编辑 | 白菜叶
生命系统中动力学过程的表征为其机械解释和与生物功能的联系供应了重要线索。由于显微镜技术的最新进展，现在可以在生理条件下以多个时空尺度常规记录细胞、细胞器和单个分子的活动。然而，在拥挤和复杂的环境中发生的动静自动阐明仍然落后于微观图像序列的获取。
在这里，哥德堡大学的研讨职员提出了一个鉴于几何深度进修的框架，可以在各种生物学相关场景中实现对动力学特色的准确约莫。这种深度进修格式依赖于由鉴于注意力的组件增强的图形神经网络。通过使用几何先验处理工具特征，网络能够执行多项任务，从将坐标链接到轨迹到推断局部和全局动静属性。研讨职员通过将这种格式使用于与广泛的生物实行相对应的真实和模拟数据来证明这种格式的灵活性和可靠性。
该研讨以「Geometric deep learning reveals the spatiotemporal features of microscopic motion」为题，于 2023 年 1 月 16 日发布在《Nature Machine Intelligence》。
生命系统的生物学功能依赖于响应内源性和外源性刺激而动静变化的相互作用。研讨这些系统组件的活动为理解健康和疾病的机械洞察力奠定了基础。
在过去的 20 年里，显微镜技术已经发展到可以以前所未有的时空分辨率监测多尺度动静过程的程度。延时显微镜实行揭示了单细胞生物用于寻找食物或避免不利条件的策略，并有助于了解组织生长和修复、癌症转移、群体感应、多细胞生物的出现和多细胞生物的免疫反应。荧光显微镜监测了纳米级的生物活动，详细描述了细胞环境中单个细胞器和分子的扩散，并揭示了它们在信号和功能调节的基本过程中的作用。
显微镜采集技术的重大改进导致人们付出巨大努力来开发和改进算法，以自动从这些实行中提取定量信息。检测追踪格式的标准阐明流程包括以下步骤：(1) 视频帧被分割（分割）或以其他方式处理以检测和定位感兴趣的工具（检测/定位）；(2) 将不同时刻检测到的位置连接成轨迹(linking)；(3) 最后阐明重建轨迹以量化动力学参数（活动表征）。
前两个步骤通常一起出现并称为追踪。有几个因素使生物实行的阐明变得复杂，例如成像噪声、高物体密度、融合或分裂事件、随机和异质活动以及形状变化的物体。每一步的错误都会沿着管道传播，并最终影响动静信息的提取。
已经提出了许多算法解决方案来解决追踪算法的局限性，并且已经在开放挑战中比较了它们的性能。然而，这些格式中的大多数都特定于给定的实行或动静模型，并且通常需要手动调整参数。当前的深度进修革命促进了各种追踪和活动表征格式的发展。
几何深度进修供应了令人信服的格式来从不同的角度处理追踪和活动表征。它将神经网络推广到可以用数学工具描述的问题，例如对输入结构信息进行编码的图形。鉴于图的深度进修格式通常称为图神经网络 (GNN)，并已成功使用于分子特色预测、药物发现、计算机辅助逆合成和人类轨迹预测等领域。除了在科学中普遍用于表示复杂系统外，图形还供应了一种自然而直观的方式来表示追踪实行中包含的信息。
图示：使用 MAGIK 的轨迹时空表征。（来源：论文）
在这里，哥德堡大学的研讨职员描述了一个通过 GNN Inductive Knowledge (MAGIK) 进行活动阐明的框架，它通过延时显微镜供应了对动静特色的准确约莫。MAGIK 通过图形表示对系统的活动和交互进行建模。该图通过可解释和自适应的鉴于注意力的 GNN 进行处理，该 GNN 约莫工具之间的关联并供应对系统内在动静的洞察。研讨职员通过量化其在与广泛的生物实行相对应的真实和模拟数据上的性能，展示了 MAGIK 的灵活性和可靠性。
图示：使用 MAGIK 的轨迹链接。（来源：论文）
首先，研讨职员在各种具有挑战性的实行场景中以其最自然的使用为基准，即轨迹链接。结果表明，即使在高度异构的场景中，MAGIK 也可以在没有显式链接的情况下约莫局部和全局动静特色。
这项工作中阐明的示例突出了 MAGIK 在不同生物环境中的广泛通用性。值得注意的是，相同的架构可以使用于研讨其他可观察量，可以训练以同时约莫多个参数，甚至可以用于延时显微镜以外的使用，其中时间由另一个变量代替。
图示：MAGIK 在各种实行场景中可靠地链接轨迹。（来源：论文）
MAGIK 供应了一种关键的支持技术，可以以完全无链接的方式从分割/定位中约莫动静参数，而其他格式需要对工具之间的链接有一定程度的了解。因此，它为那些无法可靠地执行轨迹链接的实行供应了一个强大的解决方案，例如，由于高物体密度或探针闪烁。
论文链接：https://www.nature.com/articles/s42256-022-00595-0