.png){kind=icon}
返回
High-throughput adaptive physics refinement for tissue-scale adhesive dynamics
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jocs.2026.102812.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
明确解析循环肿瘤细胞（CTCs）在解剖学真实血管中的配体-受体相互作用，在亚微米精度下模拟粘附动力学仍然在计算上不可行。本研究中，我们将先前提出的混合CPU-GPU自适应物理细化（APR）和单窗口自适应物理细化粘附动力学（APR-AD）方法（Martin等人，2025）扩展为一个可扩展、高通量的APR-AD平台。该扩展引入了：（1）一种壁面解析的多窗口公式，能够实现数千个并行粘附输运模拟；（2）一种单向耦合策略，在消除窗口间依赖性的同时保持轨迹精度；（3）一种无通信的APR模式，用于稳态流动，将窗口阶段转化为完全并行的工作负载。我们进一步提出了GPU加速的粘附动力学核心算法，包括使用线性反馈移位寄存器的确定性随机数生成和针对现代exascale系统的八叉树基受体搜索优化。在Aurora超级计算机上的双分叉组织尺度血管测试案例中，APR-AD并行跟踪3072个循环肿瘤细胞，相对于完全显式模型，内存消耗减少约15倍，同时保持高保真度的粘附动力学。这些进展将APR从单细胞可行性工具扩展为用于大规模癌症输运和其他受体介导输运现象研究的计算显微镜。
Keyword:
Adaptive physics refinement
High performance computing
Adhesive dynamics
期刊
J
IF:
3.7
论文数:
244
被引数:
0
机构
引用论文
Sexton, Z.A.; Rütsche, D.; Herrmann, J.E.; Hudson, A.R.; Sinha, S.; Du, J.; Shiwarski, D.J.; Masaltseva, A.; Solberg, F.S.; Pham, J.; et al. Rapid model-guided design of organ-scale synthetic vasculature for biomanufacturing. Science 2025, 388, 1198–1204. [Google Scholar] [CrossRef] [PubMed]Sexton, Z.A.; Rütsche, D.; Herrmann, J.E.; Hudson, A.R.; Sinha, S.; Du, J.; Shiwarski, D.J.; Masaltseva, A.; Solberg, F.S.; Pham, J.; 等. 基于模型快速指导的器官规模合成血管在生物制造中的设计. Science 2025, 388, 1198–1204. [Google Scholar] [CrossRef] [PubMed].png)
IF0
PREAI
分享收藏
查看更多内容