[논문 리뷰] Physics-informed deep learning characterizes morphodynamics of Asian soybean rust disease

Endres, R, Cavanagh, H외 3명|arXiv (Cornell University)|2021. 11. 29.

Wheat and Barley Genetics and Pathology참고 문헌 41인용 수 16

한 줄 요약

이 논문은 고속 이미지 데이터에서 2차원 형태공간을 학습함으로써 아시아 콩녹병 병원체인 *Phakopsora pachyrhizi*의 형태역학을 특성화하는 물리 기반 딥러닝 프레임워크를 제안한다. 물리 기반 신경망(PINN)을 사용해 워딩턴 유형의 지형을 추론하고, 약제 유도적 변화를 분석하기 위해 근사 베이지안 계산(ABC-SMC)을 활용해 지속적인 랜덤 워크 모델의 성장 끝부분 성장을 적합화함으로써, 환경 조건에 따라 달라지는 형태 전이와 약제에 의한 성장 영역 안정성 붕괴(장애물, 평탄한 영역, 채널화된 경로 등)를 규명한다.

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.

연구 동기 및 목표

• 정적인 이미지에서의 기하형태 변화(형태역학)를 포괄하는 데이터 기반 프레임워크를 개발한다.
• 표형 스크리닝에서의 정적이고 인간이 정의한 특징의 한계를 극복하기 위해 형태 변화의 연속적이고 해석 가능한 특성화를 가능하게 한다.
• 비지도 딥러닝과 생물물리 모델링을 통합하여 조건에 따라 달라지는 동역학과 약제의 작용 기작을 추론한다.
• 약제에 의한 끝부분 성장 기계의 기계적 손상 요인을 정량적 형태역학 분석을 통해 규명한다.

제안 방법

• *P. pachyrhizi*의 9개 시간 포인트와 6개 조건에서의 고속 촬영 고정 이미지 스크래치를 기반으로 자동에코더를 훈련시켜 주요 형태 특징을 캡처하는 2차원 형태공간을 학습한다.
• 조건에 따라 달라지는 매개변수를 갖는 포커-플랑크 방정식을 해결함으로써 물리 기반 신경망(PINN)을 사용해 잠재 에너지 지형(U(x))을 추론한다.
• 하나의 끝부분 성장에 대한 하향식 지속적인 랜덤 워크 모델을 확률적 미분 방정식을 사용해 수립하며, 방향성 유지 정도를 모델링하기 위해 회복 항(τ⁻¹)을 포함한다.
• 형태공간 유사도 지표를 활용해 모델 매개변수의 사후 분포를 추론하기 위해 근사 베이지안 계산과 순차 몬테카를로(ABC-SMC)를 적용한다.
• 세 가지 굽힘 모델(전체 각도, 굽힘, 지속적인 굽힘) 간의 모델 선택을 ABC-SMC를 통해 수행하고, 합산 절대 거리 기반으로 데이터 비교를 실시한다.
• 비지도 차원 축소, 생물물리 모델링, 통계적 추론을 통합하여 조건에 특화된 해석 가능한 형태역학적 특성화를 도출한다.

실험 결과

연구 질문

• RQ1 고속 이미지 데이터에서 정적인 이미지로부터의 연속적이고 저차원의 형태역학 변화는 어떻게 포착할 수 있는가?
• RQ2 *P. pachyrhizi*에서 확산적 형태 발달에서 결정적 형태 발달로의 전이를 뒷받침하는 생물물리적 지형은 무엇인가?
• RQ3 다양한 약제가 끝부분 성장 기계에 어떤 영향을 미치며, 그로 인해 나타나는 형태적 표현형은 무엇인가?
• RQ4 물리 기반 딥러닝 모델은 정적 기술자표기 이상의 조건에 따라 달라지는, 이해 가능한 형태의 병원체 발달 특성화를 제공할 수 있는가?

주요 결과

• 포커-플랑크 모델은 형태역학이 끝부분 굽힘이 시작되기 전까지는 확산적 특성을 띠며, 이후 결정적 힘이 지배적으로 작용하여 궤적을 분리시킨다는 것을 밝혀냈다.
• 약제 처리로 인해 다양한 형태역학적 붕괴가 유도되었다: 화합물 A(carbendazim)는 장벽 유사 구조를, 화합물 B(PIK-75)는 평탄한 영역을, 화합물 C(benzovindiflupyr)는 고농도에서 채널화된 경로를 생성하였다.
• 모델 3, 즉 회복 항(dκ = −τ⁻¹κdt + σdW)이 포함된 지속적인 랜덤 워크 모델이 관측된 형태를 가장 잘 재현하여, 방향성 유지가 끝부분 성장의 핵심 특징임을 시사했다.
• PINN 분석 결과는 이해 가능한 지형으로 수렴하였으며, 이는 모델의 물리적 타당성을 검증하고 블랙박스 해석을 피했다.
• ABC-SMC를 통한 매개변수 사후 분포는 발아 시간(tg), 성장 속도(α), 굽힘 회복(τ⁻¹)의 조건별 변화를 드러내어 분자 표적과 형태적 결과를 연결지었다.
• 본 연구는 형태역학적 표현형이 특정 작용 기작과 연관됨을 입증하였다: 미세소관 파괴(화합물 A), PI3K 억제(화합물 B), 에너지 고갈(화합물 C), 에피제네틱 조절(화합물 X).