Modelos interpretables de aprendizaje automático de la mecánica celular a partir de imágenes de proteínas

Área de la Ciencia:

• Mecanobiología celular
• Biología computacional
• La biofísica

Sus antecedentes:

• La forma y la función celular surgen de sistemas mecanoquímicos complejos.
• Falta una estrategia sistemática para inferir propiedades físicas a gran escala de los componentes moleculares.
• Esta brecha de conocimiento dificulta la comprensión de la adhesión celular y la migración.

Objetivo del estudio:

• Desarrollar una línea de modelado basada en datos para inferir el comportamiento mecánico en las células adherentes.
• Establecer un método para predecir las fuerzas celulares a partir de imágenes de proteínas citoesqueléticas.
• Integrar las redes neuronales en modelos predictivos para la biología celular.

Principales métodos:

• Redes neuronales entrenadas para predecir las fuerzas celulares a partir de imágenes de proteínas citoesqueléticas.
• Se utilizaron imágenes de proteínas de adhesión focal única (FA), como la xixina, para predecir las fuerzas.
• Desarrolló modelos continuos de fuerzas celulares restringidos por la física y basados en datos agnósticos.

Principales resultados:

• Las imágenes experimentales de proteínas FA individuales son suficientes para predecir las fuerzas celulares.
• Los modelos predictivos se generalizan a regímenes biológicos no vistos.
• Ambos enfoques de modelado revelaron que las fuerzas celulares están codificadas por dos escalas de longitud distintas.

Conclusiones:

• Una tubería basada en datos puede predecir con éxito el comportamiento mecánico celular a partir de imágenes moleculares.
• La integración de redes neuronales ofrece un enfoque poderoso para modelar la biología celular.
• Los hallazgos proporcionan información sobre cómo se codifican las fuerzas celulares en diferentes escalas de longitud.