Bayesian Spatio-Dynamic Modeling in Cell Motility Studies: Learning Nonlinear Taxic Fields Guiding the Immune Response
细胞运动的贝叶斯时空动态建模：学习引导免疫反应的非线性趋性场AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要针对生物细胞运动与空间场推断，未提供所列经济计量细分的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
细胞运动的贝叶斯时空动态建模：学习引导免疫反应的非线性趋性场
- 研究问题
- 如何从免疫细胞的时空运动中学习引导运动的生化场结构，并同时刻画细胞个体差异与细胞群体层面的特征？
- 方法与思路
- 作者以非参数标量势场构建单细胞运动模型，通过贝叶斯层级扩展聚合多细胞信息，并采用定制 MCMC 进行推断。
- 材料陈述的贡献
- 摘要称该框架联合推断细胞与群体参数及潜在空间场，并以小鼠淋巴结显微成像数据展示三维趋性场的后验分析。
- 阅读关注点
- 应核对运动模型与势场之间的关系、空间场的可识别性、层级先验及 MCMC 收敛诊断，以及成像误差的处理。
- 阅读边界
- 仅据未注明稿件版本的 OpenAlex 索引摘要；势场识别条件、误差模型及后验可靠性未说明，不能推断刊本变化。
原文摘要
Ioanna Manolopouloua, Melanie P. Matheub, Michael D. Cahalanb, Mike Westa & Thomas B. Keplerc a Department of Statistical Science , Duke University , Durham , NC , 27708 b Department of Physiology and Biophysics, School of Medicine , University of California , Irvine , CA , 92697 c Department of Microbiology , Boston University School of Medicine , Boston , MA , 02118 We develop and analyze models of the spatio-temporal organization of lymphocytes in the lymph nodes and spleen. The spatial dynamics of these immune system white blood cells are influenced by biochemical fields and represent key components of the overall immune response to vaccines and infections. A primary goal is to learn about the structure of these fields that fundamentally shape the immune response. We define dynamic models of single-cell motion involving nonparametric representations of scalar potential fields underlying the directional biochemical fields that guide cellular motion. Bayesian hierarchical extensions define multicellular models for aggregating models and data on colonies of cells. Analysis via customized Markov chain Monte Carlo methods leads to Bayesian inference on cell-specific and population parameters together with the underlying spatial fields. Our case study explores data from multiphoton intravital microscopy in lymph nodes of mice, and we use a number of visualization tools to summarize and compare posterior inferences on the three-dimensional taxic fields.