the framework is platform-agnostic and includes a freely accessible web interface to support broad adoption by researchers across disciplines and experience levels. We benchmarked state-of-the-art LLMs for their ability to generate biologically valid and internally consistent rules from multiple—and occasionally conflicting—sources. We also assessed how the volume and quality of input evidence influence output consistency. The resulting rules closely mirrored expert-defined logic, successfully recovering 43 of 49 rules from a published agent-based model of triple-negative breast cancer. By accelerating the translation of biomedical literature into executable models, this AI-driven approach lowers the barrier to in silico experimentation and promotes broader adoption of agent-based modeling in cancer systems biology and precision oncology. Citation Format: Zachary Sims, Eric Cramer, Daniel Derrick, Laura Heiser, Paul Macklin, Young Hwan Chang. Automated Rule Synthesis from Literature for Agent-Based Modeling of the Tumor Microenvironment [abstract]. In: Proceedings of the AACR Special Conference in Cancer Research: Artificial Intelligence and Machine Learning; 2025 Jul 10-12; Montreal, QC, Canada. Philadelphia (PA): AACR; Clin Cancer Res 2025;31(13_Suppl):Abstract nr A028.
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,004 |
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 ».