
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种神经网络嵌入线性-二次模型,用于提高对离子束照射下细胞反应的预测精度
《Scientific Reports》:A neural network embedding the linear-quadratic model for improved prediction of cellular response to ion beam exposure
【字体: 大 中 小 】 时间:2026年05月21日 来源:Scientific Reports 3.9
编辑推荐:
摘要由于涉及复杂的、多尺度的机制,预测生物体对电离辐射的反应具有挑战性。传统的机器学习(ML)模型在拟合细胞存活实验数据时可能对实验不确定性敏感,并且缺乏理论一致性。本研究开发并验证了一个神经网络(NN)框架,该框架将已建立的放射生物学约束直接整合到其架构和训练过程中。目标是预测
由于涉及复杂的、多尺度的机制,预测生物体对电离辐射的反应具有挑战性。传统的机器学习(ML)模型在拟合细胞存活实验数据时可能对实验不确定性敏感,并且缺乏理论一致性。本研究开发并验证了一个神经网络(NN)框架,该框架将已建立的放射生物学约束直接整合到其架构和训练过程中。目标是预测不同细胞类型和辐射质量下的细胞存活分数(SF)及关键放射敏感性参数,同时保持与已知剂量-反应行为的一致性。开发了一个多分支前馈神经网络,用于同时预测细胞存活分数以及相关参数,包括线性-二次模型(LQM)的参数α和β、平均失活剂量(MID)、10%存活时的剂量(D??)和10%存活时的相对生物效应(RBE??)。模型架构明确地将LQM公式和放射敏感性参数的计算嵌入到专门的定制层中。自定义的损失函数对偏离已知范围的值进行惩罚,并平衡了多个预测目标。通过十折交叉验证使用粒子辐照数据集(PIDE)对模型进行训练和验证,该神经网络取得了较高的预测准确性。预测的细胞存活分数与实验数据非常吻合(R2 ≈ 0.95)。该模型还能够稳健地预测D??和MID值(R2 ≈ 0.80)以及RBE??值(R2 ≈ 0.75)。LQM的α参数预测具有较高的相关性(R2 ≈ 0.65),而β参数的预测则表现出较大的不确定性。将LQM形式主义整合到神经网络架构中,使得模型能够根据具有机制相关性的变量产生一致的预测结果,适用于多种辐射质量。通过应用已建立的放射生物学约束来限制模型,提高了模型将输入特征与细胞结果联系起来的能力,确保了准确的剂量-反应建模和有效的外推。