[論文レビュー] Physics-informed deep learning characterizes morphodynamics of Asian soybean rust disease

Endres, R, Cavanagh, H+3 more|arXiv (Cornell University)|Nov 29, 2021

Wheat and Barley Genetics and Pathology参考文献 41被引用数 16

ひとこと要約

本稿では、高スループット画像データから2次元の形態空間を学習することで、アジアナスダマシ病原体 *Phakopsora pachyrhizi* の形態力学的特性を特徴付ける、物理的制約を組み込んだ深層学習フレームワークを提案する。物理的制約を組み込んだニューラルネットワーク（PINN）を用いてWaddington型のエネルギー状態を推定し、近似ベイズ計算（ABC-SMC）を用いて先端成長の持続的ランダムウォークモデルを適合させることで、環境依存の形態的遷移を明らかにするとともに、農薬による成長領域の安定性の破壊、たとえば障害物、平坦部、およびチャネル化された経路を同定した。

ABSTRACT

Medicines and agricultural biocides are often discovered using large phenotypic screens across hundreds of compounds, where visible effects of whole organisms are compared to gauge efficacy and possible modes of action. However, such analysis is often limited to human-defined and static features. Here, we introduce a novel framework that can characterize shape changes (morphodynamics) for cell-drug interactions directly from images, and use it to interpret perturbed development of Phakopsora pachyrhizi, the Asian soybean rust crop pathogen. We describe population development over a 2D space of shapes (morphospace) using two models with condition-dependent parameters: a top-down Fokker-Planck model of diffusive development over Waddington-type landscapes, and a bottom-up model of tip growth. We discover a variety of landscapes, describing phenotype transitions during growth, and identify possible perturbations in the tip growth machinery that cause this variation. This demonstrates a widely-applicable integration of unsupervised learning and biophysical modeling.

研究の動機と目的

• 静的画像から得られる真菌病原体の動的形状変化（形態力学的特性）を捉えるデータ駆動型フレームワークの構築を目的とする。
• 従来の静的で人為的に定義された特徴量に起因する形態的スクリーニングの限界を克服し、形状の進化を連続的かつ解釈可能な形で特徴付けることを目的とする。
• 教師なし深層学習と生物物理学的モデリングを統合し、農薬の作用の条件依存的ダイナミクスおよび作用機構を推定することを目的とする。
• 農薬による先端成長機構の機械的破壊を、定量的形態力学的解析を通じて同定することを目的とする。

提案手法

• 9つの時間ポイントと6つの処理条件における *P. pachyrhizi* の高スループット固定画像スナップショットを用いて、顕著な形状特徴を捉える2次元の形態空間を学習するため、オートエンコーダーを訓練する。
• 条件依存パラメータを用いてFokker-Planck方程式を解くことで、ポテンシャルエネルギー状態（U(x)）を推定するため、物理的制約を組み込んだニューラルネットワーク（PINN）を用いる。
• 先端成長の下位からの持続的ランダムウォークモデルを、曲率ダイナミクスを記述する確率微分方程式で定式化し、方向性の持続性をモデル化するための緩和項（τ⁻¹）を組み込む。
• 形態空間から導出される類似性指標を用いて、近似ベイズ計算と逐次モンテカルロ法（ABC-SMC）を適用し、モデルパラメータの事後分布を推定する。
• 3つの曲げモデル（全角のランダムウォーク、曲率のランダムウォーク、および持続的曲率）を比較し、ABC-SMCと絶対距離の合計によるデータ比較を通じてモデル選択を実施する。
• 教師なし次元削減、生物物理学的モデリング、統計的推論を統合したフレームワークにより、条件別に解釈可能な形態力学的特徴付けを実現する。

実験結果

リサーチクエスチョン

• RQ1 高スループット画像データから、真菌の胞子発芽管の形態力学的変化を連続的かつ低次元のダイナミクスとして捉える方法は何か？
• RQ2 *P. pachyrhizi* において、拡散的から決定論的形態発達への遷移を支配する生物物理学的状態は何か？
• RQ3 異なる農薬は先端成長機構にどのように干渉し、それによって生じる形態的表現型は何か？
• RQ4 物理的制約を組み込んだ深層学習モデルは、静的記述を超えて、条件依存の解釈可能な病原体発達の特徴付けを提供できるか？

主な発見

• Fokker-Planckモデルにより、形態力学的特性が胞子発芽管の曲がりが開始されるまで拡散的であることが判明し、その後は決定論的力が支配的となり、軌道が分離を始める。
• 農薬処理により特徴的な形態力学的破壊が誘発された：化合物A（カルベンダジム）は障害物に類似した特徴を示し、化合物B（PIK-75）は平坦部を誘発し、化合物C（ベンゾビンジフラピル）は高濃度でチャネル化された経路を形成した。
• モデル3（緩和項を有する持続的ランダムウォーク：dκ = −τ⁻¹κdt + σdW）が観測された形態を最もよく再現した。これは、方向性の持続性が先端成長の主要な特徴であることを示唆している。
• PINN解析により、解釈可能なエネルギー状態に収束した。これは、モデルの物理的妥当性を裏付け、ブラックボックス解釈を回避したことを示している。
• ABC-SMCによるパラメータの事後分布は、発芽時間（tg）、成長速度（α）、曲率緩和（τ⁻¹）の条件別変化を明らかにした。これにより、分子標的と形態的結果との間の関連が示された。
• 本研究では、形態力学的表現型が特定の作用機構と関連づけられることを示した：微小小管の破壊（化合物A）、PI3K阻害（化合物B）、エネルギー枯渇（化合物C）、エピジェネティック調節（化合物X）である。