Shape matters: Inferring the motility of confluent cells from static images

Resumen Técnico: "Shape matters: Inferring the motility of confluent cells from static images"

1. Planteamiento del Problema
La migración celular colectiva en tejidos densos es fundamental en procesos fisiológicos (como la cicatrización) y patológicos (metástasis del cáncer, asma). Un desafío central es la heterogeneidad en la motilidad celular dentro de estos colectivos. Identificar la motilidad de células individuales en tiempo real es difícil experimentalmente. Aunque trabajos previos han establecido que la forma promedio de las células puede predecir la dinámica colectiva (fenómenos de "jamming" y "unjamming"), se desconoce en qué medida la información estática (imágenes microscópicas estáticas) puede revelar las propiedades dinámicas de células individuales, específicamente para distinguir entre células de alta motilidad (activas) y baja motilidad (pasivas) en capas celulares heterogéneas.

2. Metodología
Los autores emplean un enfoque combinado de simulación física y aprendizaje automático (Machine Learning - ML):

• Modelo de Simulación (CPM): Utilizan el Modelo de Potts Celular (Cellular Potts Model - CPM) implementado en CompuCell3D. Este modelo simula una capa celular bidimensional confluyente compuesta por una mezcla de células "activas" (alta motilidad) y "pasivas" (baja o nula motilidad).
  • La dinámica se rige por un Hamiltoniano que incluye términos de adhesión, área, perímetro y una fuerza activa que impulsa la motilidad.
  • Se exploran dos escenarios:
    1. Células pasivas no motiles ($\kappa_p = 0$) vs. activas ($\kappa_a = 1500$).
    2. Células pasivas con motilidad finita pero menor ($\kappa_p = 150$) vs. activas con mayor motilidad ($\kappa_a$ variable).
• Extracción de Características (Features): En lugar de usar las imágenes completas, extraen 145 características estáticas de cada célula en instantes específicos de la simulación. Estas se clasifican en:
  • Forma (Shape): Propiedades geométricas de la célula individual (área, perímetro, excentricidad, ejes, alineación).
  • Estructura: Propiedades basadas en la posición del centro de masa y vecinos (parámetros de orden de enlace, distancias a vecinos).
  • Local vs. No Local: Las características se subdividen en aquellas que dependen solo de la célula (local) y aquellas que dependen de sus vecinos (no local).
• Modelo de Clasificación: Se utiliza una Red Neuronal de Perceptrón Multicapa (MLP) simple (una capa oculta) para clasificar si una célula es activa o pasiva basándose únicamente en las características estáticas extraídas.
• Análisis de Importancia: Se emplean tres métodos para entender qué características son críticas: eliminación manual de características, SHAP (Shapley Additive Explanations) y PCA (Análisis de Componentes Principales).

3. Contribuciones Clave

• Predicción de Motilidad Individual: Demostración de que la forma instantánea de una sola célula contiene suficiente información para predecir su fenotipo de motilidad, sin necesidad de seguimiento temporal.
• Suficiencia de Características Locales: Se identifica que las características de forma locales (propiedades geométricas de la célula individual) son suficientes para lograr una alta precisión, eliminando la necesidad de características estructurales complejas o no locales para la mayoría de los casos.
• Generalización del Modelo: Evaluación de la capacidad del modelo para generalizar a datos no vistos con diferentes proporciones de células activas y diferentes ratios de motilidad.

4. Resultados Principales

• Alta Precisión en Escenarios Heterogéneos: Cuando las células pasivas son no motiles, el modelo alcanza una precisión cercana al 100% si hay pocas células activas (fácilmente distinguibles por su forma alargada/distorsionada). Incluso con un número mayor de células activas, la precisión se mantiene por encima del 70% usando solo características de forma locales.
• Efectividad de Características Locales: Un modelo entrenado exclusivamente con características de forma locales (sin datos de vecinos ni estructura) rinde casi tan bien como un modelo entrenado con las 145 características completas. Esto sugiere que la deformación morfológica de una célula activa es un indicador robusto de su estado dinámico.
• Escenarios con Motilidad Pasiva: En el escenario más realista donde las células pasivas también se mueven (pero menos que las activas), el modelo sigue siendo preciso, especialmente cuando:
  • El número de células activas es bajo.
  • La diferencia de motilidad entre activos y pasivos es grande (ratio $\gamma = \kappa_p/\kappa_a$ es pequeño).
  • El modelo falla principalmente cuando los coeficientes de difusión a largo plazo de ambos tipos de células son muy similares.
• Generalización:
  • Un modelo entrenado con un número intermedio de células activas ($N_a = 15$) generaliza mejor a otros escenarios que los entrenados con extremos ($N_a=1$ o $60$).
  • El modelo generaliza bien a diferentes ratios de motilidad siempre que la motilidad de las células activas en el conjunto de entrenamiento y prueba no difiera drásticamente.

5. Significado e Implicaciones

• Puente Morfodinámico Individual: Este trabajo establece un vínculo entre la morfología estática y la dinámica individual, complementando investigaciones previas que se centraban en la dinámica colectiva.
• Aplicación Clínica Potencial: El enfoque sugiere que es posible inferir la dinámica celular (como la progresión de la transición epitelial-mesénquima o EMT en tumores) a partir de imágenes histológicas estáticas rutinarias, sin necesidad de video-microscopía o marcadores dinámicos.
• Eficiencia Computacional: Al demostrar que un conjunto pequeño de características geométricas locales es suficiente, se simplifica el análisis de datos biológicos, haciendo viable su aplicación en diagnósticos médicos asistidos por IA.

En conclusión, el estudio valida que la "forma importa" a nivel celular individual: la geometría instantánea de una célula en un tejido denso codifica información crítica sobre su capacidad de movimiento, permitiendo su clasificación mediante algoritmos de aprendizaje automático simples y robustos.