使用集群和隐藏的马尔科夫模型建模三维T细胞运动
1Department of Applied and Computational Mathematics and Statistics, University of Notre Dame, Notre Dame, US.
Statistical methods in medical research
|June 12, 2023
概括
新的模型捕捉了细胞毒性T细胞 (与癌症作斗争的免疫细胞) 的复杂运动,通过计算单个细胞变异和它们切换搜索行为的能力. 这提高了对免疫细胞搜索效率的理解.
科学领域:
- 免疫学 免疫学 免疫学
- 生物物理学的生物物理.
- 计算生物学 计算生物学
背景情况:
- 先进的成像技术可以实时跟踪3D组织中的免疫细胞.
- 细胞毒性T细胞是癌症免疫疗法的关键参与者,使得它们的运动对于理解至关重要.
- 现有的模型缺乏捕捉T细胞运动中的双重异质性的能力.
研究的目的:
- 开发统计模型,准确地捕捉T细胞运动中的细胞间和细胞内部异质性.
- 提高对T细胞在生理环境中的集体搜索效率的理解.
- 研究细胞近距离对T细胞运动模式的影响.
主要方法:
- 模拟3DT细胞轨迹,使用增量步骤的球形表示.
- 基于定向持久性和步骤长度的T细胞聚类,以捕捉细胞间异质性.
- 采用隐藏的马尔科夫模型 (HMM) 和非同质的HMM来建模细胞内运动动态和近距离效应.
主要成果:
- 开发的模型成功捕获了不同的T细胞运动模式,反映了单个细胞差异和行为切换.
- 聚类根据T细胞的运动特征识别出不同的T细胞种群.
- 在单个细胞内,HMM有效地模拟了局部和定向搜索行为之间的过渡.
结论:
- 准确的T细胞运动模型需要捕捉细胞间和细胞内异质性.
- 拟议的建模方法提供了更现实的T细胞搜索动态表示.
- 这项工作为优化基于T细胞的免疫疗法提供了宝贵的见解.
