形态参数可捕捉动态无序细胞骨架网络的涌现特性

《APS Open ScienceNEW》:Morphological parameters capture emergent properties of dynamic disordered cytoskeletal networks

【字体: 大 中 小 】 时间:2026年09月23日 来源:APS Open ScienceNEW

编辑推荐:

   肌动蛋白细胞骨架本质上是一种无序的活性系统。肌动-肌球蛋白皮质层和重组的肌动-肌球蛋白系统在全局上处于无序状态,但随着电机和交联剂浓度、丝状体长度和刚性等参数的变化,会在不同的无序状态之间发生转变。在细胞中,这些变化与基因突变或细胞状态的差异相关,并决定基本的生物学过程。然而

  

肌动蛋白细胞骨架本质上是一种无序的活性系统。肌动-肌球蛋白皮质层和重组的肌动-肌球蛋白系统在全局上处于无序状态,但随着电机和交联剂浓度、丝状体长度和刚性等参数的变化,会在不同的无序状态之间发生转变。在细胞中,这些变化与基因突变或细胞状态的差异相关,并决定基本的生物学过程。然而,我们并没有成熟的方法来检测和分类无序聚合物网络之间的差异。基于图像的形态学技术提供了一种非侵入性、高通量的方法来提取系统的信息。在本研究中,我们模拟了在不同条件下的生物聚合物网络,并开发和使用形态学描述符来构建形态空间中的轨迹。通过统计分析,我们发现形态学描述符能够区分系统不同的轨迹,包括肉眼无法察觉的差异。然而,没有任何单一描述符能够捕捉模拟轨迹中的所有差异。取向有序参数在我们的模拟中表现通常最差,而曲率和纹理描述符可以共同区分动态轨迹。这项工作有助于开发细胞骨架动力学的量化方法,用于分类和数据驱动建模。

一、引言

细胞细胞骨架由相互连接的肌动蛋白丝、微管和中间丝网络组成,通过持续的时间和空间重塑在细胞过程中发挥核心作用。肌动蛋白、微管和中间丝的动力学重塑调控细胞内组织、细胞器定位以及跨越细胞内部的细胞骨架交叉对话[1–4]。细胞骨架重塑还通过丝状体系统、黏附复合物和连接核骨架与细胞骨架(LINC)复合物之间的耦合作用,调控细胞力学状态、力的传递和机械敏感性[5–8]。细胞骨架架构与调控分化、应激适应、凋亡、免疫激活和组织形态发生的信号通路紧密整合,通过力学-化学反馈[9–13]实现。由于细胞骨架在众多细胞过程中发挥核心作用且具有动态特性,细胞骨架组织应反映不断演变的细胞状态。这引出了一个问题:基于图像的形态学指标能否作为信息丰富的坐标系,表征细胞骨架组织的时间演化?在本文中,我们使用细胞骨架网络的动态模拟来解决这一问题。我们证明,基于图像的形态学指标的轨迹对由底层参数扰动引起的聚合物网络动力学差异是敏感的。我们的结果支持将形态学方法用于动态建模,例如预测细胞力学或功能行为。

我们的主要关注点是肌动蛋白细胞骨架,它是细胞功能的基本决定因素之一,既作为结构支架,又作为力学过程的动态引擎。人们越来越认识到,细胞肌动蛋白的具体架构决定了细胞如何生长、移动、产生力以及如何响应环境[14–24]。大约400种蛋白质被认为控制着肌动蛋白架构,从聚合到更高级网络[25],凸显了其在细胞功能中的重要性。例如,在力的产生方面,细胞在不同肌动蛋白架构之间转换以调节其收缩输出[21–23,26]。在血小板中,肌动蛋白丝状的径向与环向取向决定了牵引力的大小和定位,这对于凝血过程中稳定黏附至关重要[20]。

虽然在少数重要现象中细胞骨架呈现有序状态,如有丝分裂中的肌动蛋白收缩环[27]、间期的微管纺锤体或肌细胞中的肌动-肌球蛋白肌节,但在大多数情况下,细胞骨架表现为无序的动力学网络。尽管如此,在外部扰动[17]或基因突变[15]响应中已观察到可识别的吸引子状态,这表明尚有待发现的更高阶原理在支配细胞骨架架构。细胞骨架架构的重要性引出了如何对其进行定量描述的问题。由于关于网络组织的大量信息来自光学显微镜,通过图像衍生的形态学指标来描述细胞骨架组织是一个自然的框架。

细胞骨架聚合物是半柔性的;即,它们具有由持续长度表征的弯曲刚性,在体外测量中,肌动蛋白丝的持续长度约为……,而微管可达毫米级[28]。尽管微管具有较高的弯曲刚性,但由于它们承受来自收缩性肌动-肌球蛋白细胞骨架的压缩载荷,在细胞中经常呈弯曲状态[29]。中间丝波形蛋白在细胞图像中也高度弯曲甚至呈波浪状[30],并在细胞铺展期间围绕细胞核形成环状结构[31]。肌动蛋白通常组装成较短的线性丝状体,形成类似肌动蛋白环的更高级结构[32];然而,短肌动蛋白丝在力作用下的弯曲也已被观察到[33]。专用蛋白质也可以使肌动蛋白丝弯曲,如分节蛋白或IQGAP(含IQ基序的GTP酶蛋白)[34]。

