Learning noisy tissue dynamics across time scales
Ming Han, John Devany, Michel Fruchart, Margaret L. Gardel, Vincenzo Vitelli
组织动力学在从伤口愈合到形态发生的生物过程中起着至关重要的作用。 然而,这些嘈杂的多细胞动力学是出了名的难以预测。 在这里,我们介绍了一个仿生机器学习框架,能够直接从实验电影中推断出嘈杂的多细胞动力学。 这个生成模型结合了图形神经网络,正态流和WaveNet算法,将组织表示为神经随机微分方程,其中细胞是进化图的边缘。 这种机器学习架构反映了底层生物组织的架构,与卷积或完全连接的神经网络相比,大大降低了训练它所需的数据量。 以上皮组织实验作为案例研究,我们表明我们的模型不仅可以捕获随机细胞运动,还可以预测细胞状态在其分裂周期中的进化。 最后,我们证明我们的方法可以准确地生成发育系统的实验动力学,例如飞翼,以及由随机ERK波介导的细胞信号传导过程,为它在生物工程和临床环境中作为数字孪生体的使用铺平了道路。
Tissue dynamics play a crucial role in biological processes ranging from wound healing to morphogenesis. However, these noisy multicellular dynamics are notoriously hard to predict. Here, we introduce a biomimetic machine learning framework capable of inferring noisy multicellular dynamics directly from experimental movies. This generative model combines graph neural networks, normalizing flows and WaveNet algorithms to represent tissues as neural stochastic differential equations where cells ar...
