Исследователи сближают вычислительное моделирование и эксперимент
Биоинженерная группа из Инженерной школы Свонсона Университета Питтсбурга разрабатывает методологию для анализа огромных массивов данных визуализации, получаемых с помощью современных инструментов визуализации и автоматизированных микроскопов. Это сближает миры вычислительного моделирования и эксперимента.
Их исследование, недавно опубликованное в PLOS ONE, сосредоточено на процессе распространения эмбриональной ткани, критически важном для заживления ран и прогрессирования многих заболеваний. Работа показывает, как использование приближенного байесовского вычисления (ABC) — метода статистического вывода — может помочь получить полезную количественную информацию для планирования экспериментов.
Исследованием руководил профессор биоинженерии Лэнс Дэвидсон. Работу возглавляли Трейси Степиен, выпускник математического факультета Питта, и Холли Линч, бывший постдок в лаборатории Дэвидсона MechMorpho Lab.
Группа культивировала ткань эмбриона Xenopus, чтобы раскрыть механические свойства, лежащие в основе морфогенеза — биологического процесса формирования организма. Они обнаружили, что небольшие эксплантаты распространяются медленнее, чем крупные, и начали создавать модели, чтобы выяснить причину.
Были собраны покадровые последовательности изображений за несколько недель. Однако ключевой проблемой при интеграции моделирования с экспериментом является определение оптимального набора параметров модели.
«По мере усложнения моделей и увеличения объема данных от экспериментальных систем становится трудно определить, являются ли выбранные параметры оптимальными, — сказала Трейси Степиен. — Здесь и полезны байесовские вычисления — для каждого набора данных можно запустить модель тысячи раз, чтобы определить наборы параметров, которые наилучшим образом соответствуют самому эксперименту».
Применив байесовский подход, группа обнаружила, что не существует единственного уникального набора параметров. Вместо этого были идентифицированы распределения «почти наилучших» параметров, а затем с помощью статистических методов сравнены разные распределения.
Из статистического анализа следует прогноз, что такие свойства ткани, как сила сокращения и адгезия, с большей вероятностью зависят от начального размера ткани, чем такие факторы, как скорость деления клеток или изменения их формы.
«Наша работа предоставляет прогностические методы, которые могут помочь в более общих исследованиях морфогенеза, — сказала Холли Линч. — Это позволит лучше понять, как регулируется распространение ткани в процессе развития, и потенциально контролировать его при заживлении ран и раке».
По мнению исследовательской группы, эти параметры также могут оказаться полезными для улучшения моделей других экспериментов.
«Хотя эта статья была посвящена одному конкретному типу движения ткани, она имеет более широкое значение, поскольку пытается определить новый путь для научного сообщества, — сказал Лэнс Дэвидсон. — Наша модель за несколько лет превратилась из простой в более строгую и надежную. Статья, изначально посвященная распространению ткани, в конечном итоге демонстрирует структуру, очень тесно интегрирующую моделирование и эксперимент».
В краткосрочной перспективе лаборатория Дэвидсона проверит прогнозы, сделанные в этой статье, и продолжит изучение биофизики распространения ткани. В долгосрочной перспективе группа хотела бы применить столь же надежный статистический подход к другим вычислительным моделям, разрабатываемым в лаборатории.
«Мы действительно хотим интегрировать наши экспериментальные подходы с вычислительными моделями, используя всю статистическую надежность, которую предлагает этот подход, — сказал Дэвидсон. — Использование вычислительной мощности в сочетании с передовыми биомеханическими экспериментами может существенно повлиять на наши знания о развитии и лечении заболеваний».