由于曲率编码了关于细胞内部及其周围力和力传递的大量信息,这些观察促使我们构建基于曲率的度量,详见第二节。

组成肌动蛋白细胞骨架的组分中,肌动蛋白皮质层和板膜状伪足是由主要为分支线性丝状体构成的高度交联网络,本质上无序且具有空间异质性。在视觉上,网络组织的差异类似于纹理差异,这促使我们将纹理度量应用于表征网络结构。

Haralick特征特别适合于捕捉无序和空间异质图像中的涌现结构模式。Haralick特征是应用最广泛的纹理描述符之一,由灰度共生矩阵计算得出,该矩阵总结了给定距离和方向下强度值对的共现频率。然后,这些矩阵数据被转换为可解释的度量,如对比度、相关性、能量和均匀性[35]。Haralick特征分析已被广泛用于各种细胞骨架系统。它们被证明在细胞类型分类中具有信息量[36],量化伤口修复过程中肌动蛋白架构的变化[37],以及测量微管组织[38,39]和波形蛋白网络[40]的变化。

我们认为,同时使用曲率和纹理度量可以使我们捕捉关于系统状态的互补信息。曲率编码了力在丝状体水平上的效应,而纹理特征编码了整幅图像尺度上的网络组织。此外,我们还应用了两种其他类型的形态学指标:聚合物丝状体的取向有序度量[14],以及最近发表的一套用于软物质动力学的形态学度量,后者将纹理表示为斑点和空洞的阵列,并计算这些结构的时域统计量[41]。

然后我们提出了一个问题:这些形态学指标能否区分由于基本参数值差异而产生的细胞骨架网络动态轨迹差异?

我们通过模拟来解决这个问题,在模拟中可以系统地改变如丝状体长度、刚性、电机和交联剂浓度等控制组装的各项参数。这使得我们能够直接评估形态学指标对特定模型参数的敏感性。

二、材料与方法

A. 系统

1. 模拟系统

我们使用Cytosim[42]模拟一个包含丝状体、电机和交联剂的聚合物网络。我们修改并发展了先前发表的关于肌动蛋白细胞骨架的模拟[43,44]。交联剂由具有相同结合器的连接器表示,可以在丝状体上的任何位置结合,类似于α-辅动蛋白或纤维连接蛋白,而电机由具有两个电机组件的连接器表示,可以在丝状体上的任何位置结合,类似于 kinesin 5 或 myosin IV 家族的电机[43]。为简化起见,我们不模拟周期性边界条件或丝状体的扩张或收缩。我们还假设连接器之间不互相干扰,且连接器的组件在结合状态下不相互作用。对可结合到丝状体上的连接器数量没有限制。电机沿丝状体的运动不受阻碍。其速度取决于力,但其脱离率不取决于力。

网络通过交联剂的结合-解离和电机运动从初始无序状态演化而来。对于每一次重复实验,我们生成一个随机初始状态并按下文所述改变参数。对于不同的丝状体长度,我们通过将较长丝状体切成两段来生成较短的丝状体,同时保持其初始随机位置,以确保初始条件的形态相同。

与先前的工作不同,我们有意采样了更广泛且更多样的参数空间,生成了一组具有不同生物物理参数组合的广泛系统,可以使用我们的形态学度量进行探索。所有模拟均在二维中进行,以简化并提高计算速度。每个模拟运行200,000帧,时间步长为……,从中记录了600个等间隔帧。所有度量均从每隔第五帧计算得出,以平衡计算效率和足够的时间分辨率。

通过改变电机浓度和丝状体长度,我们观察到四种不同的表型:

(1) 低电机/短丝状体(LM-SF):弱组织化的网络,具有轻微收缩性。
(2) 高电机/短丝状体(HM-SF):强烈凝聚成紧凑的聚集体或星状体。
(3) 低电机/长丝状体(LM-LF):大部分无序的网络,收缩性最小。
(4) 高电机/长丝状体(HM-LF):凝聚成聚集体或星状体,但比短丝状体情况下紧凑程度较低。

低电机(LM)和高电机(HM)条件下的电机密度分别设为每……6.25个和100个,而交联剂密度初始固定为每……250个。所有丝状体的总长度在所有模拟中保持恒定。在长丝状体(LF)系统中,平均丝状体长度约为……。短丝状体(SF)系统通过将每条长丝状体分成两段等长段来生成。

尽管所有四种状态在全局上都是无序的,但其局部形态编码了系统不同的生物物理参数。LM系统表现出停滞的网络,而HM系统发生凝聚,肉眼即可分辨。虽然不同丝状体长度在相同电机浓度下表现相似,但在这些情况下会出现细微差异,肉眼不易察觉。

