形状很重要:从静态图像中推断出融合细胞的运动性

科学领域:

• 生物物理学的生物物理.
• 计算生物学 计算生物学
• 细胞生物学 细胞生物学

背景情况:

• 细胞运动在癌症转移和喘等疾病中至关重要.
• 细胞集体内细胞运动的异质性对预测提出了挑战.
• 以前的研究强调了平均细胞形状在预测细胞动态中的作用.

研究的目的:

• 确定单个细胞形状特征在区分高移动性和低移动性细胞中的重要性.
• 评估机器学习模型的预测能力,使用静态细胞形状特征来评估细胞运动.
• 探索这些模型在异质细胞层中的应用.

主要方法:

• 利用细胞波茨模型生成细胞集体的模拟快照.
• 提取静态,单个细胞形状特征作为机器学习模型的输入.
• 在这些特征上训练和评估机器学习模型 (简单的ML和神经网络).

主要成果:

• 一个简单的机器学习模型只使用单细胞形状特征准确预测了细胞表型 (运动性与非运动性).
• 在形状特征上训练的神经网络可以准确地分类细胞移动性在具有不同移动性水平的场景中.
• 特别高的分类准确度是当高度运动的细胞稀疏且明显比低运动的细胞更灵活时.

结论:

• 单个细胞形状特征足以预测密集细胞层中的细胞运动现象型.
• 机器学习方法利用静态细胞形态学可以推断出动态细胞特性.
• 这项工作为从静态图像中对单细胞行为进行物理启发的预测提供了基础,这对疾病研究有意义.