Differential equation modeling of cell population dynamics in skeletal muscle regeneration from single-cell transcriptomic data
Notice bibliographique
Résumé
Skeletal muscle regeneration is a complex process orchestrated by diverse cell populations within a dynamic niche. In response to muscle damage and intercellular signaling, these cells undergo cell fate and migration decisions including quiescence, activation, proliferation, differentiation, infiltration, apoptosis, and exfiltration. The emergence of single-cell RNA sequencing (scRNA-seq) studies of muscle regeneration offers a significant opportunity to refine models of regeneration and enhance our understanding of cellular interactions. To better understand how crosstalk between cell types governs cell fate decisions and cell population dynamics, we developed a novel non-linear ordinary differential equation model guided by scRNA-seq data. Our model consists of 9 variables and 17 parameters, capturing the dynamics of key myogenic lineage and immune cell types. We calibrated time-series scRNA-seq data to units of cells per cubic millimeter of tissue and fit our model's parameters to capture the observed dynamics, validating on an independent time series. The model successfully captures key features of regeneration dynamics, particularly after incorporating a novel regulatory interaction between M2 macrophages and satellite cells that has been hypothesized in the literature. Our model lays a foundation for future computational explorations of muscle regeneration, modeling of disease conditions, and in silico testing of therapeutic strategies.
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 | 0,000 |
| 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 ».