我们还在两种刚性条件下对之前的案例进行了采样:……(与肌动蛋白丝相同,AR),这应该更容易形成束;以及……(反映刚性低得多的丝状体,LR),这应该对电机更加柔顺。这种相互作用应该产生表现出相似总体趋势但仍明显不同的系统。

由于交联剂介导的稳定化和束化在决定轨迹末期的最终系统状态中起关键作用[43],除了在初始使用的"高"条件下(高交联剂浓度(HCL),密度=250)之外,此时在轨迹末期束化应占主导,我们还采样了"低"条件(低交联剂浓度(LCL),密度=15.625),其中这种交联剂介导的稳定化显著减弱。

模拟在一个边长为……的盒子中进行。由于在现实生活中,丝状体很可能停留在受限系统中,我们检查了外部空间约束的作用。我们进行了额外一组模拟,其中细胞骨架网络被限制在一个固定的圆形边界内,代表简化的类细胞圆形几何形状,直径为……。这种约束引入了几何和力学限制,应该改变丝状体组织,使我们能够直接评估限制条件如何相对于无限制系统改变曲率和纹理度量。

在这一参数空间中,我们旨在使用不同的形态学描述符来区分并深入了解可能看起来定性相似但源自不同底层生物物理制度的系统。

2. 对已发表细胞骨架图像的外部验证

为了验证我们提出的形态学参数,我们还将其中一部分应用于Hauke等人发表的细胞图像[45]。所有实验程序,包括细胞骨架丝状体(肌动蛋白、波形蛋白和微管)的染色、五种刚度条件下的基底制备和图像采集,均在原始研究中完成。简言之,人间充质干细胞被培养在不同杨氏模量的弹性聚丙烯酰胺凝胶和涂覆胶原蛋白I的玻璃上。细胞在24小时后固定并染色。这里,我们仅使用已发表的图像作为外部验证数据集(详见参考文献[45])。

B. 形态学参数

我们的研究考察三个尺度的参数:

(1) 全局纹理参数:Haralick特征。
(2) 丝状体水平特征:取向有序参数,丝状体的平均取向有序度。
(3) 局部特征:丝状体段落的平均曲率。

我们探索这些特征在所有上述案例中每组20次模拟中的行为。

1.

Haralick特征

Haralick纹理特征是源自灰度共生矩阵的统计描述符,最初由Haralick等人[35]引入,用于量化图像中像素灰度之间的空间关系。这些特征捕捉了图像纹理的关键方面,例如对比度、均匀性、熵、相关性和能量,为超越简单基于灰度的指标的结构组织提供了紧凑的数值表示。例如,局部变化可以由多个Haralick特征来衡量:"对比度"是图像中局部变化量的度量,数值越高表示局部变化量越大;而"角二阶矩(ASM)"是图像均匀性的度量,其中具有大量小转场的图像ASM较小,而具有大转场的图像ASM较大。这些度量中的每一个代表不同的方面并具有不同的解释,具体可参见Haralick的原始论文。

在我们的工作中,我们使用Haralick特征作为定量纹理描述符,以表征细胞骨架网络内的空间组织,使得在无需担心分割或丝蛋白追踪的情况下,能够在不同实验条件之间进行系统性比较。为确保特征具有旋转不变性,我们对在角度 和 上计算的特征取平均值。

Haralick特征对自由空间敏感。对于不如我们的模拟图像那样清晰分辨的实验图像,通过分割细胞可以正常计算Haralick特征,忽略灰度共生矩阵中到零灰度和从零灰度的转场。这使得计算仅考虑物体系统而不考虑其周围的空白空间。由于我们的模拟结果具有非常高的分辨率,且非丝蛋白背景为零,忽略零转场将导致仅在丝蛋白上计算纹理。如果我们不忽略零转场,则会主要基于自由空间而不是丝蛋白系统引起的内部纹理,来区分凝聚与非凝聚系统。因此,我们试图找到一个合理的区域,该区域包含系统的代表性快照,且自由空间不过多。我们通过在系统质心周围非对称地裁剪这些系统来实现这一目标,使得裁剪区域包含 的亮像素,然后再对得到的模拟图像计算Haralick特征。

2. 向列有序参数

向列有序参数是衡量一组细长物体对齐程度的指标。它们常用于量化肌动蛋白束、应力纤维和收缩结构的排列情况,在研究有序-无序转变方面尤为强大。我们测试了Akenuwa等人[14]提出的四个形态参数,即:平均角度[46]、角度变化、平行度[47]和有序参数。平均角度是方向的度量,而其余三个是有序性的度量。然而,对于我们的活性无序系统,这些参数表现不佳(见补充材料[48]中的Fig. S1),可能是因为我们的模拟系统没有表现出全局向列有序性。

