Новая модель помогает исследователям разобраться с непредсказуемыми клетками

В процессе эмбрионального развития клетки принимают сложные формы и функции. Из групп клеток возникают паттерны, придающие биологическим тканям форму, функцию и целостность. Это сложный процесс, который плохо изучен.

Новое исследование под руководством профессора Иминь Ло представляет новые методы для получения более четкой картины клеточной динамики. Это может улучшить понимание многих процессов развития, а также того, как раковые клетки проникают в ткани. Результаты опубликованы в PRX Life.

Клетки — это форма активной материи, то есть системы отдельных агентов, которые взаимодействуют друг с другом и потребляют энергию из окружающей среды, но в совокупности образуют гораздо более крупную структуру. Эта категория включает широкий спектр биологических систем, таких как стаи птиц, косяки рыб, монослои клеток, колонии бактерий и другие, демонстрирующие интригующие явления.

Но существует большая разница в поведении разных систем активной материи. Чем меньше объекты, тем более загадочными они становятся. В отличие от стай птиц или косяков рыб, паттерны клеток предсказать гораздо сложнее. В то время как паттерны полета птиц можно четко определить, траектории клеток легко искажаются силами в их окружении.

«Когда объекты намного меньше, они подвержены более случайным флуктуациям», — сказала Ло, доцент кафедры машиностроения и материаловедения. «Когда вы пытаетесь определить клеточные движения, вы обычно делаете это под микроскопом. Эти взаимодействия чрезвычайно сложны, потому что клетки деформируются, имеют биохимические взаимодействия с другими клетками и движутся очень медленно».

Это лишь одна из сложностей. Другая — огромное количество клеток, которые лаборатория Ло наблюдает и визуализирует.

«Большинство людей визуализируют около пары сотен, а мы — пару тысяч», — сказала она. «Так что второе проклятие и благословение заключается в том, что если у вас много наблюдений, вы можете каким-то образом компенсировать неопределенность в ваших наблюдениях. Технически, чем больше вы наблюдаете, тем больше вы можете изолировать сигнал от шума».

Но калибровка модели с чрезвычайно большим набором данных очень сложна, отметила Ло.

Клетки выстраиваются в ткани в основном при достижении очень высокой плотности. Для точного моделирования этого исследователям необходимо учитывать как взаимодействия между клетками, так и влияние окружающей их среды. Для этого Ло и ее команда разработали гибридную процедуру, сочетающую подходы статистического обучения с физическими моделями. В результате получился более эффективный метод, который позволяет избежать тестирования всех комбинаций признаков с помощью симуляций.

«Мы придумали этот подход, при котором мы используем основанный на данных способ выбора признаков, называемый разведочным анализом данных (EDA)», — сказала она, добавив, что этот процесс используется уже десятилетия. «С EDA вы работаете с данными, чтобы увидеть, что они вам говорят, а затем пытаетесь реализовать это в модели».

Вычислительно включая ключевые особенности поведения клеток, такие как определенные флуктуации и конкретные типы межклеточных взаимодействий, исследователи могут более точно калибровать свои физические модели. Кроме того, вычислительные инструменты, которые они разработали для автоматизации построения и калибровки моделей, могут быть применены к другим системам активной материи.

«Это очень общая структура», — сказала она. «Это подход, который более гибкий, чем чисто физические модели, но более рациональный и менее трудоемкий, чем чисто основанный на данных подход».