A novel numerical and artificial intelligence based approach to study anti-angiogenic drugs: Endostatin¶

Akbarpour Ghazani, Mehran; Soltani, M.; Jalali, Peyman et al. · 2022 · Applied Mathematical Modelling

Metadata

Authors: Akbarpour Ghazani, Mehran; Soltani, M.; Jalali, Peyman; Hassannejad, Reza

DOI: 10.1016/j.apm.2021.12.033

Tags: #vascular-G&R #agent-based-model

🔬 Deep Note📄 Quick Note

概述（Overview）¶

摘要概述¶

本文在 Anderson-Chaplain (1998) 离散/连续混合血管生成框架上引入 endostatin（ES，collagen XVIII 的 20 kDa 内源性 matrikine）作为抗血管生成因子，构建 2D 概率型 tip/stalk 内皮细胞（EC）模型。三件主要的事：(1) 修改趋化函数 χ(c,e)=χ(1+αc)/(1+ϕe)，VEGF 在分子、ES 在分母，直接编码 ES 竞争 KDR/Flk-1 受体抑制迁移；(2) 离散化后将 tip 迁移概率 (P0-P4) 与 stalk 增殖概率 (Pr) 解耦，仅当 Pr≥0.039 时 tip 才前进——修正以往"tip 自由迁移、stalk 被动填充"；(3) 用广义回归神经网络（GRNN）对 42 组 PDE 仿真做代理模型，输入 (ES 浓度, 给药时间) → 20 天微血管密度（MVD），精度 87%。主要结论：ES 提至自然水平 5 倍可基本抑制血管生成；7 天内给药有效，逾 13 天血管已抵肿瘤则失效；高浓度 ES 可"正常化"（normalize）肿瘤血管，为联合化疗/放疗创造窗口。

建模问题与尺度¶

目标问题：将 endostatin 的多重作用机制（抑制 VEGF 信号、诱导 EC 凋亡、降低 branching）一次性纳入统一数学框架，并用 AI 代理获得轻量预测公式
空间尺度：2D 计算域 2mm×2mm，网格 200×200，h=10 μm
时间尺度：20 天血管生成过程，时间步使 EC 速度≈14 μm/hr
状态变量与输出量：n（EC 密度）、c（VEGF 浓度）、e（ES 浓度）、f（fibronectin 浓度）、m（MDE 浓度）；输出为微血管密度（MVD）和血管网络形态
与已有模型的差异：相比 Anderson-Chaplain [34] 的纯 VEGF 趋化函数，本文加入 ES 在分母的竞争项；相比 Tee-DiStefano [17] 的 proliferation 项，本文将 tip 迁移与 stalk 增殖解耦，设 Pr≥0.039 阈值，§2.2.1-2.2.2（PDF p.4-5）

假设与数学表述¶

核心假设¶

物理或生物假设：ES 通过竞争 KDR/Flk-1 受体抑制 VEGF 信号 → ES 在趋化函数分母 [40]；ES 抑制 EC 增殖并诱导凋亡 → Michaelis-Menten 形式增殖项 [5,49-51]，§2.2.1-2.2.2（PDF p.4-5）
闭合假设：VEGF 和 ES 扩散时间尺度远快于血管生成 → 假设稳态；化学物质用圆形肿瘤梯度初始化（Eq.56），§2.4（PDF p.7, 11）
数值便利假设：2D 模型，无肿瘤细胞（以 VEGF/ES 梯度代替）；初始 ES 为 VEGF 的 3 倍（癌症患者血浆实测 [38,39]），§2.5（PDF p.11）

Governing equations¶

方程定位：Eq.(15) 离散化 EC 浓度方程（含扩散+趋化+趋触+增殖-死亡），Eq.(16) 趋化函数 χ(c,e)，Eq.(18-19) VEGF/ES 消耗，Eq.(20-21) fibronectin/MDE 方程，§2.2.4-2.2.5（PDF p.6-7）
方程与耦合关系：∂n/∂t = D∇²n − ∇·(χ(c,e)·n∇c) − ∇·(ρn∇f) + βr(1−d/d₀)·g(c)·(1−εmax·e/(ec50+e)) − βd·n；其中 χ(c,e)=χ(1+αc)/(1+ϕe)，ES 在分母编码受体竞争；增殖项含 (1−εmax·e/(ec50+e)) 以 Michaelis-Menten 形式参数化 ES 抗增殖
守恒量或约束：不适用

初始条件、边界条件与约束¶

EC 方程：no-flux 边界（Eq.54, §2.4, PDF p.11）
VEGF/ES/MDE：Neumann 边界（不离开域，§2.4, PDF p.11）
初始条件：fibronectin f=0.5 均匀分布 [37]；VEGF 和 ES 用圆形肿瘤梯度（Eq.56, PDF p.11）；MDE 初始为零
增殖阈值：Pr≥0.039 允许 stalk 增殖（Eq.34, PDF p.7）；branching 阈值由有效 VEGF Cv=c−0.2e 决定（Table 3, PDF p.8）