3. 丝蛋白片段的平均曲率

平均曲率是网络内丝蛋白弯曲程度的平均度量。从Cytosim获得的丝蛋白坐标被离散化为长度为 的片段。对于每条丝蛋白,使用标准的平面曲率公式计算每个片段的曲率:

(1)

其中 和 表示丝蛋白的笛卡尔坐标,撇号表示沿丝蛋白方向的导数。分子衡量丝蛋白改变方向的速度,而分母对该变化进行归一化,从而得到曲率的几何度量。

保留 的绝对值,以使曲率反映弯曲幅度的大小而不考虑方向。计算所有丝蛋白片段的曲率值,并保留整个系统的总体平均值。

较高的平均曲率意味着丝蛋白弯曲更多。然而,由于这是小尺度特征,在选择测量曲率的分段长度时需谨慎。对于非常小的分段距离,即使是弯曲的丝蛋白,局部片段也可能看起来是直的。

4. 丝蛋白的平均对齐有序度

丝蛋白的平均对齐有序度是衡量系统中丝蛋白弯曲程度的平均指标,与仅含直丝蛋白的系统相比。对于每条丝蛋白,我们创建一个"director"(方向向量),即连接给定丝蛋白两端的直线。然后取每个大小为 的丝蛋白片段(如前所述),使用点积计算每个片段与其对应丝蛋白director之间的夹角。设 表示局部片段方向, 表示丝蛋白director。片段与director之间的夹角 由下式给出:

(2)

其中 是点积, 表示欧几里得范数。计算所有丝蛋白片段的夹角,并保留整个系统的总体平均值。

对齐有序度为0表示丝蛋白与director完全对齐,而较高的值表示丝蛋白体内部弯曲更多。

5. 用于分类、优化、设计和工程化生物材料的活性读出(BARCODE)

用于分类、优化、设计和工程化生物材料的活性读出(Biomaterial Activity Readouts to Categorize, Optimize, Design, and Engineer, BARCODE)是一款近期发表的开放获取软件,它计算光学显微视频上的一组形态学指标,并输出代表整个轨迹的汇总统计量[41]。

我们使用了上述引用论文中提供的代码,在我们的视频上运行了所有三个独立分析分支:图像二值化、强度分布和光流,这些视频已转换为单通道灰度tiff文件。为在分辨率和计算速度之间保持平衡,统计量在每五帧上计算,并使用上述论文中的详细设置。这产生了17个BARCODE特征。我们使用了所有这些特征,除了"连通性"这一特征被排除,因为由于存在边界圆形细胞,它对部分视频不适用。

C. 主成分分析

主成分分析(PCA)提供了数据的低维表示,沿正交方向保留最大的方差。它用于降低特征空间的维度,并总结数据中的主导线性模式。

PCA被应用于包含120个时间点的标准化丝蛋白级特征分布和旋转不变Haralick纹理特征数据,每次处理8–16个案例,每个案例有20次重复。对于两个丝蛋白特征或14个Haralick特征中的36个等分箱(其中一些高度相关),会出现高度复杂的特征空间,可以使用PCA进行简化。PCA使用基于奇异值分解的算法计算,每个观测计算前10个主成分,并连同标识实验条件、时间帧和重复次数的元数据一起保留。

所得的主成分得分用于可视化和探索性分析。前两个成分解释了大量方差,因此被绘制用于可视化,并进行了时间分辨可视化以跟踪观测在主成分空间中的演化。通过检查PCA载荷和解释方差比,评估单个特征对各成分的贡献,并指导对数据中主导线性模式的解读。

D. 统一流形近似与投影

为补充PCA并可能解码数据中的非线性结构,统一流形近似与投影(UMAP)被用作一种非线性降维技术进行可视化。UMAP被应用于PCA分析中计算得到的主成分。UMAP首先在原高维PCA特征空间中创建加权最近邻图,从中创建一个低维嵌入,该嵌入在尝试保持局部邻域关系的同时,保留了全局结构的某些方面。UMAP嵌入使用标准化特征上的欧几里得距离度量计算,邻居数量设为30,最小距离参数设为0.05。我们采样了文献中使用的不同邻居数量值(15、30和50),并在补充材料[48]的Figs. S2–S9中提供了其他结果。我们决定使用30,因为它似乎足以解码局部特征聚类,同时不丢失全局趋势。UMAP嵌入在相关的PCA结果上拟合一次,所得的低维坐标被保留用于可视化和时间分析。观测在二维UMAP空间中可视化,按实验条件着色,并通过按帧切分全局嵌入构建时间分辨可视化,以跟踪系统动力学随时间的演化。为帮助解读嵌入,还计算了原始标准化特征与UMAP坐标之间的Pearson相关系数。

III. 结果

A. 模拟数据揭示不同参数域中的动态轨迹差异

我们的模拟显示出系统动力学的显著差异。尽管丝蛋白长度、刚性以及分子马达和交联剂浓度不同,但每次模拟都从完全相同的初始细胞骨架结构开始(见第II节),但很快分化为停滞的网络、多个星状簇或单一中心凝聚簇(后者粗化为巨型星体)。以下我们详细描述与不同模拟条件相关的这些视觉差异。

