Prediction of Cellular Identities from Trajectory and Cell Fate Information

Resumen Técnico: Predicción de Identidades Celulares a partir de la Trayectoria y la Información del Destino Celular

Planteamiento del Problema
La determinación de las identidades celulares en secuencias de imágenes es una tarea crítica pero desafiante en la biología del desarrollo, particularmente para el análisis de linajes celulares, fenotipos y expresión génica a nivel de célula individual. La identificación convencional depende del seguimiento celular (cell tracking), un proceso complejo y laborioso donde se procesa la secuencia de imágenes completa para detectar células y rastrearlas hasta el primer fotograma. Este método requiere comparar los resultados del seguimiento con supuestos de linaje invariantes para asignar identidades. El desafío se ve exacerbado por las bajas relaciones señal-ruido en los datos de microscopía y la resolución temporal dispersa, incluso en organismos estereotipados como el nematodo C. elegans. Aunque la clasificación de objetos en imágenes ha alcanzado un rendimiento superhumano en otros dominios, aplicar metodologías similares a la identidad nuclear en datos de fluorescencia es difícil debido a la similitud visual de los núcleos. Sin embargo, la embriogénesis temprana de C. elegans exhibe patrones de posición y migración estereotipados con una variabilidad altamente determinante, lo que sugiere que la clasificación basada en características espacio-temporales puede ser viable.

Metodología
El estudio propone un enfoque basado en el aprendizaje automático para identificar células en embriones de C. elegans utilizando un conjunto limitado de características espacio-temporales derivadas de núcleos celulares individuales, en lugar de un linaje completo.

• Datos: Los autores utilizaron 24 secuencias de imágenes confocales 3D (4D) de lapso de tiempo de embriones de C. elegans de tipo silvestre (wild-type) con una resolución temporal de 1.25 minutos por fotograma. El conjunto de datos incluyó núcleos celulares predetectados y rastreados hasta la etapa de ~350 células. Las imágenes fueron rotadas a una orientación canónica (Anterior-Posterior, Izquierda-Derecha, Dorsal-Ventral).
• Extracción de Características: A partir de un grupo inicial de 781 células únicas, los autores filtraron las células presentes en múltiples embriones con relaciones madre/hija definidas, resultando en 334 células únicas. Las características de entrada incluyeron:
  • Trayectoria ('Traj'): Coordenadas espacio-temporales $(t, x, y, z)$ o $(x, y, z)$. Para células con vidas de menos de 50 fotogramas, las trayectorias fueron completadas mediante relleno (padding).
  • Tiempo de Inicio ('SF'): Tiempo de nacimiento relativo al final de la etapa de 4 células.
  • Vida Útil ('LF'): Duración de la existencia de la célula.
  • Orientaciones de División: Vectores que representan la ubicación de nacimiento relativa a la célula madre ('DM') y las orientaciones de las dos células hijas ('DD').
• Modelos: Se evaluaron tres arquitecturas de aprendizaje automático:
  1. Bosque Aleatorio (Random Forest): Un método de ensamble tradicional.
  2. Perceptrón Multicapa (MLP): Una red de una sola capa oculta con activación ReLU y conexiones residuales.
  3. Memoria a Largo Corto Plazo (LSTM): Diseñada para capturar dependencias temporales. Se probaron dos variantes: una que acepta trayectorias $(x, y, z)$ (LSTM) y otra que acepta trayectorias $(t, x, y, z)$ (LSTMt).
• Protocolo de Entrenamiento: El estudio empleó una estrategia de validación cruzada de 6 pliegues sobre 24 muestras de embriones para ajustar los hiperparámetros (tasa de aprendizaje, decaimiento de peso, dropout, tamaño de lote), reservando las 4 muestras restantes para la prueba final. Las características de trayectoria fueron rellenadas con valores negativos para vidas más cortas.

Resultos Clave

• Precisión de Clasificación: Todos los modelos alcanzaron una alta precisión, siendo los mejores modelos (Random Forest y LSTMt) los que alcanzaron un 93.2% en el conjunto de prueba utilizando el conjunto completo de características. Incluso los modelos que utilizaron únicamente características de trayectoria lograron más del 85% de precisión.
• Importancia de las Características: Un estudio de ablación de características reveló que añadir la orientación de la división relativa a la célula madre ('DM') causó el salto más significativo en la precisión de validación (de ~88% a ~92% para Random Forest).
• Interpretabilidad: El análisis de la importancia de las características en el modelo Random Forest identificó DMx (la orientación de la división a lo largo del eje X) como la característica más crítica. Esto concuerda con el conocimiento biológico, ya que la mayoría de las células en C. elegans experimentan divisiones Anterior-Posterior (A-P), las cuales determinan el sufijo 'a' o 'p' en las convenciones de nomenclatura de células.
• Rendimiento del Modelo: Los modelos LSTM y LSTMt superaron al MLP, probablemente debido a su capacidad para capturar dependencias temporales. Sin embargo, el modelo Random Forest también funcionó excepcionalmente bien, lo que sugiere que el tamaño del conjunto de datos requiere modelos más simples para evitar el sobreajuste (overfitting).

Significancia y Reivindicaciones
El artículo afirma presentar el primer enfoque basado en aprendizaje automático para identificar células de C. elegans utilizando únicamente las características espacio-temporales de los núcleos individuales. La principal significancia radica en la demostración de que la identidad celular puede predecirse directamente a partir de características simples (trayectoria, tiempo de inicio, vida útil y orientación de la división) sin necesidad de un rastreo de linaje completo y complejo de vuelta al ancestro raíz.

Los autores destacan dos ventajas principales sobre el seguimiento celular tradicional:

1. Eficiencia: El método solo requiere el seguimiento de la célula de interés, no de todo el linaje de vuelta al primer fotograma.
2. Salida Directa: El modelo genera el nombre de la célula directamente, evitando el paso adicional de comparar los resultados del seguimiento contra una base de datos de linaje.

El estudio concluye que este enfoque es ampliamente útil para identificar células de interés, particularmente en contextos donde las células están marcadas con marcadores fluorescentes (por ejemplo, células neuronales o musculares), y que es posible lograr una clasificación de alto rendimiento incluso con datos limitados y modelos simples.