Multiscale modeling of drug diffusion in cardiovascular collagen networks using physics-informed neural networks
Notice bibliographique
Résumé
Cardiovascular disease (CVD) is the leading cause of mortality in Canada and worldwide, with serious complications such as atherosclerosis, stroke, and heart failure. These conditions often arise due to alterations in blood flow hemodynamics and progressive arterial degeneration. A key factor in arterial wall integrity is the hierarchical structure of collagen fibers, which provide mechanical strength while also influencing mass transport at multiple scales. Disruptions of collagen fibers can alter diffusive properties within the extracellular matrix (ECM), affecting nutrients delivery, drug transport, and pathological progression.Modeling diffusion within collagen fiber networks presents significant challenges due to their multiscale nature, structural heterogeneity, and nonlinear interactions. Traditional computational fluid dynamics methods FEM/FVM capture macroscopic transport behavior but often require fine meshes and high computational resources at microscale. In this study, we propose a multiscale modeling framework that integrates physics-based homogenization techniques with data-driven approaches. Specifically, we employ physics-informed neural networks (PINNs) to solve diffusion equations efficiently while incorporating microscale structural features of collagen fibers. This meshless approach enhances computational efficiency while preserving essential multiscale interactions in collagen fiber diffusion modeling.Drug diffusion in biological tissues happens at multiple spatial and temporal scales, where solute transport at the microscale influences macroscopic drug distribution. To bridge this multiscale gap, Physics-Informed Neural Networks (PINNs) are employed to infer effective diffusion coefficients by integrating microscale dynamics with macroscale transport models. PINNs incorporate governing physical laws directly into the loss function, enabling seamless coupling between scales. The loss function consists of: 1. PDE residuals from the advection-diffusion equation and Darcy’s law to capture local solute dynamics within the ECM; 2. Boundary conditions at different scales; 3. Data-driven constraints: leveraging high-resolution diffusion data at small time and space scales to infer macroscale transport properties. Fibrous structures with high-porosity and low porosity ECM will be modeled to simulated cardiovascular tissues at healthy and disease states. The drug distribution results could provide valuable insights for optimizing nanoparticle drug design and delivery 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».