[论文解读] Zyxin is all you need: machine learning adherent cell mechanics

Matthew S. Schmitt, Jonathan Colen+6 more|arXiv (Cornell University)|Mar 1, 2023

Cellular Mechanics and InteractionsBiochemistry, Genetics and Molecular Biology被引用 3

一句话总结

本研究表明，仅通过荧光成像观察的单一黏着斑蛋白zyxin，便包含足够信息用于训练机器学习模型，从而精确预测贴壁细胞的细胞牵引力。通过深度神经网络与物理信息建模，作者证明zyxin分布编码了控制力传递的两个不同长度尺度，使模型能够在不依赖其他细胞骨架组分知识的情况下，泛化至多种生物学条件。

ABSTRACT

Cellular form and function emerge from complex mechanochemical systems within the cytoplasm. No systematic strategy currently exists to infer large-scale physical properties of a cell from its many molecular components. This is a significant obstacle to understanding biophysical processes such as cell adhesion and migration. Here, we develop a data-driven biophysical modeling approach to learn the mechanical behavior of adherent cells. We first train neural networks to predict forces generated by adherent cells from images of cytoskeletal proteins. Strikingly, experimental images of a single focal adhesion protein, such as zyxin, are sufficient to predict forces and generalize to unseen biological regimes. This protein field alone contains enough information to yield accurate predictions even if forces themselves are generated by many interacting proteins. We next develop two approaches - one explicitly constrained by physics, the other more agnostic - that help construct data-driven continuum models of cellular forces using this single focal adhesion field. Both strategies consistently reveal that cellular forces are encoded by two different length scales in adhesion protein distributions. Beyond adherent cell mechanics, our work serves as a case study for how to integrate neural networks in the construction of predictive phenomenological models in cell biology, even when little knowledge of the underlying microscopic mechanisms exist.

研究动机与目标

• 开发一种从有限分子成像数据中推断大规模细胞力学特性的数据驱动方法。
• 确定单一黏着斑蛋白（zyxin）是否能编码足够信息以预测复杂的细胞力场。
• 仅使用zyxin成像数据，构建可解释的、物理信息驱动的细胞力学连续体模型。
• 从最少的实验输入中识别控制贴壁细胞力传递的潜在长度尺度。
• 展示一种可泛化的框架，将机器学习与现象学建模整合于细胞生物学中。

提出的方法

• 训练U-Net神经网络，从zyxin荧光图像预测牵引力，在未见细胞上实现高精度。
• 使用格林函数神经网络（GFNN）学习zyxin分布与力场之间的关系，整合物理约束。
• 应用稀疏回归（SINDy）从学习到的格林函数中提取可解释方程，获得最小项集。
• 将力场表述为格林函数与局部zyxin梯度及标量函数卷积的线性组合。
• 在模型架构中引入物理对称性与守恒定律，以提升泛化能力与可解释性。
• 在31个不同的贴壁细胞上验证模型，测试集包含15个训练期间未见的细胞。

实验结果

研究问题

• RQ1 单一黏着斑蛋白（如zyxin）是否能编码足够信息以预测细胞的完整牵引力场？
• RQ2 从zyxin分布推断，贴壁细胞力学组织中的主导长度尺度是什么？
• RQ3 在未明确知晓其他细胞骨架组分的情况下，物理约束的机器学习模型能否泛化至未见的生物学条件？
• RQ4 如何从深度学习中推导出无需预先了解微观机制的可解释细胞力学现象学模型？
• RQ5 当应用于训练期间未见的扰动细胞状态时，所学习的力模型在多大程度上仍保持准确性？

主要发现

• 仅凭zyxin荧光图像，神经网络即可实现高精度预测牵引力，预测与实验力方向的中位相关系数达0.99。
• 模型泛化至15个未参与训练的测试细胞，所有测试案例的均方误差（MSE）均保持极低。
• 稀疏回归揭示，细胞力由zyxin分布编码的两个不同长度尺度控制：一个短程、一个长程，分别对应不同格林函数的衰减特性。
• Clebsch表示中∇θ项的贡献可忽略（占总力的1.1%），表明仅zyxin即可实现精确预测。
• 最终可解释模型仅包含10个项，相对误差随参数增加而降低，证实复杂度提升可增强预测能力。
• 最佳情况下，模型的相对误差为-0.25，表明增加参数显著优于零参数基线模型。