[论文解读] Driven-dissipative dynamics of active cytoskeletal networks underlie near-critical energy fluctuations

Carlos Floyd, Herbert Levine+2 more|arXiv (Cornell University)|Jun 2, 2020

Cellular Mechanics and Interactions被引用 1

一句话总结

本研究通过代理模型模拟揭示，驱动-耗散动力学在活性细胞骨架网络中导致近临界能量涨落，即‘细胞地震’，其特征为在全局重构事件中积累并释放应变能。机器学习预测证实机械不稳定性先于细胞地震发生，而细胞地震则通过网络维持空间张力均一化。

ABSTRACT

Eukaryotic cells are mechanically supported by a polymer network called the cytoskeleton, which continually consumes chemical energy as fuel to dynamically remodel its structure. Recent experiments revealed that this remodeling process occasionally happens through unusually large, step-like events reminiscent of earthquakes. These rare events, termed may reflect optimized information processing by cytoskeletal networks, and are hence of significant biological interest. The physics underlying cytoquakes is poorly understood, however, hindering investigation of their possible biological roles. We address this gap by using agent-based simulations of cytoskeletal self-organization to show that cytoquakes' origins lie in the inherent driven-dissipative dynamics of active cytoskeletal networks. Similarly to models exhibiting self-organized criticality, strain energy accumulates in the network before being released in global restructuring events. By forecasting cytoquakes using a machine learning model, we furthermore show that mechanical instability precedes cytoquakes, which then induce a spatial homogenization of tension sustained by the network.

研究动机与目标

• 理解在真核细胞中观察到的细胞骨架大规模、阶跃式结构重组——即‘细胞地震’——的物理起源。
• 研究这些事件是否源于内在的驱动-耗散动力学，而非外部触发因素。
• 确定机械不稳定性是否先于细胞地震发生，以及其如何影响网络张力分布。
• 通过计算建模探索自组织临界性在活性细胞骨架网络中的作用。

提出的方法

• 采用代理模型模拟细胞骨架自组织，以模拟细胞骨架网络的动态、耗能行为。
• 模拟中引入了主动力和能量耗散，以捕捉细胞骨架重塑的驱动-耗散特性。
• 追踪应变能随时间的积累与释放，以识别类似于细胞地震的全局重构事件。
• 训练机器学习模型，基于事件发生前的网络机械状态预测细胞地震。
• 分析细胞地震事件前后网络的空间张力分布，评估其均一化效应。

实验结果

研究问题

• RQ1 驱动-耗散动力学在活性细胞骨架网络中导致细胞地震涌现的物理机制是什么？
• RQ2 仅靠驱动-耗散动力学是否足以在细胞骨架中引发近临界能量涨落？
• RQ3 机械不稳定性是否为细胞地震事件的前兆？
• RQ4 细胞地震如何影响细胞骨架网络内机械张力的空间分布？

主要发现

• 细胞地震源于活性细胞骨架网络的内在驱动-耗散动力学，通过应变能的积累与释放，类比自组织临界性。
• 机器学习模型基于网络状态训练后预测，机械不稳定性确实先于细胞地震发生。
• 细胞地震诱导细胞骨架网络中张力的空间持续均一化。
• 网络通过持续的能量消耗维持近临界状态，从而支持大规模的结构重组事件。