图1展示了边长为 的盒子几何中模拟的代表性快照。面板(I)展示了低分子马达浓度[行(a)和(c)]与高分子马达浓度[行(b)和(d)]对刚性与肌动蛋白相当且交联剂浓度较高的丝蛋白的影响。我们可以看到,高分子马达模拟在早期时间凝聚为中央密集结构,而在低分子马达情况下,丝蛋白成束,网络粗化并停滞。对于高分子马达情况,短丝蛋白(行(b))仅显示部分凝聚,而长丝蛋白(行(d))则不同。仔细的视觉分析还揭示了低分子马达浓度下长短丝蛋白成束动力学的差异。

图1. 边长为4的盒子中丝蛋白轨迹的系统演化。面板列(I)–(IV)表示刚性–交联剂密度域:(I)AR-HCL,(II)LR-HCL,(III)AR-LCL,(IV)LR-LCL。面板行(a)–(d)表示分子马达–丝蛋白域:(a)LM-SF,(b)HM-SF,(c)LM-LF,(d)HM-LF。刚性:AR = 和 LR = 。交联剂密度:HCL = 250,LCL = 15.625。每个轨迹面板中的列对应帧0、150、300、450和600。

面板(I)–(IV)的组织方式类似。在面板(II)中,我们看到在高交联剂密度下降低聚合物刚性(LR)增加了分子马达使丝蛋白凝聚的能力。在行(a)(SF-LM)中可以看到更增强的成束现象,而其他所有情况(包括LM-LF情况[行(c)])都形成了星状结构。面板(III)和(IV)展示了在降低交联剂浓度(LCL)时分别使用肌动蛋白刚性[面板(III)]或低刚性[面板(IV)]的情况。在这两种情况下,行(a)(LM-SF)总体看起来未受明显影响,而较高的分子马达浓度[行(b)]导致形成多个星体[行(b)]。有趣的是,当分子马达浓度较低时,较低的交联剂浓度不足以对较长丝蛋白形成凝聚结构[行(c)]。在比较两种低刚性情况[面板(II)和(IV)]时,这种差异非常明显。行(d)在所有面板中看起来类似。

在补充材料[48]的图S10中,我们展示了在直径为 的圆形盒子中模拟的代表性快照,这与盒子相比起到了几何约束的作用。这种约束的效果是增强凝聚,这可以通过比较补充材料[48]图S10面板(I)和(II)中凝聚的全局组织与方形细胞对应情况的结果来观察到。类似地,在低交联剂域中将丝蛋白约束在圆形细胞中[补充材料[48]图S10面板(III)和(IV)],有助于HM-SF情况[行(b)]再次实现全局凝聚,而方形细胞对应情况仅显示局部凝聚。

1. 丝蛋白级特征显示基于聚合物力学性质的分离

丝蛋白级描述符基于聚合物弯曲,表示为与端-端向量的角度差异或局部曲率(见第II节)。由于聚合物弯曲取决于刚性和片段长度,这些测量的时间演化应该揭示分子马达浓度、丝蛋白长度、刚性、交联剂密度和约束如何塑造整体网络组织。

在所有参数区域内,两种纤维级特征均显示在早期轨迹的"凝聚阶段"(从第0帧到约第75帧,具体帧数因不同情况而异)具有最大的时间变化,随后随着系统在后期轨迹中过渡到"成束阶段"而逐渐趋于收敛(见补充材料[48]中的图2和图S11)。

图2. 边长=4的盒子中纤维特征演变的系综平均值。平均曲率[子图(a)、(c)、(e)和(g)]以及取向有序度[子图(b)、(d)、(f)和(h)],针对不同刚度:[子图(a)、(b)、(e)和(f)]以及[子图(c)、(d)、(g)和(h)],以及交联剂密度250[子图(a)–(d)]和15.625[子图(e)–(h)]。

在凝聚过程中,马达驱动的活动导致网络重组,网络主要通过纤维弯曲和重新取向来适应这种变化。因此,对于所有系统,曲率在早期急剧增加,但动态过程各不相同。低马达短纤维系统表现为先初步升高然后在较低值上稳定下来,而对应的长纤维系统则表现出更显著的升高和更慢的衰减。然而,对于高马达系统,曲率更加急剧地升高,随后迅速下降,长纤维在每种情况下都占短纤维的支配地位,这是由于弯曲能差异导致的预期结果。

取向有序度在凝聚期间同样发生显著变化。同样地,最显著的定量变化出现在高马达系统中。有趣的是,与高马达短纤维系统相比,高马达长纤维系统在初始升高后表现出更慢的下降,这可能是由于短纤维更容易被马达移动。由于弯曲能差异,低刚度系统在此指标上表现出比相应的高刚度系统均匀更高的值。