参数及来源¶

参数	含义与单位	数值或范围	来源	可识别性或敏感性
χ	chemotaxis 系数	0.38	[34,47]	高敏感（Table 6: ±10% → MVD 变化 0.18-0.22）
α	VEGF 分子系数	0.6	[34,47]	高敏感（±10% → 0.09-0.11）
ϕ	ES 分母系数	1.8	本文设定	高敏感（±10% → 0.04-0.15）
ρ	haptotaxis 系数	0.16	[44]	中敏感（±10% → 0.0005-0.016）
εmax	ES 最大抑制效应	—	[17]	未报告
ec50	ES 半衰期	2.288×10⁻⁸ M	[17]	未报告
βr	增殖率系数	8.34×10⁻⁵	[17]	低敏感（±10% → 0.015-0.024）
σ (spread)	GRNN spread factor	0.2	实验确定	—

数值方法与计算流程¶

离散化、求解器、网格与时间步：中心 Euler 有限差分；200×200 网格，h=10 μm；时间步使 EC 速度 14 μm/hr [59]；C++ 面向对象实现（vessel/node 为对象），§2.4（PDF p.7, 11）
收敛性、稳定性与误差控制：每次仿真至少重复 5 次取平均；blood flow 用 Poiseuille 律 + Pries et al. [55,57,58] 非牛顿黏度与分叉 hematocrit 分配
软件、版本和计算成本：C++ 自研代码；Intel Core i7-6500U 2.5GHz, 8GB RAM；每轮仿真约 20 小时；GRNN 查询秒级，§2.4（PDF p.11）

校准、验证与不确定性¶

校准数据与目标函数：模型参数来自文献 [34,37,47,17,44]；GRNN 用 42 组 (浓度, 时间) → MVD 训练，spread σ=0.2
验证数据：与 Fu et al. [64]（10× ES → 面积降至 1/3）和 Kisker et al. [7]（osmotic pump 翻倍药效）趋势一致；与 Yu et al. [65] 小鼠角膜实验定性对比（Fig.10, PDF p.17）
Identifiability/sensitivity：Table 6（PDF p.22）——χ、α、ϕ 最敏感；ρ、βr 低敏感
不确定性量化：5 次重复仿真的标准差（Fig.3, PDF p.12）
未验证部分：无肿瘤细胞双向耦合；无 pericyte/SMC 覆盖与血管成熟；无力学-ECM 耦合

核心结果与证据¶

主要发现 1：tip/stalk 解耦改善 EC 迁移的物理真实性¶

模型结论或预测：将 tip 迁移概率 (P0-P4) 与 stalk 增殖概率 (Pr) 解耦后，仅在 Pr≥0.039 时 tip 才前进，消除了无增殖时 tip 超速迁移的非物理行为
证据定位：Fig.3A-B（PDF p.12），Eq.(23-29)（PDF p.6-7）
参数条件：2D 200×200 网格，20 天仿真
验证程度：部分验证——概率曲线显示加增殖后 tEC 速度下降、方差减小；加 ES 后进一步稳定
替代解释：Pr=0.039 阈值来源未交代，疑为经验校准

主要发现 2：ES 剂量-时间扫描确定 5× 为抑制阈值¶

模型结论或预测：5× ES 在第 1 天给药几乎完全抑制 branching，血管直行抵肿瘤但不形成闭环；3× 在第 1 天给药使 MVD 降至对照一半；7 天内给药有效，逾 13 天失效
证据定位：Fig.5-6（PDF p.13-14），§3.2（PDF p.13-14）
参数条件：ES 浓度 2×/3×/4×/5× 自然水平，给药时间 1/3/5/7 天
验证程度：部分验证——与 Fu et al. [64]（10× → 1/3）和 Kisker et al. [7]（osmotic pump 翻倍）趋势一致；与 Yu et al. [65] 小鼠角膜定性对比
替代解释：初始 ES 为 VEGF 3 倍的设定对结果有直接影响——敏感性分析显示 ϕ 高敏感

主要发现 3：GRNN 代理预测 MVD 精度 87%¶

模型结论或预测：GRNN 以 42 组 PDE 仿真数据训练，输入 (ES 浓度, 给药时间) → MVD，测试集误差 1.1%-13.4%，整体 87%；3D 响应面显示 >6× 浓度敏感度饱和，>13 天给药失效
证据定位：Table 5, Fig.13-14, Eq.(58-60)（PDF p.19-20）
参数条件：42 训练 + 4 测试；spread σ=0.2
验证程度：部分验证——4 个测试点误差 1.1%-13.4%，高浓度区（5×-7×）误差升高（11-13%）
替代解释：高浓度区训练数据稀疏且响应饱和导致误差升高

关键图表¶

图表定位：Figure 14
展示内容：3D 响应面——MVD 随 ES 浓度和给药时间变化；蓝色区域为有效抑制区，>13 天失效
支持的结论：确定有效给药窗口（7 天内、5× 以上）
适用参数区间：2×-7× ES，1-13 天

局限与适用边界¶

数据支持的结论：ES 在 2D 模型中抑制血管生成和正常化血管的趋势与实验一致
依赖假设的结论：结果依赖于初始 ES:VEGF = 3:1 的设定和 ϕ 值；无肿瘤细胞的双向耦合意味着血管生成仅受化学梯度驱动
模型失效条件：2D 模型无法刻画 3D 血管-肿瘤耦合；无 pericyte/SMC 成熟过程；ES 由 collagen XVIII 降解产生但模型未闭环到 ECM
最大不确定性：Pr=0.039 阈值和 ϕ=1.8 均为经验设定且高敏感

