- 6 次围观
运动性微生物在复杂环境中探索，以寻找营养物质、宿主以及适宜的生态位。例如，植物病原卵菌在感染宿主组织之前，会通过具两根鞭毛的游动孢子经历这样一个探索阶段；这些游动孢子主动在充满水分的土壤孔隙中游动。然而，将单个游动孢子的游泳行为与涌现出的扩散模式联系起来，仍然具有挑战性。在此，我们提出了一个端到端的数据驱动框架，通过直接从实验轨迹中推断局部行为规则，将延时显微成像序列转化为游动孢子扩散的生成式基于主体模拟。以烟草疫霉（Phytophthora nicotianae）为模型系统，我们提取了近60,000条游动孢子轨迹，并量化了局部行为描述符和涌现轨迹性质。 我们首先利用局部行为测量结果，推断出一个经验性的两状态模型，用以区分SLOW和FAST两种游泳状态，同时捕捉时间记忆以及速度与转向之间的耦合关系。将该模型实现于基于主体的元胞自动机中后，其成功再现了实验扩散的主要涌现特征。 随后，我们使用隐马尔可夫模型独立推断了游动孢子游泳行为的组织结构。最简约的两状态HMM恢复出一种密切相关的行为组织方式，同时揭示出所推断状态共同反映的是游泳速度、转向动力学和方向持续性，而不仅仅是速度本身。 最后，我们在一个独立的、充满障碍物的环境中检验了所推断的行为规则。结合简单的碰撞假设，该模型在无需重新校准游泳规则的情况下再现了涌现扩散，并识别出碰撞后短暂减速是解释实验轨迹所必需的关键响应。 综上，这些结果表明，从实验中推断得到的局部行为规则具有超出其校准条件之外的预测能力。更广泛而言，本研究建立了一个预测性框架，将定量显微学、行为规则推断与微生物扩散的生成式建模联系起来。
运动性微生物在复杂环境中探索，以寻找营养物、宿主和有利的生态位。例如，植物病原卵菌在感染宿主组织之前，会通过具有两根鞭毛的游动孢子经历这样一个探索阶段，这些游动孢子主动在充满水的土壤孔隙中游动。将单个游动孢子的游动行为与涌现的扩散模式联系起来仍然具有挑战性。在此，我们提出了一个端到端的数据驱动框架，通过直接从实验轨迹中推断局部行为规则，将延时显微镜图像序列转化为游动孢子扩散的生成式基于智能体模拟。以烟草疫霉（Phytophthora nicotianae）为模型系统，我们分离获得了近60,000条游动孢子轨迹，并量化了局部行为描述符和涌现轨迹特征。
首先，我们利用局部行为测量结果推断了一个经验性的两状态模型，用以区分SLOW和FAST两种游动状态，同时捕捉时间记忆效应以及速度与转向之间的耦合关系。将该模型实现于基于智能体的元胞自动机中后，它成功再现了实验扩散的主要涌现特征。随后，我们又利用隐马尔可夫模型独立推断了游动孢子游动行为的组织结构。最简约的两状态HMM恢复出一种高度相关的行为组织方式，同时揭示出推断得到的状态共同反映了游动速度、转向动力学和方向持续性，而非仅仅反映速度本身。
最后，我们在一个独立的、充满障碍物的环境中检验了所推断的行为规则。结合简单的碰撞假设，该模型在无需重新校准游动规则的情况下再现了涌现扩散，并识别出碰撞后短暂减速是解释实验轨迹所必需的关键响应。总之，这些结果表明，从实验中推断得到的局部行为规则具有超越其校准条件的预测能力。更广泛地说，本研究建立了一个将定量显微成像、行为规则推断与微生物扩散生成式建模联系起来的预测性框架。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.12.744352v1?rss=1
🏷️ 游动孢子扩散 数据驱动建模 隐马尔可夫模型 基于主体模拟 植物病原卵菌