[논문 리뷰] Topological data analysis approaches to uncovering the timing of ring structure onset in filamentous networks

Maria-Veronica Ciocanel, Riley Juenemann외 2명|arXiv (Cornell University)|2019. 10. 13.

Topological and Geometric Data Analysis참고 문헌 46인용 수 10

한 줄 요약

이 논문은 시간에 따른 에이전트기반 시뮬레이션에서 액틴-마이오신 필라멘터스 네트워크 내 고리 형태의 구조가 나타나고 언제 나타나는지를 추적하기 위해 영구 호모로피( persistent homology )를 사용하는 위상적 데이터 분석(TDA) 방법을 제안한다. 필라멘터스를 따라 점들을 샘플링하고 시간에 따른 영구성 다이어그램을 분석함으로써, 경로 연결 기반 접근법을 통해 뚜렷한 1차 위상적 구멍(고리 채널)을 식별한다. 이 방법은 다양한 샘플링 밀도와 모터 단백질 파rameter에서 고리 형성의 시작 시점을 견고하게 탐지함을 보여준다.

ABSTRACT

Improvements in experimental and computational technologies have led to significant increases in data available for analysis. Topological data analysis (TDA) is an emerging area of mathematical research that can identify structures in these data sets. Here we develop a TDA method to detect physical structures in a cell that persist over time. In most cells, protein filaments (actin) interact with motor proteins (myosins) and organize into polymer networks and higher-order structures. An example of these structures are ring channels that maintain constant diameters over time and play key roles in processes such as cell division, development, and wound healing. The interactions of actin with myosin can be challenging to investigate experimentally in living systems, given limitations in filament visualization extit{in vivo}. We therefore use complex agent-based models that simulate mechanical and chemical interactions of polymer proteins in cells. To understand how filaments organize into structures, we propose a TDA method that assesses effective ring generation in data consisting of simulated actin filament positions through time. We analyze the topological structure of point clouds sampled along these actin filaments and propose an algorithm for connecting significant topological features in time. We introduce visualization tools that allow the detection of dynamic ring structure formation. This method provides a rigorous way to investigate how specific interactions and parameters may impact the timing of filamentous network organization.

연구 동기 및 목표

• .
• 동적 필라멘터스 네트워크에서 고리 구조 형성이 발생하는 시점을 식별하는 TDA 방법을 개발한다.
• 영구 호모로피에서 위상적 특징의 중요성을 평가하여 실제 고리 채널과 노이즈를 구분한다.
• 액틴 단량체 단위의 다양한 샘플링 밀도에서 특징 탐지의 강건성을 평가한다.

제안 방법

• .
• 모든 시간 단위에서 액틴 필라멘터스를 따라 단량체 단위를 샘플링하여 점군(point cloud)을 생성한다.
• 각 시간 단위에서 1차 위상적 특징(구멍)을 캡처하기 위해 영구성 다이어그램을 구성한다.
• 가장 지속적인 위상적 특징의 진화를 추적하기 위해 시간에 걸쳐 생애-사멸 쌍을 연결하는 경로 연결 알고리즘을 사용한다.
• 노이즈와 실제 특징를 구분하기 위해 무작위로 배열된 필라멘터스를 가진 노ulled 모델과 생존 함수 비교를 통해 중요성을 평가한다.
• 유의미한 위상적 특징을 식별하기 위해 500 nm의 영구성 임계값을 사용하며, 이는 다양한 샘플링 밀도에서 검증되었다.

실험 결과

연구 질문

• RQ1 .
• RQ2 모의 시뮬레이션에서 뚜렷한 1차 위상적 구멍(고리 채널)이 처음으로 나타나는 시점은 언제인가요?
• RQ3 액틴 단량체 단위의 샘플링 밀도는 고리 구조 형성의 시작과 지속성 탐지에 어떤 영향을 미치나요?
• RQ4 이 방법은 시뮬레이션에서 다양한 모터 단백질 결합 파rameter에 의해 유도된 고리 형성과 구분할 수 있나요?
• RQ5 노이즈는 위상적 특징 탐지에 어떤 역할을 하는가? 그리고 생물학적으로 의미 있는 특징와 통계적으로 어떻게 분리할 수 있는가?

주요 결과

• .
• 이 방법은 다양한 샘플링 밀도에서 고리 채널에 해당하는 뚜렷한 1차 위상적 구멍의 형성 시점을 성공적으로 식별한다.
• 모델에서 생성된 프레임의 영구성 길이 생존 함수는 노ulled 모델의 프레임과 유의미하게 다름을 확인하여 특징의 중요성을 입증한다.
• 500 nm의 영구성 임계값은 다양한 샘플링 밀도에서 주요 위상적 특징을 신뢰성 있게 식별하며, 300–500 nm 범위에서 일관된 평탄한 행동를 관찰할 수 있다.
• 단량체 단위를 10%와 30%로 샘플링했을 때 고리 형성의 시작 시점은 유사하지만, 30% 샘플링은 점군의 밀도가 높아 약 4배 더 많은 특징을 생성한다.
• 경로 연결 접근법은 시간에 걸쳐 위상적 특징을 효과적으로 연결하여 고리 구조 형성의 명확한 시각화와 정량화를 가능하게 한다.
• 이 방법은 샘플링 밀도에 대해 강건하며, 중간에서 높은 샘플링 밀도에서 주요 고리형 특징을 일관되고 지속적으로 탐지함을 보여준다.