个人批注¶

可迁移的方程、算法或参数¶

趋化函数 χ(c,e)=χ(1+αc)/(1+ϕe) 的"激动剂在分子、抑制剂在分母"参数化可迁移到 G&R 模型中 SMC 表型调控（促合成/抑合成信号竞争）
tip/stalk 解耦对应 G&R 中"合成 vs 收缩"SMC 亚群——不同亚群分别建立 mass balance 并设耦合阈值
Pries 结构适应律 (Eq.46-53) 是微血管 G&R 经典律，与动脉 G&R 的 homeostatic law 同构

与我的模型的接口¶

Endostatin 作为 matrikine 的闭环意义——Bonnans 2014（本队列 2014-ECM-Remodelling-Bonnans）指出 ES 是 collagen XVIII 降解片段。本文将其作外生输入，未建模"ES 由 ECM 降解产生"的闭环。连接 MMP 活性 ↔ ECM 降解 ↔ matrikine 释放 ↔ 血管重塑是未来方向。

疑问与复现实验¶

Pr=0.039 阈值来源？是否可通过 G&R 的 homeostatic stress target 推导？
ES:VEGF = 3:1 的设定在不同癌症类型中是否一致？ϕ 高敏感意味着这一比值对结论影响大

与上下文的关系¶

本文建立在¶

建立在 Anderson-Chaplain 1998 [34] 血管生成离散模型之上，融合 Tee-DiStefano 2004 [17] 的增殖项与 Secomb et al. 2013 [29] 的初始 sprouting 概率模型；血流沿用 Pries et al. [55,57,58] 结构适应律。

已核实的后续引用¶

本次未检索。

与本地论文队列的关系¶

2014-ECM-Remodelling-Bonnans：ES 作为 collagen XVIII matrikine 的生物学定义来自该综述；本文是 matrikine 机制的数学化实例
2009-VascularBiomech-Taylor：Pries 律（Eq.46-53）正是 Taylor & Humphrey §4 的血管结构适应来源
2021-NitroRedox-Atherosclerosis-Bonetti：ES 与 NO 均为血管调控的双相因子——NO 低浓度保护、高浓度损伤；ES 低浓度正常化、高浓度抑制

逐章节笔记（Section-by-Section Notes）¶

Introduction¶

段落 1：肿瘤生长与血管生成开关¶

核心论点：肿瘤超过 1-2 mm 后依赖 angiogenesis 获取营养；Folkman 1971 提出抗血管生成治疗策略
支撑论据：
肿瘤细胞因基因突变而失控增殖，快速增殖使其需氧量远超现有血管网络的供给能力，缺氧和营养不足使肿瘤在 1-2 mm 直径时停止生长
此时肿瘤分泌 pro-angiogenic 因子打破促/抑血管生成平衡，VEGF 是主要促血管生成大分子之一，作用于母血管并刺激内皮细胞向肿瘤迁移
Folkman (1971) 提出血管生成是肿瘤生长与维持的主要原因的假说
O'Reilly (1997) 鉴定出内源性血管生成抑制剂 endostatin——为 collagen XVIII 的 20 kDa 片段，作为内源性无毒药物，具有较低的机体耐药风险
我的分析：背景建立清晰——ES 作为内源性抑制剂定位为"无毒、低耐药"药物。但未提及 ES 临床试验的失败（如 Entrepeneur Phase III），这可能影响模型的临床相关性判断

段落 2：实验文献综述¶

核心论点：大量实验研究证明 ES 通过抑制 VEGF 信号、诱导 EC 凋亡、降低 branching 抑制血管生成，且联合化疗/放疗效果优于单独使用
支撑论据：
Kisker et al. (2001) 采用 i.p. 持续泵注给药方式，证明持续给药能减少所需剂量并降低微血管密度；对慢生长与快生长肿瘤分别抑制 72% 和 90%
Ye et al. (2002) 在裸鼠人源滤泡状甲状腺癌（FTC）模型上研究重组人 endostatin 注射与基因治疗策略，结果表明 endostatin 的最优给药方案是肿瘤治疗的关键参数
Xiao et al. (2015) 体内实验表明 Endostar（rh-Endo）以剂量依赖方式通过抑制 b-FGF 分泌抑制血管生成
Pradilla et al. (2005) 用控释聚合物递送 endostatin 片段（EF），当 EF 与卡莫司汀（carmustine）联用时获得最佳抑瘤效果并延长动物存活期
Itasaka et al. (2007) 采用 50 mg/kg/day 剂量的 ES 与放疗联合，两疗法联用组肿瘤显著退缩且血管再生延迟，机制为 ES 增加 EC 凋亡并降低 EC 增殖
Zhu et al. (2015) 在食管鳞癌（ESCC）裸鼠模型中证明 Endostar 正常化血管联合放疗优于单纯放疗
Yang et al. (2019) 在晚期非小细胞肺癌（NSCLC）患者中比较单纯化疗与化疗联合 endostatin 注射，联合疗法对肿瘤的抑制更为成功
我的分析：实验证据涵盖多种癌症类型和联合策略，但均为动物模型——临床转化证据不足

