动态模式分解用于分析和预测来自细胞自光的时差成像的代谢振荡

科学领域:

• 细胞生物学 细胞生物学
• 生物物理学的生物物理.
• 系统生物学 系统生物学

背景情况:

• 振荡是细胞过程的基础,来自复杂的生物化学反应.
• 酵母糖解表现出丰富的动态行为,包括抑制和持续的振荡.
• 了解这些动态对于破译细胞功能和疾病机制至关重要.

研究的目的:

• 开发和验证一种数据驱动的方法,用于分析单个细胞中的振荡动态.
• 将时间延迟嵌入的动态模式分解 (DMD-TDE) 应用于酵母中的糖解振荡.
• 证明DMD-TDE对分类细胞表型和建模疾病状态的有用性.

主要方法:

• 组合动态模式分解 (DMD) 与时间延迟嵌入 (TDE) 用于分析非线性动态.
• 利用剩余的DMD来评估和过虚假的固有值.
• 采用基于机器学习的聚类来分类已识别的DMD模式.
• 将该方法应用于模拟和实验数据,包括酵母糖解和模拟的痕量.

主要成果:

• DMD-TDE成功地以数据驱动的方式剖析了和持续的糖解质振荡.
• 该方法使得高保真度时间序列和图像重建成为可能.
• 基于机器学习的DMD模式集群允许对NADH振荡进行分类,并识别微妙的表型.
• 已被证明适用于变化的固醇运输 (尼曼 - 皮克C型模型) 和不同的葡萄糖流入的酵母细胞.
• 展示了与长期短期记忆 (LSTM) 神经网络相当的预测能力.

结论:

• DMD-TDE提供了一种强大的数据驱动方法,用于分析单细胞水平的振荡动态.
• 这种方法可以揭示细胞对细胞在代谢活动中的异质性,并有助于了解疾病机制.
• 在酵母糖解之外,DMD-TDE具有广泛的潜力来剖析复杂的生物振荡.