随着系统的演化,纤维级特征开始收敛,纤维成束变粗。随着交联剂结合时间的增加,纤维-纤维接触点得以稳定,纤维被重新排列为机械耦合的束。这些束表现为更刚硬的复合结构,使其更难弯曲,从而降低曲率和取向有序度。如图2所示,虽然所有轨迹在早期都有分化,但在较长时间内,取向有序度和曲率均有所下降,在高交联剂密度情况下收敛到三个组,低交联剂密度情况下收敛到一到两个组。

几何约束(见补充材料[48]中的图S11)通过增加纤维与边界之间的相互作用(可能是通过这种方式),进一步增加了早期曲率变化,迫使较长的纤维在受限体积内弯曲和重组。这导致这些情况下平均曲率和取向有序度出现更急剧的下降。

这些趋势表明,基于曲率的特征在凝聚期间编码了丰富的、依赖于参数的信息,但随着纤维成束且变得难以弯曲,可能会失去区分能力。

2. 纤维级特征沿纤维长度和纤维刚度轴聚集

我们提出一个疑问:具有不同基础参数的系统是否在形态特征空间中明显地聚集。为考察这一点,我们使用两种常用方法将高维特征空间投影到低维空间:PCA和UMAP。

主成分分析通过将曲率分布或取向角分布分别视为每帧的计数向量来进行。PCA在120个时间点的两种纤维特征标准化分布上进行,每个特征分布由18个等间距的区间表示,每个模拟案例有20个重复。每个PCA包含八个案例,在给定的交联剂密度和约束组合下,共同捕获马达密度、纤维长度和纤维刚度的变化。由于前两个主成分在所有案例中解释了超过70%的方差(见补充材料[48]中的图S12),我们将数据投影到二维形态空间(见补充材料[48]中的图S13)。如补充材料[48]中的图S13所示,尽管图2中均值有分离,但对所有时间的合并PCA(我们称之为"静态PCA")并没有显示不同案例之间的分离。由于UMAP等降维方法在分离数据簇方面比PCA更优化,我们对PCA值进行了UMAP分析,获得了不同模拟案例之间更好的分离效果,如图3所示。特别是,对于高交联剂案例,所有长纤维模拟都单独聚集,而短纤维模拟则按刚度聚集,无论是盒子还是细胞几何形状。相比之下,对于低交联剂模拟,与短纤维模拟类似,长纤维案例也按刚度聚集在一起。

图3. 边长=4的盒子[子图(a)和(c)]和直径=4的受约束细胞[子图(b)和(d)]中纤维特征区间随时间的UMAP图,包含刚度[AR]和[LR],交联剂密度为250[子图(a)和(b)]和15.625[子图(c)和(d)]。

然后我们提出,时间分辨的PCA(通过明确追踪系统演化来计算)是否提供更深入的见解。如图4所示,由于初始条件,系统从同一位置开始,通常会在凝聚期间分化,然后在成束阶段重新收敛。随着时间的推移,簇主要沿纤维长度-刚度配对排列,如图4中的椭圆所示。例如,在行(b)中,我们得到四个明显的簇,分别对应LF-LR、SF-LR、LF-AR和SF-AR。在高交联剂密度下[子图(a)],在长时间时,由于成束作用,区分能力下降,较高刚度的组开始缓慢合并。然而,当我们转向低交联剂密度时[子图(b)],长纤维根据刚度相当早地形成两个不同的组。圆形受约束细胞的结果看起来类似(见补充材料[48]中的图S14)。

图4. 边长=4的盒子中纤维特征区间PCA图轨迹的演化[子图(a)和(b)],包含刚度[AR]和[LR],交联剂密度为250[子图(a)]和15.625[子图(b)]。列:(从左到右)帧=0、150、300、450和600。

与静态PCA类似,时间分辨的UMAP轨迹(见补充材料[48]中的图S15)在高交联剂案例中,在轨迹的大部分过程中将全部八个条件分离出来。在低交联剂区域,我们在轨迹的大部分过程中找到四个明显的簇,区分了四个变化纤维长度和刚度的案例。

这些结果表明,纤维特征的PCA和UMAP都可以解码我们的纤维级特征所编码的力学信息,时间轨迹提供了更多的见解。具体而言,我们发现,对于高交联剂,纤维特征在每个案例中单独聚集,而对于低交联剂,特征可以区分SF-AR、SF-LR、LF-AR和LF-LR,但无法区分高马达和低马达案例。

3. Haralick特征主要沿高马达-低马达轴分离轨迹

Haralick纹理描述符量化图像强度的空间相关性,并捕获网络组织的全局特性,如凝聚、孔隙拓扑结构和聚集体紧密度。由于14个Haralick特征高度相关,需要通过PCA或UMAP进行降维。PCA使用从模拟数据中提取的14个Haralick特征,涵盖所有120个时间点和每个案例的20个重复来进行。为了考察纤维和马达性质变化的集体效应,将马达密度、纤维长度和纤维刚度不同的案例放在一起分析。此分析针对每个交联剂密度和约束的组合分别重复进行。此时,前两个主成分在所有案例中解释了超过85%的方差(见补充材料[48]中的图S16)。我们在PCA向量上使用UMAP以改善二维空间中的区分度。