段落 3：数学模型文献综述¶

核心论点：已有多个数学模型研究 ES 抗血管生成效果，但缺乏将 ES 直接纳入趋化函数并耦合 tip/stalk 增殖的工作
支撑论据：
Anderson et al. (2000) 研究原发肿瘤通过分泌 angiostatin 对继发肿瘤的影响，证明原发肿瘤越大对继发肿瘤血管生成的抑制越完全；中等大小肿瘤仅产生弱血管化
Arakelyan et al. (2002) 理论研究血管成熟对血管生成和肿瘤生长的影响，发现成熟度轻微增加即可降低肿瘤生长率；同时抑制 VEGF 与 Ang-1 产生的联合疗法是对抗恶性肿瘤的最佳方法
Tee and DiStefano (2004) 在模型中加入 EC 增殖，比较 bolus 注射与持续输注，证明持续输注优于 bolus 注射；持续输注下血管生成在第 3 天即停止
Cai et al. (2011) 耦合肿瘤生长与血管生成，研究 angiostatin 与 endostatin 对血管肿瘤生长的抗血管生成效应，两药联用抑制肿瘤生长与新生血管化
Wu et al. (2011) 建立 2D 模型研究 ES 与 angiostatin 在血管生成启动后 10、6、4 天给药的效果，证明两药降低 MVD、肿瘤间质压力与间质流速
Yonucu et al. (2017) 研究抗血管生成药作为血管正常化手段以增强药物递送，发现先于化疗数天给药最有效——不仅 MVD 下降且肿瘤中心细胞数减少
Benzekry et al. (2012) 研究抗血管生成与细胞毒性药物联用的最优方案，发现先用 bevacizumab 正常化新生血管再注射细胞毒性药物为最优序贯方案
我的分析：文献定位清晰——本文与 Tee-DiStefano [17] 最接近但在趋化函数和 tip/stalk 解耦上有实质区别

段落 4：本文定位¶

核心论点：提出新方法将 ES 直接纳入趋化函数分子/分母结构，并用 GRNN 代理生成轻量预测公式
支撑论据：
模型纳入增殖、死亡、迁移、branching 和吻合五种 EC 行为，构成完整的血管生成过程描述
采用 Secomb et al. (2013) 的随机方法确定初始 sprout 数量与位置，使 sprout 形成概率依赖于 VEGF 浓度
用 GRNN 对 42 组 PDE 仿真结果进行代理建模，输入为 (ES 浓度, 给药时间)，输出为 20 天微血管密度（MVD）
旨在规避求解血管生成 PDE 方程的难度，用 GRNN 生成简单数学公式以预测不同条件下 endostatin 浓度与给药时间对 MVD 的影响
我的分析：GRNN 代理是实用贡献——将 20 小时 PDE 仿真缩短到秒级查询。但 42 个训练点的 GRNN 在高浓度区误差 13% 提示数据不足

Methods¶

段落 1：初始 sprouting 模型¶

核心论点：用 Secomb et al. [29] 的随机方法确定 parent vessel 上初始 sprout 的数量和位置
支撑论据：
Secomb et al. (2013) 提出随机方法预测母血管上初始 sprout 的数量和位置
sprout 形成概率依赖于母血管上的 VEGF 浓度：P_spout = (k_p·l_seg·Δt)·[(c(i,j)−c_th)/(c(i,j)−c_th+c_th,50)]，当 c(i,j) > c_th 时触发，否则概率为 0
模型参数：k_p = 2×10⁻³ (1/μm·day) 为单位长度和时间最大 branching 概率；l_seg = 2 mm 为母血管长度；c_th = 0.8×10⁻⁹ M 与 c_th,50 = 0.5×10⁻⁹ M 为正阈值参数，均引自 Secomb et al. (2013)
我的分析：初始 sprouting 是随机过程的核心——决定了血管网络的起点。但参数 k_p、c_th 来自 [29]，未在本模型中重新校准

段落 2：趋化函数——ES 竞争 KDR/Flk-1 受体¶

核心论点：将 ES 直接纳入趋化函数——VEGF 在分子（促迁移）、ES 在分母（抑制迁移），编码 ES 与 VEGF 竞争 KDR/Flk-1 受体的机制
支撑论据：
Anderson et al. (1998) 将 VEGF 置于趋化函数分母，认为 EC 接近肿瘤时减速，产生实验中观察到的 brush border 效应
Soltani et al. (2013) 将 VEGF 置于趋化函数分子，认为 EC 在接近肿瘤时不减速，并研究了基质刚度对 EC 运动速度的影响
本文综合两种方法：χ(c,e) = χ₀(k₁+c)/(k₂+e)，分子括号项反映 VEGF 对 EC 迁移的促进作用，分母反映 ES 对 EC 迁移的抑制效应
Kim et al. (2002) 实验证明 ES 通过直接与 KDR/Flk-1 结合阻断 VEGF 诱导的信号级联，从而抑制 VEGF 与 EC 的结合
ES 为 collagen XVIII 的 20 kDa 片段，作为人体血液中的内源性物质，其在癌症患者血液中的浓度升高已被 Feldman et al. (2000) 与 Haggag et al. (2015) 的实验测量证实
我的分析：这是本文最有创意的贡献——将分子生物学机制（ES-VEGF 受体竞争）直接编码到数学公式结构中。分子/分母的参数化自然地表达了"促迁移 vs 抑迁移"的竞争

