Deep learning of material transport in complex neurite networks.
Deep learning of material transport in complex neurite networks.
复制标题
DOI：
10.1038/s41598-021-90724-3
复制
发表时间：
2021-05-28
影响因子：
4.6
通讯作者：
Zhang YJ
中科院分区：
文献类型：
--
作者：
Li A;Barati Farimani A;Zhang YJ
神经元在其分支的神经突网络中表现出复杂的几何形状，这对于单个神经元的功能是必不可少的，但也带来了在其整个神经突网络中运输各种必需物质以用于其生存和功能的挑战。虽然等几何分析（伊加）等数值方法已被用于通过求解偏微分方程（PDE）来模拟物质输运过程，但它们需要很长的计算时间和巨大的计算资源来确保精确的几何表示和解决方案，从而限制了它们的生物医学应用。在这里，我们提出了一个基于图神经网络（GNN）的深度学习模型，用于学习基于IGA的材料传输模拟，并在任何拓扑结构的神经突网络中提供快速的材料浓度预测。给定输入边界条件和几何配置，经过良好训练的模型可以预测运输过程中的动态浓度变化，平均误差小于10%，并且与伊加模拟相比更快。该模型的有效性证明在几个复杂的神经突网络。
Neurons exhibit complex geometry in their branched networks of neurites which is essential to the function of individual neuron but also brings challenges to transport a wide variety of essential materials throughout their neurite networks for their survival and function. While numerical methods like isogeometric analysis (IGA) have been used for modeling the material transport process via solving partial differential equations (PDEs), they require long computation time and huge computation resources to ensure accurate geometry representation and solution, thus limit their biomedical application. Here we present a graph neural network (GNN)-based deep learning model to learn the IGA-based material transport simulation and provide fast material concentration prediction within neurite networks of any topology. Given input boundary conditions and geometry configurations, the well-trained model can predict the dynamical concentration change during the transport process with an average error less than 10% and times faster compared to IGA simulations. The effectiveness of the proposed model is demonstrated within several complex neurite networks.
登录
查看更多内容
影响因子：
4.1
作者：
Bazilevs, Y.;Calo, V. M.;Hughes, T. J. R.
通讯作者：
Hughes, T. J. R.
DOI：
10.1002/nme.5004
发表时间：
2016-03-16
影响因子：
2.9
作者：
Casquero, Hugo;Liu, Lei;Gomez, Hector
通讯作者：
Gomez, Hector
影响因子：
1.9
作者：
Friedman, A;Craciun, G
通讯作者：
Craciun, G
影响因子：
5.3
作者：
Ascoli, Giorgio A.;Donohue, Duncan E.;Halavi, Maryam
通讯作者：
Halavi, Maryam
DOI：
10.1016/j.cma.2014.11.038
发表时间：
2015-02-01
影响因子：
7.2
作者：
Anitescu, Cosmin;Jia, Yue;Rabczuk, Timon
通讯作者：
Rabczuk, Timon