与纤维级度量不同,Haralick特征的静态PCA稳健地区分了低交联剂密度下的低马达和高马达系统[见补充材料[48]中的图S17,子图(c)和(d)],但在高交联剂密度下则不能[子图(a)和(b)]。低马达系统由于纹理重组微弱而紧密聚集,而高马达系统由于纹理的大规模重组在PCA空间中发生强烈偏移。这种高交联剂密度和低交联剂密度之间的对比可能归因于后者中由于缺乏充分的成束作用,停滞网络与聚集网络之间存在更大的纹理差异[见补充材料[48];图1,子图(III)和(IV)]。当对相同的标准化特征集进行UMAP计算时(图5),可以看到类似的结果。在低交联剂密度下,高马达系统在静态Haralick PCA中进一步按纤维长度分离[见补充材料[48]中的图S17,子图(c)],这在查看圆形受约束细胞时似乎丢失了[子图(d)],由于空间约束,纤维更靠近,允许更多的成束作用,从而减少了两种情况之间的纹理差异[见补充材料[48]中的图S10,子图(III)和(IV)]。

图5. 边长=4的盒子[子图(a)和(c)]和直径=4的受约束细胞[子图(b)和(d)]中Haralick纹理特征随时间的UMAP图,包含刚度[AR]和[LR],交联剂密度为250[子图(a)和(b)]和15.625[子图(c)和(d)]。

时间分辨的Haralick PCA轨迹恢复了这些区别(图6)。虽然高交联剂的静态UMAP显示高马达和低马达案例在低维形态空间中重叠,但它们在时间轨迹中分离良好,并且还可以区分纤维长度[子图(a)、(c)和(d)]和刚度[子图(b)]。UMAP轨迹(见补充材料[48]中的图S18)显示类似趋势,但不同案例的分离效果通常更好。

图6. 边长=4的盒子[子图(a)和(c)]和直径=4的受约束细胞[子图(b)和(d)]中Haralick特征PCA图轨迹的演化,包含刚度[AR]和[LR],交联剂密度为250[子图(a)和(b)]和15.625[子图(c)和(d)]。列:(从左到右)帧=0、150、300、450和600。

这些结果表明,Haralick特征的PCA和UMAP都可以区分高马达和低马达案例之间的形态特征,在某些情况下,还可以区分不同的纤维长度和不同的刚度,尤其是当考虑时间分辨特征时。

4. 纤维特征和Haralick特征的互补作用

综合这些结果,我们证明了纤维特征和Haralick特征捕获了活性网络组织的互补方面。纤维特征解析了聚合物尺度的力学、刚度效应和依赖于纤维长度的成束作用,而Haralick特征稳健地检测成束和大规模纹理重组,尤其是来源于马达活性差异以及本征刚度的差异。

为确认这些发现,我们使用两种特征族一起计算了PCA,并进行了后续的PCA和UMAP可视化。我们还扩展了用于计算PCA的特征集,除了马达密度、纤维长度和纤维刚度之外,还纳入了交联剂密度,提供了对我们在模拟中识别出的模式是否会被保留的进一步鲁棒性检验。不过,为了使PCA的尺度有意义地可视化,低交联剂和高交联剂案例的PCA分别绘图。虽然前两个成分的解释方差有所下降,但它们仍然在两种情况下解释了超过65%的变化(见补充材料[48]中的图S19)。前两个成分的PCA图仍显示按类别的分组(见补充材料[48]中的图S20),但这种差异在UMAP图中最为明显,我们可以看到所有案例中组之间的非常清晰的区分(见补充材料[48];图7)。具有弱稳定性的低交联剂案例[子图(c)和(d)]几乎没有任何重叠,而高交联剂案例[子图(a)和(b)]显示出一些重叠。当查看PCA和UMAP的时间轨迹时,所有重叠都消失了(见补充材料[48]中的图S21和S22)。

图7.

