《Computational Biology and Chemistry》:An Artificial Neural Network Based on Radial Basis Methodology Using Delay Effects in the Parkinson's Disease Model
编辑推荐:
本文创新性地构建了一种基于径向基函数和贝叶斯正则化训练的双层神经网络(RBTLNN-BR)框架,用于高效、高精度地求解复杂的时滞帕金森病微分模型。该模型从健康神经元、被感染神经元、细胞外α-突触核蛋白、活化小胶质细胞和活化T细胞五个关键生物组分(N(y), I(y), αS(y), M(y), T(y))出发,模拟了帕金森病的免疫病理过程。通过隐式龙格-库塔方法生成训练数据,并以极小化的均方误差(MSE, 10-7到 10-9量级)和训练误差(10-11到 10-13量级),验证了该方法在求解此类非线性生物系统模型中的卓越计算性能和可靠性,为帕金森病的数学建模和机制研究提供了新的有力工具。
研究亮点
- •
一种新颖的径向基双层神经网络(RBTLNN-BR)框架被开发,用于求解包含时滞的帕金森病微分模型。
- •
该模型考虑了五个关键生物组分:健康神经元、被感染神经元、细胞外α-突触核蛋白、活化小胶质细胞和活化T细胞,从而更全面地模拟了免疫治疗背景下的疾病过程。
- •
数值解是通过使用隐式龙格-库塔方法生成的数据集,并采用贝叶斯正则化(BR)进行训练而得到的。
- •
所提方法在均方误差(MSE)和绝对误差(AE)方面达到了极高的精度,证明了其在求解复杂非线性生物系统模型中的高效性和可靠性。
数学模型:帕金森病时滞微分系统
本节将介绍本研究的核心数学模型,重点聚焦于神经元、免疫细胞(包括适应性免疫和固有免疫)以及细胞外α-突触核蛋白之间的复杂相互作用。这个非线性系统包含了五个不同种群(变量)的密度变化:健康神经元 N(y)、被感染神经元 I(y)、细胞外α-突触核蛋白 αS(y)、活化T细胞 T(y) 和活化小胶质细胞 M(y)。这个系统旨在从数学上表征整合了免疫治疗思想的帕金森病动力学。
精心设计的RBTLNN-BR神经网络
本部分将展示RBTLNN-BR方法如何为帕金森病时滞微分系统提供一种灵活的计算方案。该方法的核心在于其两个隐藏层都采用了径向基(RB)函数。其架构可表示如下:
[网络层1的输出向量] = Λ1( [权重矩阵W1] [输入y] + [偏置向量b1] )
[网络层2的输出向量] = Λ2( [权重矩阵Ψ] [层1输出] + [偏置向量β2] )
[最终模型的五个解向量] = ( [输出权重矩阵Ω] [层2输出] )
其中 Λ1和 Λ2是激活函数,W1, Ψ, Ω 是权重矩阵,b1, β2是偏置向量。
结果比较
本节展示了基于所设计的RBTLNN-BR框架与另一种常用优化器Adam求解器的结果比较。帕金森病微分系统在第一组参数条件下的数值解分别由Adam求解器(展示于表3)和本文提出的RBTLNN-BR方案(展示于表4)给出。这些对比增强了作者的信心,表明所提出的RBTLNN-BR框架有能力且可靠地求解帕金森病微分模型。
数值解
本节展示了使用RBTLNN-BR方法求解帕金森病数学模型所得的数值结果。该模型在三种不同的时延(τ)取值情景下进行了评估。
情景 1
帕金森病时滞微分系统的参数被设定为:σ = 10?4, ε1= ε2= ε3= 0.3, β = 0.5, a2= a1= 0.02, d1= 0.00034, μ1= 0.00019, μ2= 0.006, μ3= 0.015, τ = 50, e = 0.5, 初始条件为 N0= 0.0811, αS0= 0.0269, I0= 0.0124, M0= 0.1019, 和 T0= 0.0757。
结论
在本研究中,我们利用一个双层神经网络设计,展示了帕金森病时滞微分模型的数值求解性能。帕金森病系统被建模为由五个关键生物组分构成:健康脑神经元、细胞外α-突触核蛋白、被感染神经元、活化小胶质细胞和活化T细胞。本研究得出的主要结论如下: