Multicell-Fold: geometric learning in folding multicellular life

要約

胚発生などの発生過程において、細胞のグループが特定の構造にどのように折り畳まれるかは、生物がどのように形成されるかを定義する生物学における中心的な問題です。
組織レベルの形態の確立は、すべての単一細胞が隣接する細胞との相対的な位置をどのように決定するかに大きく依存します。
その重要性にもかかわらず、このような複雑なプロセス中の生体組織内のすべての細胞の挙動を経時的に理解し、予測することは依然として大きな課題です。
この問題に取り組むために、私たちは、多細胞の折り畳みと胚形成を予測し、細胞間の高度に複雑な空間相互作用を正確に捉えることができる幾何学的な深層学習モデルを提案します。
我々は、細胞相互作用と細胞結合ネットワークの両方を考慮し、統一されたグラフデータ構造を通じて多細胞データを粒状と泡状の両方の物理画像で表現できることを実証します。
私たちは、このモデルを使用して、解釈可能な 4 次元形態学的配列アラインメントと、単一細胞解像度で発生する前に局所細胞の再配列を予測するという 2 つの重要なタスクを達成することに成功しました。
さらに、活性化マップとアブレーション研究を使用して、細胞の幾何学的形状と細胞結合ネットワークが一緒になって、胚の形態形成に重要な局所的な細胞の再配置を制御していることを実証します。
このアプローチは、形態形成を研究するための新しいパラダイムを提供し、統一されたデータ構造を強調し、幾何学的な深層学習の力を利用して発生中の細胞のメカニズムと挙動を正確にモデル化します。
これは、胚発生などのさまざまな発生プロセスのための統一された動的形態学的アトラスを作成するための道筋を提供します。

要約(オリジナル)

During developmental processes such as embryogenesis, how a group of cells fold into specific structures, is a central question in biology that defines how living organisms form. Establishing tissue-level morphology critically relies on how every single cell decides to position itself relative to its neighboring cells. Despite its importance, it remains a major challenge to understand and predict the behavior of every cell within the living tissue over time during such intricate processes. To tackle this question, we propose a geometric deep learning model that can predict multicellular folding and embryogenesis, accurately capturing the highly convoluted spatial interactions among cells. We demonstrate that multicellular data can be represented with both granular and foam-like physical pictures through a unified graph data structure, considering both cellular interactions and cell junction networks. We successfully use our model to achieve two important tasks, interpretable 4-D morphological sequence alignment, and predicting local cell rearrangements before they occur at single-cell resolution. Furthermore, using an activation map and ablation studies, we demonstrate that cell geometries and cell junction networks together regulate local cell rearrangement which is critical for embryo morphogenesis. This approach provides a novel paradigm to study morphogenesis, highlighting a unified data structure and harnessing the power of geometric deep learning to accurately model the mechanisms and behaviors of cells during development. It offers a pathway toward creating a unified dynamic morphological atlas for a variety of developmental processes such as embryogenesis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google