Investigating glucose-lactate metabolism in glioblastoma multiforme via universal physics-informed neural networks
Notice bibliographique
Résumé
Understanding the metabolic adaptations of cancer cells is crucial for uncovering potential therapeutic targets and improving treatment strategies. In this study, we present a hybrid modeling framework that combines Physics-Informed Neural Networks (PINNs) and Universal PINNs (UPINNs) to investigate glucose-lactate metabolism in glioblastoma cell lines. We first employed PINNs to infer critical model parameters governing glucose uptake and phenotypic switching in tumor cells, demonstrating high accuracy using synthetic data. We then extended this framework using UPINNs to uncover hidden metabolic dynamics that could not be explicitly modeled, introducing a latent variable $ W $ to represent unknown functional behavior in glycolytic processes. Our approach was validated for both synthetic and experimental datasets for two glioblastoma cell lines (LN18 and LN229) with distinct metabolic phenotypes. The UPINN framework not only captured cell-type-specific behaviors but also remained robust in the presence of moderate experimental noise. Furthermore, we explored the sensitivity of the model to the trade-off between data fidelity and mechanistic constraints, showing that the choice of loss term weighting significantly impacts predictive performance. While our application centered on cancer metabolism, the proposed method was general and applicable to a wide range of systems described by differential equations, including problems in biology, engineering, and physical sciences. This work demonstrates the potential of UPINNs as a powerful and interpretable tool for data-driven discovery in partially observed dynamical systems.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».