For the sake of computational efficiency and for theoretical purposes, in mathematical modelling, the Dirac Delta distributions are often utilized as a replacement for cells or vesicles, since the size of cells or vesicles is much smaller than the size of the surrounding tissues. Here, we consider the scenario that the cell or the vesicle releases the diffusive compounds to the immediate environment, which is modelled by the diffusion equation. Typically, one separates the intracellular and extracellular environment and uses homogeneous Neumann boundary condition for the cell boundary (so-called spatial exclusion approach), while the point source approach neglects the intracellular environment. We show that extra conditions are needed such that the solutions to the two approaches are consistent. We prove a necessary and sufficient condition for the consistency. Suggested by the numerical results, we conclude that an initial condition in the form of Gaussian kernel in the point source approach compensates for a time-delay discrepancy between the solutions to the two approaches in the numerical solutions. Various approaches determining optimal amplitude and variance of the Gaussian kernel have been discussed.


翻译:为了计算效率和理论目的,在数学建模中,往往用狄拉克δ分布代替细胞或液泡,因为细胞或液泡的尺寸比周围组织的尺寸小得多。在这里,我们考虑细胞或液泡释放扩散化合物到周围环境的情况,这是由扩散方程模拟的。通常,人们将细胞内和细胞外环境分开,并对细胞边界使用均匀的 Neumann 边界条件(所谓的空间排斥方法),而点源方法则忽略了细胞内环境。我们表明需要额外的条件,使得两种方法的解是一致的。我们证明了一种必要且充分的一致性条件。受数值结果的启示,我们得出结论:点源方法中形式为高斯核的初始条件可以补偿两种方法的数值解之间的时间延迟差异。我们讨论了确定高斯核的最佳振幅和方差的各种方法。

0
下载
关闭预览

相关内容

【2023新书】随机模型基础,815页pdf
专知会员服务
100+阅读 · 2023年5月10日
专知会员服务
50+阅读 · 2020年12月14日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
专知会员服务
61+阅读 · 2020年3月4日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2023年6月13日
Arxiv
0+阅读 · 2023年6月12日
VIP会员
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Top
微信扫码咨询专知VIP会员