段落 3：stalk 增殖与 tip/stalk 解耦¶

核心论点：将 tip EC 迁移概率 (P0-P4) 与 stalk EC 增殖概率 (Pr) 解耦——仅当 Pr≥0.039 时 tip 才前进，修正以往"tip 自由迁移"的非物理行为
支撑论据：
Tee and DiStefano (2004) 在模型中加入 EC 增殖与死亡项，但未设增殖阈值——增殖项形式为 αr(1−n/n₀)·g(c)·(1−εmax·e/(ec50+e)) − αd·n
本文将 (1−n/n₀) 改写为 (1−d/d₀)，用血管直径比代替 EC 密度比来解释增殖比例——d₀ = 14 μm 为母血管直径，d 为新生增殖血管直径
引入增殖阈值 Pr ≥ 0.039：仅当增殖概率达到该值时 stalk EC 才增殖、tip EC 才能迁移，否则两者均被抑制
ES 在 Pr 项中以 Michaelis-Menten 形式 (1−εmax·e/(ec50+e)) 抑制增殖，其中 ec50 = 2.288×10⁻⁸ M（ES 在组织中的半衰期），βr = 8.34×10⁻⁵（增殖率系数），βd = 2.3×10⁻⁹（死亡率系数），参数均引自 Tee-DiStefano (2004)
Kim et al. (2002) 证明 ES 通过与 KDR/Flk-1 结合阻断 VEGF 信号，Dhanabal et al. (1999) 等多项研究证实 ES 诱导 EC 凋亡
我的分析：tip/stalk 解耦是重要的方法论改进——"无增殖则无迁移"是物理合理的约束。但 0.039 阈值的来源未交代，这是经验设定的关键缺陷

段落 4：化学物质方程¶

核心论点：VEGF、ES、MDE、fibronectin 各自的扩散-反应方程，VEGF 和 ES 假设稳态（扩散快于血管生成时标）
支撑论据：
MDE 方程：∂m/∂t = σ₀n + D_m∇²m − ψ₀m，由 EC 分泌并扩散、自然降解，参数 σ₀ = 130 1/h（EC 分泌 MDE 率）、D_m = 10.4×10⁻³ mm²/h（MDE 扩散系数）、ψ₀ = 1.3 1/h（MDE 降解率），均引自 Lesart et al. (2012)
Fibronectin 方程：∂f/∂t = ω₀n − μ₀mf，由 EC 分泌并与 MDE 结合被消耗，参数 ω₀ = 0.45、μ₀ = 0.45*
VEGF 方程：∂c/∂t = D_c∇²c + λq − δ_c·c，由缺氧肿瘤细胞分泌、扩散并与 EC 受体结合后衰减
ES 方程：∂e/∂t = ∇·(D_e∇e) + γ(p+q) − δ_e·e + e_ex，由增殖与缺氧肿瘤细胞分泌、扩散、自然降解，并通过渗透泵以连续浓度 e_ex 外源给药
VEGF 与 ES 被移动中的 tEC 消耗：∂c/∂t = −η₀nc（VEGF 消耗率 η = 0.9）、∂e/∂t = −κ₀ne（ES 消耗率 κ = 0.9）
在无肿瘤细胞模拟中，VEGF 与 ES 浓度按圆形肿瘤梯度初始化（肿瘤中心位于域 (2, 1/2) 处），以替代肿瘤分泌的双向耦合
我的分析：稳态假设简化计算但限制了动态分析——如果 VEGF/ES 的时间变化对 branching 决策有影响则被忽略

段落 5：离散化与概率解释¶

核心论点：用中心 Euler 差分离散化 EC 方程为 5 个迁移概率 (P0-P4) + 增殖概率 (Pr)，前 3 项分配给 tip EC（只迁移），第 4-5 项分配给 stalk EC（只增殖）
支撑论据：
离散化形式：n_{l,m}^{q+1} = n_{l,m}^q·P0 + n_{l+1,m}^q·P1 + n_{l−1,m}^q·P2 + n_{l,m+1}^q·P3 + n_{l,m−1}^q·P4 + n_{l,m}^q·Pr
P0 为保持静止的概率，P1-P4 分别为向右、左、上、下迁移的概率，Pr 代表 sEC 增殖与死亡
物理解释：tEC 负责导向与迁移（不增殖），对应离散方程右端前三项；sEC 负责血管延伸（只增殖不迁移），对应第四、五项
仿真时每步先计算 Pr，若 Pr ≥ 0.039 则 stalk EC 增殖且 tip EC 可迁移到目标方向；若 Pr < 0.039 则两者均被抑制
网格 h = 10 μm，时间步 k 使 EC 运动速度 ≈ 14 μm/hr（Kearney et al. 2004 实验值）
我的分析：将连续 PDE 离散为 agent 的概率迁移是 Anderson-Chaplain 框架的核心。本文的改进是将 proliferation 项从迁移概率中分离，赋给不同的细胞亚群——这在概念上更接近生物学

段落 6：branching 与 ES 的耦合¶

核心论点：ES 降低 EC 对 VEGF 的敏感性从而延迟 branching——用"有效 VEGF" Cv=c−0.2e 代替纯 VEGF 决定 branching 概率
支撑论据：
branching 概率由"有效 VEGF 浓度" Cv = c(x,y) − 0.2·e(x,y) 决定，将 ES 抑制效应线性叠加到 VEGF 浓度上
branching 概率查表：Cv ≤ 0.1 时概率 0.1；(0.1, 0.2] 时 0.2；(0.2, 0.3] 时 0.4；(0.3, 0.5] 时 0.6；(0.5, 0.9] 时 0.8；(0.9, 1] 时 1.0
ES 抑制 VEGF 与 KDR/Flk-1 受体结合，降低 EC 对高浓度 VEGF 的敏感性，从而延迟 branching
branching 还需满足三个条件：(1) 新生分支年龄达 0.75 天使毛细血管足够成熟；(2) EC 密度高于阈值；(3) 新分支将占据的空间未被其他毛细血管占用（沿用 Anderson et al. 1998 假设）
ES 诱导 EC 凋亡（Dhanabal et al. 1999；Wan et al. 2013；Wickström et al. 2001），降低近肿瘤处高 ES 浓度区域的 EC 密度，进而减少 branching
我的分析：Cv=c−0.2e 的线性减法是简化——ES 对 VEGF 信号的抑制应是非线性的（受体竞争）。但作为一阶近似合理

