基于机器学习的形态学特征动态表明剪切应力依赖性的 hiPSC 来源内皮细胞状态分岔

细胞状态日益被概念化为高维动力系统的吸引子，然而，将表型信息整合到这一框架中的定量方法仍然有限。在此，我们采用一种基于图像的方法，将无监督机器学习（ML）与延时成像相结合，以提取并表征形态学特征的时间动力学。利用一种内源性标记VE-cadherin的细胞系，我们获取了人诱导多能干细胞来源内皮细胞（hiPSC-EC）单层的明场和荧光延时图像；在两种不同大小的剪切应力下，这些细胞单层在形态、行为以及VE-cadherin组织方式方面呈现出不同的表型。为了在无需分割的情况下量化这些表型细胞状态，我们训练了一个扩散自编码器，以根据明场图像预测VE-cadherin信号。我们识别出具有可解释性的、基于机器学习的特征，用于表征细胞取向、伸长程度和局部密度。将这些变量视为形态状态空间的维度后，我们估计了一个数据驱动的向量场，并发现所观察到的两种表型细胞状态对应于所推断动力系统的稳定不动点。将测得的细胞迁移相干性映射到该空间中，进一步区分了这两种状态。对处于中间剪切应力条件下的细胞进行成像显示出一个双稳态区域，在该区域中两种状态共存，这表明内皮细胞状态之间依赖于剪切应力的转变是作为所推断动力系统的一个分岔而发生的。最后，我们将该方法应用于研究VE-cadherin的N端截短，发现突变细胞保留了排列一致性和相干迁移，但表现出改变的形态以及增加的迁移速度。该工作表明，动力系统方法可用于基于具有可解释性的机器学习特征，对细胞状态的形态学方面进行定量表征。

细胞状态日益被概念化为高维动力系统的吸引子，然而，将表型信息整合到这一框架中的定量方法仍然有限。在此，我们采用一种基于成像的方法，将无监督机器学习（ML）与延时成像相结合，以提取并表征形态学特征的时间动态。利用一种内源性标记VE-cadherin的细胞系，我们获取了人诱导多能干细胞来源内皮细胞（hiPSC-EC）单层的明场和荧光延时图像；在两种不同大小的剪切应力下，这些细胞单层在形态、行为以及VE-cadherin组织方式方面呈现出不同的表型。为了在无需分割的情况下定量这些表型细胞状态，我们训练了一个扩散自编码器，以根据明场图像预测VE-cadherin信号。我们识别出具有可解释性的、基于机器学习的特征，用以表征细胞取向、伸长程度和局部密度。将这些变量视为形态状态空间的维度后，我们估计了一个数据驱动的向量场，并发现观察到的两种表型细胞状态对应于所推断动力系统的稳定不动点。将测得的细胞迁移相干性映射到该空间中，进一步区分了这两种状态。对处于中间剪切应力条件下的细胞进行成像显示出一个双稳态区间，在该区间内两种状态共存，这表明内皮细胞状态之间依赖剪切应力的转变是所推断动力系统中的一次分岔。最后，我们将该方法应用于研究VE-cadherin的N端截短，发现突变细胞保留了排列一致性和相干迁移，但表现出改变的形态以及更高的迁移速度。这项工作证明了动力系统方法可用于基于具有可解释性的机器学习特征，对细胞状态的形态学方面进行定量表征。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.07.736803v1?rss=1

🏷️ 机器学习 内皮细胞 剪切应力 形态动力学 hiPSC VE-cadherin