[论文解读] A hybrid algorithm for coupling PDE and compartment-based dynamics

Jonathan U. Harrison, Christian A. Yates|arXiv (Cornell University)|Apr 28, 2016

Mathematical Biology Tumor Growth参考文献 3被引用 4

一句话总结

本文提出了一种混合算法，将随机的分室基反应-扩散模型与确定性的偏微分方程（PDE）模型耦合，以在计算效率与随机准确性之间取得平衡。通过在一处界面采用基于通量的耦合，在另一处界面采用浓度匹配（狄利克雷型）的耦合方式，该方法实现了不同模型间无缝的质量传递，将模拟时间最多减少五倍，同时保持了低且无偏倚的误差，且误差不随时间增长。

ABSTRACT

Stochastic simulation methods can be applied successfully to model exact spatio-temporally resolved reaction-diffusion systems. However, in many cases, these methods can quickly become extremely computationally intensive with increasing particle numbers. An alternative description of many of these systems can be derived in the diffusive limit as a deterministic, continuum system of partial differential equations. Although the numerical solution of such partial differential equations is, in general, much more efficient than the full stochastic simulation, the deterministic continuum description is generally not valid when copy numbers are low and stochastic effects dominate. Therefore, to take advantage of the benefits of both of these types of models, each of which may be appropriate in different parts of a spatial domain, we have developed an algorithm that can be used to couple these two types of model together. This hybrid coupling algorithm uses an overlap region between the two modelling regimes. By coupling fluxes at one end of the interface and using a concentration-matching condition at the other end, we ensure that mass is appropriately transferred between PDE- and compartment-based regimes. Our methodology gives notable reductions in simulation time in comparison with using a fully stochastic model, whilst maintaining the important stochastic features of the system and providing detail in appropriate areas of the domain. We test our hybrid methodology robustly by applying it to several biologically motivated problems including diffusion and morphogen gradient formation. Our analysis shows that the resulting error is small, unbiased and does not grow over time.

研究动机与目标

• 为解决在粒子数量较高时完全随机模型的计算低效问题，同时在粒子数量较少的区域保持随机保真度。
• 在反应-扩散系统中，开发一种鲁棒的分室基随机模型与PDE基确定性模型之间的耦合方法。
• 通过使用物理上一致的边界条件，确保模型间界面处的准确质量传递。
• 在具有生物学相关性的实际问题上验证该混合方法，包括扩散过程和形态发生素梯度形成。
• 证明由混合方法引入的误差保持较小、无偏倚且随时间不变。

提出的方法

• 该算法使用一个空间重叠区域，使PDE模型与分室基模型共存，从而实现不同模型间平滑的过渡。
• 在一处界面上强制实施通量连续性，以确保耦合边界处质量守恒。
• 在相对的另一界面应用狄利克雷型浓度匹配条件，以对齐两模型之间的平均浓度。
• PDE网格的分辨率显著高于分室晶格，从而在PDE区域实现高数值精度，且不会带来过高的计算成本。
• 通过边界条件的数学分析，为该方法提供了理论依据，确保其一致性与稳定性。
• 引入自适应界面以进一步提升计算性能。

实验结果

研究问题

• RQ1 与完全随机模型相比，结合PDE与分室基动力学的混合模型是否能显著减少模拟时间，同时保持低误差？
• RQ2 分室大小、PDE离散化方式以及重叠区域大小的变化如何影响混合耦合的准确性和稳定性？
• RQ3 该混合方法是否能在低粒子数区域保持随机特性，同时在高粒子数区域实现计算效率？
• RQ4 耦合过程中引入的误差是否保持较小、无偏倚且不随时间增长？
• RQ5 该方法是否可稳健地应用于具有生物学相关性的系统，如形态发生素梯度形成？

主要发现

• 在标准测试问题中，与完全随机模型相比，该混合算法将模拟时间减少了约五倍。
• 混合解与解析解之间的总误差保持较小且不随时间增长，表明具有长期稳定性。
• 误差与重叠区域中分室数量的变化无关，证明了其对界面设计的鲁棒性。
• 如预期，分室大小（h）越大，随机误差越大，但其行为仍与完全随机模型保持一致。
• 在多个测试案例中，包括扩散和形态发生素梯度形成，该方法均保持了低、无偏倚的误差，证实了其可靠性。
• 基于通量的耦合与浓度匹配条件确保了两模型间准确的质量传递及物理一致性。