- 3 次围观
形态发生是生物体从单个细胞发育为复杂生物体的过程，而细胞与其环境之间的相互作用是促成这种复杂性的因素之一。在由不同细胞类型和聚合物结构构成的异质环境中，观察到的复杂性似乎趋近于无限。近年来，成像工具和用于图像分析的深度学习技术不断发展，使得以切实可行的计算成本从太字节级图像中提取信息成为可能。本文采用基于 Transformer 的模型预测小鼠脑发育过程中星形胶质细胞的迁移轨迹，旨在定量阐明：（i）预测为何困难，即可预测性的结构及其理论极限；以及（ii）环境信息（血管结构）和对预测分布进行多模态建模能够在多大程度上改善预测。我们基于每个时间点的二元高斯分布（$mu, sigma, rho$）预测未来位置，同时考虑不确定性，并评估预测分布的质量。我们报告了三项主要发现。第一，点预测精度达到了由运动方向不可约性所决定的基本极限；均方位移曲线能够以很高的精度用持续性随机游走定律描述。第二，将预测分布从单一二元高斯分布扩展为连续混合分布（混合密度网络，MDN），无需离散化即可捕捉运动与静止的双峰特征，并在保持点预测精度的同时，显著提高了预测分布的质量（负对数似然，NLL）。第三，一种整合血管环境信息的模型】【。将信息输入该多模态模型后，其点预测准确率达到最佳，并且在三个训练随机种子下均表现一致；这表明环境信息与多模态输出相结合，有助于提升预测性能。本研究既改进了对复杂细胞迁移的预测分布，也提出了一种基于运动统计量量化可预测性极限的框架。
形态发生是指生物体从单个细胞发育成为复杂生物体的过程，而促成这种复杂性的一个因素是细胞与其环境之间的相互作用。在由不同细胞类型和聚合物结构构成的异质环境中，观察到的复杂性似乎趋近于无穷大。近年来，成像工具和用于图像分析的深度学习技术不断发展，使得以现实可行的计算成本从太字节级图像中提取有意义的信息成为可能。在本文中，我们采用基于 Transformer 的模型预测小鼠脑发育过程中星形胶质细胞的迁移轨迹，旨在定量阐明：（i）预测困难的原因，即可预测性的结构及其理论极限；以及（ii）环境信息（血管结构）和预测分布的多模态建模能够在多大程度上提升预测效果。我们基于每个时间点的二元高斯分布（$\mu, \sigma, \rho$），在考虑不确定性的同时预测未来位置，并评估预测分布的质量。我们报告了三项主要发现。第一，点预测精度达到了由运动方向不可约性所决定的基本极限；均方位移曲线可由持续性随机游走定律以很高的精度描述。第二，将预测分布从单一二元高斯分布扩展为连续混合分布（混合密度网络，MDN），无需离散化即可捕捉运动/静止的双峰特征，并在保持点预测精度的同时，显著提升预测分布的质量（负对数似然，NLL）。第三，一种整合血管环境……
将环境信息纳入这一多模态模型后，其点预测准确率表现最佳，且在三个训练随机种子下结果一致，这表明环境信息与多模态输出相结合能够提升预测能力。本研究不仅改进了对复杂细胞迁移的预测分布，也提出了一个基于运动统计特征量化可预测性极限的框架。
作者声明不存在利益冲突。
感谢您有意传播 bioRxiv 的相关信息。
注意：要求提供您的电子邮件地址仅用于确认您是本文的发送者。
关键词：星形胶质细胞迁移 · 细胞轨迹预测 · Transformer模型 · 血管微环境 · 混合密度网络 · 运动可预测性
原文链接：https://www.biorxiv.org/content/10.64898/2026.10.15.759300v1?rss=1