Deep learning of geometrical cell division rules
Alexandre Durrmeyer, Jean-Christophe Palauqui and Philippe Andrey
细胞分裂过程中新细胞壁的定位对植物组织结构的形成起着关键作用。细胞几何形状对分裂面定位的影响已被先前研究归纳为各种几何规则。因此，将细胞形状与分裂方向联系起来，通常需要比较观察到的分裂模式与特定规则下的预测结果。这种假设驱动方法的一个根本局限是需要先验定义待测试的规则。作为替代方案，我们提出了一种基于数据的方法来研究细胞几何形状与分裂面定位之间的关系，利用深度神经网络在多维空间中学习复杂关系的能力。采用基于图像的细胞表示方法，我们展示了如何使用改进的UNet架构（适用于细胞掩模操作）从母细胞几何形状中学习和预测分裂模式。通过使用合成数据和拟南芥胚胎细胞，我们在各种不同的细胞形状和分裂模式上评估了模型性能。研究发现，训练后的模型能够解释先前在现有几何规则下无法统一的胚胎分裂模式。我们的工作展示了深度网络在理解细胞分裂模式和生成关于细胞分裂定位控制的新假设方面的潜力。
The positioning of new cellular walls during cell division plays a key role in shaping plant tissue organization. The influence of cell geometry on the positioning of division planes has been previously captured into various geometrical rules. Accordingly, linking cell shape to division orientation has relied on the comparison between observed division patterns and predictions under specific rules. The need to define a priori the tested rules is a fundamental limitation of this hypothesis-driven...