通过力场重建量化细胞转分的单细胞形态景观.
Chudan Yu1,2, Chuanbo Liu2, Erkang Wang1,2
1College of Chemistry, Jilin University, Changchun, Jilin, 130012, P. R. China.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|November 7, 2025
概括
研究人员开发了一种新的机器学习方法,可以从成像数据中重建细胞力场,从而能够在没有直接速度测量的情况下研究细胞命运过渡和动态.
科学领域:
- 单细胞生物学 单细胞生物学
- 计算生物学是一种计算生物学.
- 生物物理学的生物物理.
背景情况:
- 转录学提升了细胞行为的理解,但缺乏定量多原子模型,特别是细胞形态模型.
- 细胞特异性速度信息对于分析细胞动力学和热力学至关重要,但往往无法获得.
- 分析细胞命运过渡需要了解驱动形态变化的潜在力量.
研究的目的:
- 开发一种新的机器学习方法,从稀疏的单细胞成像数据中重建细胞力场.
- 量化模型细胞形态变化在转化过程中的变化.
- 将景观和流量框架扩展到动态细胞过程的非稳定状态条件.
主要方法:
- 捕捉到的纤维细胞到神经元转差的快照.
- 开发了一种机器学习方法来重建驱动形态变化的力场.
- 将力场分解为流量流量和潜在梯度元件,适应非稳定状态条件.
主要成果:
- 重建的力场准确地捕捉了命运切换期间的细胞形态景观.
- 这项研究揭示了噪音对细胞状态转换的影响.
- 开发的方法为分析细胞形态动态提供了定量框架.
结论:
- 这种新的机器学习方法成功地从稀疏的成像数据中重建了细胞力场.
- 这种方法可以在不需要直接测量速度的情况下分析细胞命运转变和动态.
- 该框架适用于各种单细胞多原子数据集,缺乏固有的速度信息.


