在2D潜伏空间中表示高维细胞形态和形态动力学
Christian Cunningham1, Bo Sun1
1Department of Physics, Oregon State University, Corvallis, OR 97331, United States of America.
Physical biology
|April 15, 2025
概括
我们开发了一种深度学习方法,将复杂的细胞形态数据简化为简单的二维空间. 这种方法有效地可视化了细胞状态和动态,有助于癌症研究.
科学领域:
- 细胞生物学 细胞生物学
- 生物物理学的生物物理.
- 计算生物学 计算生物学
背景情况:
- 细胞形态和形态动力学是研究和临床环境中细胞状态的关键生物标志物.
- 来自细胞形态学的高维特征向量阻碍了数据的解释和可视化.
研究的目的:
- 开发一种深度学习算法,将高维细胞形态数据投射到低维空间.
- 评估预测数据的信息丢失和可解释性.
- 应用该方法来分析癌细胞表型,运动性和药物反应.
主要方法:
- 开发了一个深度学习算法,将13D形态特征向量投射到2D形态隐藏空间 (MLS).
- 预测期间的量化信息丢失.
- 在MLS中分析了转移性乳腺癌细胞迁移表型的分离.
- 在3D细胞外矩阵中研究了表型依赖细胞运动性.
- 在药物治疗后跟踪持续的细胞状态变化.
- 在2D MLS中比较动态与13D特征空间,评估扩散功率和利亚普诺夫指数.
主要成果:
- 2D投影实现的信息损失不到5%.
- MLS有效地分离了转移性乳腺癌细胞的不同迁移表型.
- 在3D细胞外矩阵中,表型依赖的细胞运动性使用MLS进行了证明.
- 在药物治疗期间不断的细胞状态变化被可视化.
- 2D MLS中的动力学在定量上与13D空间中的形态动力学相匹配,保留了关键的波动特征.
结论:
- 形态潜伏空间 (MLS) 是一个强大的工具,用于表示和理解细胞形态和形态动力学.
- 基于深度学习的维度缩小提供了一个可行的解决方案,用于可视化复杂的细胞数据.
- 这种方法有助于解释细胞状态和生物系统的动态变化,特别是在癌症研究中.
