细胞迁移体育馆 (CellMigrationGym):一个基于数据的框架,利用深度强化学习来解开细胞迁移机制

科学领域:

• 计算生物学 计算生物学
• 发展生物学 发展生物学
• 癌症研究 癌症研究

背景情况:

• 细胞迁移对于发育和癌症至关重要.
• 最近的一种数据驱动方法使用深度强化学习 (DRL) 和3D实时成像来研究细胞迁移.
• 这种方法将细胞迁移模型作为一个连续的马尔科夫决策过程 (MDP),允许将生物假设纳入监管规则.

研究的目的:

• 介绍CellMigrationGym,这是一个开放的框架,标准化了研究细胞迁移的DLR方法.
• 证明框架在研究细胞迁移机制和行为方面的实用性.
• 为了方便推断细胞迁移生物学使用DRL而没有先前知识.

主要方法:

• 制定细胞迁移作为一个连续的马尔科夫决策过程 (MDP).
• 使用深度强化学习 (DRL) 与3D活细胞成像数据.
• 使用常见的包 (OpenAI Gym,PyBullet,DRL库) 开发CellMigrationGym框架.

主要成果:

• 成功发现了C. elegans的新型细胞迁移机制,包括模块化细胞组织的胚胎发生.
• 证明了框架能够结合和测试关于迁移机制的假设 (例如,梯度驱动,集体细胞行为驱动).
• 展示了对邻近细胞对细胞迁移动态的影响的评估.

结论:

• DRL提供了从观测数据中推断细胞迁移生物学的新机会.
• CellMigrationGym提供了一个强大而灵活的平台,用于标准化和推进基于DRL的细胞迁移研究.
• 该框架允许详细研究迁移场景和细胞相互作用的影响.