Learning Dynamics from Multicellular Graphs with Deep Neural Networks

要約

多細胞の機能的構造への自己集合は、胚の発生、器官形成、腫瘍浸潤などを含む発生および疾患において重要な動的なプロセスです。
細胞の静的構成から集合的な細胞移動のダイナミクスを推測できることは、これらの複雑なプロセスの理解と予測の両方にとって貴重です。
しかし、多細胞の動きを示す構造的特徴の同定は困難であり、既存の測定基準は主に物理的本能に依存しています。
ここでは、グラフ ニューラル ネットワーク (GNN) を使用して、実験データセットと合成データセットの両方で、多細胞集団の動きが細胞位置の静的スナップショットから推測できることを示します。

要約(オリジナル)

Multicellular self-assembly into functional structures is a dynamic process that is critical in the development and diseases, including embryo development, organ formation, tumor invasion, and others. Being able to infer collective cell migratory dynamics from their static configuration is valuable for both understanding and predicting these complex processes. However, the identification of structural features that can indicate multicellular motion has been difficult, and existing metrics largely rely on physical instincts. Here we show that using a graph neural network (GNN), the motion of multicellular collectives can be inferred from a static snapshot of cell positions, in both experimental and synthetic datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google