.png){kind=icon}
返回
Spatiotemporal feature learning for actin dynamics
.png){kind=icon}
OA
AI
DOI：10.1371/journal.pone.0318036.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
社交变形虫Dictyostelium discoideum是研究细胞运动和生物模式形成的一个标准模型系统。D. discoideum细胞通过协调的肌动蛋白聚合和去聚合波驱动的细胞骨架重组形成突起并进行迁移。肌动蛋白丝的组装和去组装由复杂的生化反应网络调控，表现出对外部物理线索的敏感性，如细胞外基质的刚度、组成和表面拓扑结构，以及外部电场的存在。在本研究中，我们调查了细胞微环境，特别是电场的存在和纳米拓扑类型，是否可以直接从肌动蛋白波的图像或视频中推断出来。我们采用三种机器学习技术来分析产生的视频：字典学习、散射变换和光流。我们通过逐帧观察肌动蛋白波并识别有助于根据微环境类型对细胞运动进行分类的关键视觉特征，来预测细胞外环境的类型。我们的分析表明，将静态图像分解为自适应的基本视觉基元为按纳米拓扑类型对细胞进行分类提供了一种稳健的方法。相比之下，预测细胞是否在外部电场影响下移动需要在一个时间段内跟踪稳定的细胞特征，如角点和边缘。我们预期，我们的计算方法在许多需要借助荧光标记和视频显微技术观察非平凡集体动力学的场景中将具有实用性。
Keyword:
CELL-MIGRATION
NANOTOPOGRAPHY
ELECTROTAXIS
GUIDANCE
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
.png){kind=icon}