侧边长为4的盒子(图a和图c)以及直径为4的受限细胞(图b和图d)中,丝状特征与纹理特征连同时间的UMAP图,包含刚性度(AR)和(LR),交联密度分别为250(图a和图b)和15.625(图c和图d)。这些结果支持了在弱稳定化条件下降维具有信息量,而在时间变化较大的条件下基于轨迹的时间分辨分析是必需的。因此,将两种特征族与基于轨迹的分析结合起来,对于提供一个能够区分不同物理条件下活跃无序系统的综合框架是必要的。5. BARCODE特征与时间分辨纹理特征类似聚类。最近发表了一套新的形态学特征,名为BARCODE[41]。BARCODE用单个17维数据点表示每条轨迹,设计用于对软物质和活性材料动态行为视频进行分类。由于这些度量集合与我们本文中使用的其他特征有很大不同,我们很好奇它们是否能对模拟中的不同情况进行分类。然后对16个保留的BARCODE特征进行了PCA分析。与丝状级别和Haralick分析类似,将电机密度、丝状体长度和丝状体刚性不同的情况一起分析,并为每种交联密度和限域的组合分别重复分析。前两个PCA解释的方差约占所有情况解释方差的70%(见补充材料图S23 [48]),支持二维投影。16个BARCODE特征的PCA显示低电机和高电机情况分别形成不同的聚类(见补充材料图S24 [48])。高电机情况按丝状体长度分开,而低电机情况则在不同组之间有更多混合。单独调查时,三个分析分支中,强度分布分支(见补充材料图S25和S26 [48])对我们的数据效果最好,给出了与时间分辨Haralick PCA轨迹可比较的结果,尽管分辨率较低。这或许是因为Haralick特征本质上是强度分布的统计特征,因此它们可能编码了类似的信息。二值化分支(见补充材料图S27和S28 [48])表现稍差,而光流分支表现最差(见补充材料图S29和S30 [48]),因为它并非真正设计用来捕捉我们模拟中存在的运动类型。B. Haralick特征在实验图像中区分肌动蛋白和其他丝状体。虽然Haralick特征已被广泛用于细胞形态学研究,但据我们所知,它们尚未被用于区分细胞骨架的不同组成成分。我们的分析表明,Haralick特征应能够区分不同刚性的聚合物网络。为验证这一点,我们使用了一个公开数据库,其中包含在逐渐增硬基质上培养的细胞中荧光标记的肌动蛋白、微管和波形蛋白的静态图像(见第二节)。我们计算了这些图像在各种Haralick距离下的Haralick特征(见补充材料图S31 [48]),然后进行PCA,绘制前两个分量并按丝状体类型着色(图8)。图8. 肌动蛋白(Act)、波形蛋白(Vim)和微管(MT)在实验细胞中的Haralick特征PCA分析,基质刚度分别为1 kPa(图I)、5 kPa(图II)、10 kPa(图III)、30 kPa(图IV)和玻璃(图V),Haralick距离为1(行a)。箱线图显示了肌动蛋白-微管(行b1)、肌动蛋白-波形蛋白(行b2)和微管-波形蛋白(行b3)在不同刚度基质下各特征均值差异的比较。相应的显著性为Bonferroni校正后的Dunn检验显著性,在图中标记如下:*** p<0.001,** p<0.01,* p<0.05,n.s.:不显著。在所有基质刚度和Haralick距离下,肌动蛋白始终与波形蛋白和微管分开聚类。相比之下,波形蛋白和微管在PCA空间中彼此更接近,在基质刚度较高的情况下(图II至V)显示出更多混合。显著性检验(Bonferroni校正后的Dunn检验)的均值支持了这一结论,肌动蛋白在所有基质刚性下与其他两种聚合物有显著差异,而波形蛋白和微管在五个基质中的三个上无统计学差异。因此,基于纹理的形态空间分析能够在真实生物学环境中区分具有不同机械特性的细胞骨架系统。与模拟结果结合,这证明了Haralick特征能够捕捉丝状体组织中具有物理意义的差异。IV. 结论。本文对二维无序聚合物网络进行了模拟,其动力学由马达蛋白驱动。为简化起见,我们未考虑聚合过程,假设丝状体长度保持不变。但我们改变了丝状体刚性,并使用两种几何形状进行模拟:一个4微米见方的正方盒子和一个相同直径的圆形,后者略微增加了聚合物的限域程度。我们改变了马达浓度和交联浓度,并使用模拟视频的形态学分析研究了由此产生的16种不同情况。我们重点关注丝状弯曲(曲率和取向序,称为丝状特征)和纹理(Haralick特征)的度量,因为在我们系统中聚合物未表现出全局向列有序,因此衡量网络组织这一方面的序参量不太有信息量(见补充材料图S1 [48])。我们发现丝状特征确实捕捉到了涉及弯曲的网络动力学,并因此成功地界定了较短和较长的丝状体。在较小程度上,它们也能区分低电机和高电机情况,尤其是在网络演化更具动态性的阶段。虽然没有任何单一Haralick特征能在所有时间上区分不同轨迹,但作为整体它们界定了与马达浓度差异以及丝状体刚性差异相对应的聚类。因此,基于丝状体的特征和纹理特征提供了互补的信息,共同完全表征了我们所研究的两种几何条件下的16种不同情况。为部分验证形态学特征的实用性,我们证明了它们能够在一组公开可用的细胞图像中区分肌动蛋白与波形蛋白和微管。本文的目标是理解无序细胞骨架网络时间分辨形态学特征的信息内容,旨在为未来的数据驱动建模奠定基础。通过研究不同模拟类别的轨迹是分开还是聚在一起聚类,我们在询问动力学的差异是否编码在我们计算的形态学度量中。我们得出结论,形态学提供了细胞骨架动力学的良好表征,虽然没有任何单一特征能够捕捉所有差异,但作为整体它们成功地区分了所有不同情况。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号