段落 7：血流与血管适应¶

核心论点：闭合回路形成后用 Poiseuille 律 + Pries 非牛顿黏度 + hematocrit 分叉分配计算血流，血管直径按 Pries 结构适应律调整
支撑论据：
Poiseuille 律：Q_v = (πD_v⁴)/(128L_v)·(ΔP_B/μapp(D_v, H_D))，母血管两端压差设为 8000 Pa（60 mmHg），母血管与新生 sprout 直径分别设为 14 μm 和 8 μm（引自 McDougall et al. 2006）
Pries et al. (1996) 实验导出的非牛顿血液黏度公式：μapp(D, H_D) = μrel × μplasma，μplasma = 1.2 cp 为常数
Pries et al. (2005) 分叉 hematocrit 分配关系：在分叉处按 daughter/mother 血管直径比与 hematocrit 用 logit 函数分配红细胞流量
Pries et al. (2001) 血管结构适应律：ΔD_v = (S_wss + S_p + S_m − k_s)·D_v·Δt，总刺激为壁面剪应力刺激 S_wss = log(τ_w + τ_ref)、跨壁压刺激 S_p = −log(τ_e(P_V)) 和代谢刺激 S_m = k_m·log(Q_ref/(Q·H_D) + 1) 之和减去收缩倾向 k_s
参数：τ_ref = 0.103 dyn/cm²（参考壁面剪应力）、k_m = 0.12（代谢刺激系数）、k_p = 0.5（压力刺激系数）、k_s = 0.35（血管收缩倾向），均引自 Lesart et al. (2012)
我的分析：Pries 结构适应律（Eq.46-53）是微血管 G&R 的经典经验律——S_wss+S_p+S_m−k_s 与动脉 G&R 中"维持环向应力 target"的 homeostatic law 同构。这是连接微血管模型到宏观 G&R 的桥梁

Results¶

段落 1：tip/stalk 解耦的验证¶

核心论点：无增殖时 tip 超速迁移（非物理）；加增殖后速度下降；加 ES 后概率曲线趋稳、方差减小
支撑论据：
无增殖时仿真初期 tEC 迁移概率曲线显示"保持静止"概率极低、"向肿瘤方向迁移"概率极高，EC 快速向肿瘤迁移，产生非物理的超速运动
加入 sEC 增殖后，tEC 速度下降，初期不再过快迁移；网络架构与无增殖情况差异较小
加入低浓度 ES 后，"保持静止"概率曲线趋于水平、仅在血管到达肿瘤时有轻微上升，"向右迁移"概率下降且快速波动消失
5 次重复仿真的标准差在加入 ES 后显著小于前两种情况，表明运动稳定性提高——随机现象对结果影响减小，更接近真实物理条件
我的分析：验证了 tip/stalk 解耦改善物理真实性——ES 的加入进一步稳定了网络。这是模型的核心贡献之一

段落 2：ES 剂量-时间扫描¶

核心论点：2× ES 仅在 1 天给药时收缩血管；3× 在 1 天给药使 MVD 降至对照一半；5× 在 1 天给药几乎完全抑制 branching
支撑论据：
ES 浓度设为癌症患者血浆自然浓度的 2、3、4、5 倍（Feldman et al. 2000, 2002；Suzuki et al. 2002），经渗透泵连续给药以维持恒定浓度
给药时间分别为血管生成启动后第 1、3、5、7 天
2× ES 在第 1 天给药使血管面积收缩；延迟到第 7 天给药时 MVD 接近对照——给药时间越晚 ES 抑制作用越弱
3× ES 在第 1 天给药使血管面积收缩至无治疗组的一半；3× 延迟到第 7 天给药的效果与 2× 在第 1 天给药相当
4× ES 进一步增强抗血管生成效应，血管面积明显收缩；5× ES 在第 1 天给药为最佳方案，血管无 branching 地直行抵肿瘤但无法形成闭环毛细血管网络，肿瘤缺乏血液供应与氧供
对每个给药浓度，随给药时间延迟血管网络变得更宽更密；随浓度增加血管网络变弱
我的分析：剂量-时间关系清晰且与实验趋势一致。但 5× 抑制 branching 后"血管直行抵肿瘤但不形成闭环"的描述提示模型在 branching 抑制下可能过度简化——真实血管可能通过其他机制（如 intussusception）形成网络

段落 3：血管正常化证据¶

核心论点：随 ES 浓度升高，小直径（2-3 μm）血管占比下降，迂曲微血管消失，网络趋于"稀疏、直、大口径"
支撑论据：
当 ES 给药延迟（恒定浓度下）时，小直径血管数量增加，肿瘤附近血管网络扩展且充满微小血管
当 ES 浓度增加时，微小血管在域中消失；4× ES 时血管网络迂曲度降低、分支血管减少；5× ES 时几乎无 branching，血管直接抵肿瘤
对照组中直径 2-3 μm 的血管占所有血管的 6%；2× ES 在第 1 天给药后降至 3%
数据为 5 次独立仿真的平均值，ES 浓度越高或给药越早，小血管百分比越低——这种血管修剪是实体瘤药物递送的决定性因素
我的分析：这是 Jain 2001 [75] 定义的 normalization 表型——ES 不是完全抑制而是"修剪不成熟血管"，为联合化疗创造窗口。模型成功复现了这一表型

