[论文解读] 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 16

一句话总结

本文提出一种物理信息深度学习框架，通过从高通量图像数据中学习二维形态空间，表征亚洲大豆锈病病原菌 *Phakopsora pachyrhizi* 的形态动力学。利用物理信息神经网络（PINN）推断Waddington型景观，并通过近似贝叶斯计算（ABC-SMC）拟合顶端生长的持续性随机游走模型，研究揭示了条件依赖的形态转变，并识别出杀菌剂引起的生长区稳定性破坏，如势垒、平台区及定域化路径。

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.

研究动机与目标

• 开发一种数据驱动框架，从静态图像中捕捉真菌病原体的动态形状变化（形态动力学）。
• 通过实现连续、可解释的形状演化表征，克服表型筛选中静态、人为定义特征的局限性。
• 整合无监督深度学习与生物物理建模，推断杀菌剂的条件依赖性动力学及作用模式。
• 通过定量形态动力学分析，识别杀菌剂引起的顶端生长机制的机制性破坏。

提出的方法

• 在9个时间点和6种处理条件下，对 *P. pachyrhizi* 的高通量固定图像快照进行自编码器训练，以学习捕捉显著形状特征的二维形态空间。
• 使用物理信息神经网络（PINN）通过求解具有条件依赖参数的Fokker-Planck方程，推断势能景观（U(x)）。
• 基于自下而上的持续性随机游走模型，建立顶端生长的随机微分方程，描述曲率动力学，并引入松弛项（τ⁻¹）以建模方向持久性。
• 应用近似贝叶斯计算结合序贯蒙特卡洛（ABC-SMC），利用形态空间导出的相似性度量推断模型参数的后验分布。
• 通过ABC-SMC和绝对距离之和比较数据，对三种弯曲模型（全局角度随机游走、曲率随机游走、持续曲率随机游走）进行模型选择。
• 该框架结合无监督降维、生物物理建模与统计推断，生成可解释的、与条件相关的形态动力学表征。

实验结果

研究问题

• RQ1 如何从高通量图像数据中将真菌 germ 管的形态动力学变化捕捉为连续、低维的动力学？
• RQ2 *P. pachyrhizi* 中从扩散性到确定性形态发育转变的生物物理景观是什么？
• RQ3 不同杀菌剂如何扰动顶端生长机制，其导致的形态表型是什么？
• RQ4 物理信息深度学习模型能否提供超越静态描述符的、可解释的、与条件相关的病原体发育表征？

主要发现

• Fokker-Planck模型显示，形态动力学在 germ 管弯曲开始前为扩散性，之后确定性力占主导，驱动轨迹分离。
• 杀菌剂处理引起显著的形态动力学破坏：化合物A（多菌灵）导致类似势垒的特征，化合物B（PIK-75）诱导平台区，化合物C（苯并氟酰）在高浓度下形成定域化路径。
• 模型3（带有松弛项的持续性随机游走：dκ = −τ⁻¹κdt + σdW）最能复现观测到的形态，表明方向持久性是顶端生长的关键特征。
• PINN分析显示模型收敛至可解释的景观，验证了模型的物理合理性，避免了黑箱解释。
• ABC-SMC的参数后验分布揭示了发芽时间（tg）、生长速率（α）和曲率松弛（τ⁻¹）的条件特异性变化，将分子靶点与形态结果联系起来。
• 本研究证明，形态动力学表型可与特定作用模式相关联：微管破坏（化合物A）、PI3K抑制（化合物B）、能量耗竭（化合物C）及表观遗传调节（化合物X）。”