StressNET：一种用于组织机械应力推断的自适应深度学习模型

细胞之间的机械相互作用是发育和再生过程中组织形态发生的基础。通过细胞形态的显微图像推断细胞间应力的计算方法，为实验扰动技术提供了一种非侵入性替代方案；然而，现有方法均依赖于明确的物理模型。在此，我们提出 StressNET——一种图神经网络（Graph Neural Network，GNN），能够直接从组织几何结构推断细胞间机械应力，而无需假设任何潜在的物理模型。我们生成了用于训练和基准测试 StressNET 的合成数据集，并证明其预测结果在斑马鱼神经丘和爪蟾胚胎中与实验应力替代指标的相关性达到最先进水平。对该网络潜在空间的分析表明，StressNET 学习到了机械应力分布的全局组织原则，而不仅仅是局部细胞—细胞相互作用。StressNET 采用开源形式发布，并提供了可在体内数据上进行微调的预训练模型，因此成为一种能够广泛适用于不同生物系统组织力学研究的工具。

细胞之间的机械相互作用是发育和再生过程中组织形态发生的基础。通过细胞形态的显微图像推断细胞间应力的计算方法，为实验扰动技术提供了一种非侵入性替代方案；然而，现有的所有方法都依赖于明确的物理模型。在此，我们提出 StressNET——一种图神经网络（Graph Neural Network，GNN），能够直接根据组织几何结构推断细胞间机械应力，而无需假设任何潜在的物理模型。我们生成了合成数据集，用于训练和评估 StressNET，并证明其预测结果在斑马鱼神经丘和爪蟾胚胎中与实验应力替代指标之间的相关性达到当前最先进水平。对该网络潜在空间的分析表明，除局部细胞—细胞相互作用之外，StressNET 还能够学习机械应力分布的全局组织原则。StressNET 已开源，并提供了可在体内数据上进行微调的预训练模型，因此是一种可广泛适用于不同生物系统组织力学研究的工具。

感谢您有兴趣传播 bioRxiv 的相关信息。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.14.751456v1?rss=1

🏷️ 组织力学 机械应力推断 图神经网络 深度学习 计算生物学