段落 4：与实验对比¶

核心论点：仿真结果与 Fu et al. [64]（10×→1/3 面积）、Kisker [7]（osmotic pump 翻倍）和 Yu et al. [65]（小鼠角膜）趋势一致
支撑论据：
Fu et al. (2017) 实验显示 ES 浓度增加 10 倍时血管网络面积降至对照的 1/3
Kisker et al. (2001) 证明用渗透泵替代 bolus 注射持续给药时 ES 药效翻倍
基于以上两份报告，本文 5× ES 浓度使血管面积降至对照的 1/3，落在这两项实验治疗的可接受范围内
Yu et al. (2004) 小鼠角膜实验显示 ES 减缓血管网络生长；本文仿真在小鼠角膜模型定性对比中显示出相同趋势——ES 减缓血管生长
作者明确说明 2D 仿真与实验比较的是趋势而非绝对值
我的分析：作者诚实指出"2D 仿真与实验比较的是趋势而非绝对值"——这是合理的定性验证。但缺乏定量拟合优度指标

段落 5：GRNN 代理¶

核心论点：GRNN 以 42 组仿真训练，输入 (浓度, 时间) → MVD，整体精度 87%，高浓度区误差 13%
支撑论据：
GRNN 网络含 4 层：输入层、模式层、求和层和输出层；42 个隐藏层神经元对应 42 组训练数据（ES 浓度 2×-7×，给药时间 1-13 天），1 个输出层神经元
预测公式：Y(x) = Σy_i·K(x, x_i) / ΣK(x, x_i)，其中 K(x, x_i) = exp(−||x−x_i||/σ)² 为高斯核，spread factor σ = 0.2 由实验确定
4 个测试点（2×-7× 在第 2 天给药）的精确值与预测值对比：2×（精确 0.5746，预测 0.587，误差 2.1%）、3×（0.4391 vs 0.45，2.4%）、4×（0.3226 vs 0.3263，1.1%）、5×（0.1455 vs 0.1651，13.4%）、6×（0.1234 vs 0.139，11.2%）、7×（0.1147 vs 0.1315，12.4%）
3D 响应面显示：给药时间约 8 天后 ES 抑制血管生成能力逐渐减弱；浓度 >6× 时敏感度饱和；给药 >13 天后因血管已抵肿瘤而失效
蓝色区域代表有效抑制血管生成的给药窗口（7 天内、5× 以上浓度）
我的分析：GRNN 是实用的代理——将 20 小时仿真缩短到秒级查询。但 42 训练点对于 2D 输入空间偏少，高浓度区误差 13% 提示训练数据不足。>6× 浓度敏感度饱和的预测是合理的但需更多数据验证

段落 6：敏感性分析¶

核心论点：χ（chemotaxis）、α（VEGF 分子系数）、ϕ（ES 分母系数）最敏感；ρ、βr 低敏感
支撑论据：
对照模型为参考，关键参数在默认值 ±5% 和 ±10% 范围内变化，测量 MVD 的变化量
χ ±10% 时 MVD 变化 −0.2021 至 +0.2243；α ±10% 时 −0.1072 至 +0.0872；ϕ ±10% 时 −0.0754 至 +0.1493——这三个趋化函数相关系数最敏感
ρ ±10% 时 MVD 变化 −0.0190 至 +0.0163（低敏感）；βr ±10% 时 −0.0234 至 +0.0177（低敏感）
σ（MDE 分泌率）±10% 时 −0.1274 至 +0.0578；κ（ES 消耗率）±10% 时 −0.1058 至 +0.0862——中等敏感
βd（死亡率系数）±10% 时仅 −0.0020 至 +0.0042，几乎无影响
我的分析：χ 和 α 高敏感是预期的（趋化驱动迁移）；ϕ 高敏感意味着 ES 抑制项主导系统行为——初始 ES:VEGF=3:1 的设定因此对结论影响大

Discussion¶

段落 1：ABM+AI 两段式管线的定位¶

核心论点：agent-based 离散模型 + AI 代理是处理血管生成多尺度强非线性问题的实用路径
支撑论据：
本文与以往基于 Anderson et al. (1998) 模型的研究区别在于：将 ES 对 EC 迁移的影响直接纳入迁移与 branching 公式，且 tEC 迁移受 sEC 增殖控制
ES 与 VEGF 竞争结合 KDR/Flk-1 受体——该机制被纳入趋化函数结构，并通过诱导 EC 凋亡降低细胞密度，从而阻碍 branching、减缓血管迁移与生长
GRNN 神经网络用于预测任意 ES 浓度与给药时间下的 MVD，响应面显示浓度 >6× 时敏感度饱和——血管生成完全停止
该方法可扩展到血管肿瘤生长仿真，使结果覆盖更广场景
我的分析：两段式管线的思路有价值——但"机制仿真→数据驱动代理"的层级关系意味着 GRNN 的可靠性受限于 PDE 仿真的覆盖度

