Approximate Bayesian computation reveals the importance of repeated measurements for parameterising cell-based models of growing tissues

رشد و پویایی بافت های اپیتلیال، بسیاری از فرآیندهای مورفوژنیک در رشد جنین را کنترل می کند. انتقال اخیر کمی در کسب اطلاعات، تسهیل شده توسط پیشرفت در تکنیک های ژنتیک و تصویربرداری زندگی می کند راه را برای بینش جدید به این فرآیندهای. مدل های محاسباتی می توانند به ما در درک و تفسیر مشاهدات کمک کنند و سپس برای آزمایش های آینده که می توانند مکانیزم های فرضیه را تشخیص دهند، پیش بینی می کنند. به طور فزاینده، روشی مدل سازی مبتنی بر سلول مانند مدل های رأس برای کمک به درک مکانیک مورفوژنز اپیتلیال به کار می رود. این مدلها معمولا به دنبال بازتولید پدیده های کیفی مانند مرتب سازی سلول یا بافتن بافت می باشند. با این وجود هنوز معلوم نیست که تا چه حد می توان داده های کمی را برای محدود کردن این مدل ها استفاده کرد تا بتوان آنها را برای پیش بینی کمی و قابل آزمایش آزمایشی استفاده کرد. برای رسیدگی به این مسئله، ما در مطالعه سیلیکا برای بررسی اینکه آیا پارامترهای مدل رأس از داده های تصویربرداری می توان نتیجه گرفت، و روش هایی برای اندازه گیری عدم قطعیت چنین برآوردها را بررسی کنیم. رویکرد ما نیاز به استفاده از آمار خلاصه برای برآورد پارامترها دارد. در اینجا، ما بر روی آمار خلاصه بسته بندی سلولی و آزمایش های لایه برداری با تمرکز تمرکز می کنیم، که معمولا از مطالعات تصویربرداری گزارش می شود. ما دریافتیم که شامل داده هایی از آزمایشات مکرر برای تولید برآوردهای قابل قبول پارامتر که می تواند پیش بینی های مدل کمی را تسهیل کند، ضروری است.