段落 2：局限性与未来方向¶

核心论点：2D、无肿瘤细胞、无 pericyte/SMC、无力学-ECM 耦合是主要局限
支撑论据：
模型中不含肿瘤细胞——以 VEGF/ES 浓度梯度代替肿瘤分泌的双向耦合；作者认为在验证 ES 治疗功效的前提下，无肿瘤假设可信
血管网络与肿瘤之间存在双向影响：化学物质控制血管 sprout 的速度、方向与表型，而血管 hematocrit 与营养浓度影响肿瘤细胞表型（Ghazani et al. 2019）
血管成熟涉及平滑肌细胞与 pericyte 形成等复杂过程，模型沿用 Anderson et al. (1998) 假设未纳入
ES 由 collagen XVIII 降解产生，但模型未闭环到 ECM 沉积/交联过程
我的分析：作者诚实承认局限。ES→ECM 闭环的缺失是最重要的——连接 MMP 活性↔ECM 降解↔matrikine 释放↔血管重塑是未来方向

Conclusion¶

段落 1：总结¶

核心论点：ES 可抑制血管生成和正常化血管；5× 以上浓度 7 天内给药有效；GRNN 87% 精度预测 MVD
支撑论据：
ES 可正常化不成熟、迂曲的肿瘤诱导血管，优化联合治疗效果
ES 浓度高于自然浓度 5 倍时可抑制血管生成
为阻止血管生成，最好在血管生成启动 7 天内给药
高浓度给药下血管网络无法在域中扩展，仅限于肿瘤附近
给药时间延迟使血管生成抑制更困难
ES 减缓 EC 向肿瘤的迁移并延迟血管生成
GRNN 以 87% 精度预测 MVD，提出可用于任意浓度与给药时间的最终公式
我的分析：结论准确但有节制——承认局限性和未来方向。未过度声称临床就绪

摘要概述¶

本文提出了一个改进的肿瘤诱导血管生成（tumor-induced angiogenesis）数学模型，用于研究内源性抗血管生成药物 Endostatin（ES）对肿瘤血管网络的影响。作者在已有模型基础上加入 Endostatin 对内皮细胞（EC）增殖、迁移和凋亡的调控作用，通过自研数值代码模拟了不同药物浓度和给药时间下血管网络的演化。结果表明：当 ES 浓度达到自然浓度的 5 倍以上时可有效抑制血管生成；在血管生成启动后第 7 天给药效果最佳；ES 还能 normalize 扭曲的肿瘤血管从而改善药物递送。最后，作者建立了 Generalized Regression Neural Network（GRNN），以药物浓度和给药时间为输入预测最终微血管密度（MVD），预测精度达 87%。

关键图表¶

Fig. 5 — 不同 Endostatin 剂量（2/3/4/5 倍浓度）下微血管密度随时间的演化。直观展示了剂量依赖性的血管生成抑制：浓度越高，MVD 下降越显著，5 倍浓度时血管网络几乎无法扩展。
Fig. 9 — 数值模拟结果与 Fu et al. 实验数据的 MVD 对比验证。模拟值与实验趋势定性吻合，支撑了模型的可靠性。
Fig. 14 — 以药物浓度和给药时间为双坐标的 MVD 热力图。这是全文最核心的结果图：标定了"低 MVD（强抑制）"的蓝区对应高浓度+早期给药，为联合治疗的时机选择提供了定量参考。

与我的关联¶

该工作将血管生成建模（离散 EC 迁移 + 连续血流/物质输运）与神经网络代理模型结合的思路，对血管网络力学建模有参考价值；其 normalize 血管以改善药物递送的观点与我关注的大型血管 G&R 中力学-生长耦合的主题相关。

A novel numerical and artificial intelligence based approach to study anti-angiogenic drugs: Endostatin¶

概述（Overview）¶

摘要概述¶

建模问题与尺度¶

假设与数学表述¶

核心假设¶

Governing equations¶

初始条件、边界条件与约束¶

参数及来源¶

数值方法与计算流程¶

校准、验证与不确定性¶

核心结果与证据¶

主要发现 1：tip/stalk 解耦改善 EC 迁移的物理真实性¶

主要发现 2：ES 剂量-时间扫描确定 5× 为抑制阈值¶

主要发现 3：GRNN 代理预测 MVD 精度 87%¶

关键图表¶

局限与适用边界¶

个人批注¶

可迁移的方程、算法或参数¶

与我的模型的接口¶

疑问与复现实验¶

与上下文的关系¶

本文建立在¶

已核实的后续引用¶

同类模型对比¶

与本地论文队列的关系¶

逐章节笔记（Section-by-Section Notes）¶

Introduction¶

段落 1：肿瘤生长与血管生成开关¶

段落 2：实验文献综述¶

段落 3：数学模型文献综述¶

段落 4：本文定位¶

Methods¶

段落 1：初始 sprouting 模型¶

段落 2：趋化函数——ES 竞争 KDR/Flk-1 受体¶

段落 3：stalk 增殖与 tip/stalk 解耦¶

段落 4：化学物质方程¶

段落 5：离散化与概率解释¶

段落 6：branching 与 ES 的耦合¶

段落 7：血流与血管适应¶

Results¶

段落 1：tip/stalk 解耦的验证¶

段落 2：ES 剂量-时间扫描¶

段落 3：血管正常化证据¶

段落 4：与实验对比¶

段落 5：GRNN 代理¶

段落 6：敏感性分析¶

Discussion¶

段落 1：ABM+AI 两段式管线的定位¶

段落 2：局限性与未来方向¶

Conclusion¶

段落 1：总结¶

摘要概述¶

关键图表¶

与我的关联¶