Prediction of Cellular Identities from Trajectory and Cell Fate Information

Sintesi Tecnica: Predizione delle Identità Cellulari da Informazioni di Traiettoria e Destino Cellulare

Definizione del Problema
Determinare l'identità delle cellule nelle sequenze di imaging è un compito critico ma complesso nella biologia dello sviluppo, in particolare per l'analisi della linea cellulare, dei fenotipi e dell'espressione genica a livello di singola cellula. L'identificazione convenzionale si basa sul tracciamento cellulare (cell tracking), un processo complesso e dispendioso in cui l'intera sequenza di immagini viene elaborata per rilevare le cellule e tracciarle a ritroso fino alla prima cornice (frame). Questo metodo richiede il confronto dei risultati del tracciamento con priori di linea invarianti per assegnare le identità. La sfida è esacerbata dai bassi rapporti segnale-rumore nei dati di microscopia e dalla scarsa risoluzione temporale, anche in organismi stereotipati come il nematode C. elegans. Sebbene la classificazione di oggetti nelle immagini abbia raggiunto prestazioni sovrumane in altri domini, l'applicazione di metodologie simili all'identità nucleare nei dati di fluorescenza è difficile a causa della somiglianza visiva dei nuclei. Tuttavia, l'embriogenesi precoce di C. elegans presenta schemi di posizione e migrazione stereotipati con una variabilità altamente deterministica, suggerendo che la classificazione basata su caratteristiche spazio-temporali possa essere fattibile.

Metodologia
Lo studio propone un approccio basato sull'apprendimento automatico (machine learning) per identificare le cellule negli embrioni di C. elegans utilizzando un set limitato di caratteristiche spazio-temporali derivate dai singoli nuclei cellulari, piuttosto che l'intera ricostruzione della linea cellulare.

• Dati: Gli autori hanno utilizzato 24 sequenze di imaging confocale 3D (4D) in time-lapse di embrioni wild-type di C. elegans con una risoluzione temporale di 1,25 minuti per fotogramma. Il dataset includeva nuclei cellulari pre-rilevati e tracciati fino allo stadio di ~350 cellule. Le immagini sono state ruotate verso un orientamento canonico (Antero-Posteriore, Sinistra-Destra, Dorso-Ventrale).
• Estrazione delle Caratteristiche: Da un pool iniziale di 781 cellule uniche, gli autori hanno filtrato le cellule presenti in più embrioni con relazioni madre/figlia definite, ottenendo 334 cellule uniche. Le caratteristiche di input includevano:
  • Traiettoria ('Traj'): Coordinate spazio-temporali $(t, x, y, z)$ o $(x, y, z)$. Per le cellule con una durata inferiore a 50 fotogrammi, le traiettorie sono state completate tramite padding.
  • Tempo di Inizio ('SF'): Tempo di nascita rispetto alla fine dello stadio a 4 cellule.
  • Durata della Vita ('LF'): Durata dell'esistenza della cellula.
  • Orientamenti di Divisione: Vettori che rappresentano la posizione di nascita rispetto alla cellula madre ('DM') e gli orientamenti delle due cellule figlie ('DD').
• Modelli: Sono state valutate tre architetture di machine learning:
  1. Random Forest: Un metodo d'insieme tradizionale.
  2. Perceptron Multistrato (MLP): Una rete a singolo strato nascosto con attivazione ReLU e connessioni residue.
  3. Long Short-Term Memory (LSTM): Progettato per catturare dipendenze temporali. Sono state testate due varianti: una che accetta traiettorie $(x, y, z)$ (LSTM) e una che accetta traiettorie $(t, x, y, z)$ (LSTMt).
• Protocollo di Addestramento: Lo studio ha impiegato una strategia di validazione incrociata a 6 pieghe (6-fold cross-validation) su 24 campioni di embrioni per ottimizzare gli iperparametri (tasso di apprendimento, decadimento del peso, dropout, dimensione del batch), con i restanti 4 campioni riservati per il test finale. Le caratteristiche della traiettoria sono state completate con valori negativi per le durate di vita più brevi.

Risultati Chiave

• Accuratezza della Classificazione: Tutti i modelli hanno raggiunto un'elevata accuratezza; i modelli con le prestazioni migliori (Random Forest e LSTMt) hanno raggiunto il 93,2% sul set di test utilizzando l'intero set di caratteristiche. Anche i modelli che utilizzavano solo le caratteristiche della traiettoria hanno superato l'85% di accuratezza.
• Importanza delle Caratteristiche: Uno studio di ablazione delle caratteristiche ha rivelato che l'aggiunta dell'orientamento della divisione rispetto alla cellula madre ('DM') ha causato il salto più significativo nell'accuratezza di validazione (da ~88% a ~92% per Random Forest).
• Interpretabilità: L'analisi dell'importanza delle caratteristiche nel modello Random Forest ha identificato DMx (l'orientamento della divisione lungo l'asse X) come la caratteristica più critica. Ciò è coerente con le conoscenze biologiche, poiché la maggior parte delle cellule in C. elegans subisce divisioni Antero-Posteriori (A-P), che determinano il suffisso 'a' o 'p' nelle convenzioni di nomenclatura cellulare.
• Prestazioni del Modello: I modelli LSTM e LSTMt hanno superato l'MLP, probabilmente grazie alla loro capacità di catturare le dipendenze temporali. Tuttavia, anche il modello Random Forest ha performato eccezionalmente bene, suggerendo che la dimensione del dataset richieda modelli più semplici per evitare l'overfitting.

Significatività e Rivendicazioni
Il documento sostiene di presentare il primo approccio basato sul machine learning per identificare le cellule di C. elegans utilizzando solo le caratteristiche spazio-temporali dei singoli nuclei. La principale significatività risiede nella dimostrazione che l'identità cellulare può essere predetta direttamente da caratteristiche semplici (traiettoria, tempo di inizio, durata della vita e orientamento della divisione) senza la necessità di complessi tracciamenti della linea cellulare completa fino all'antenato radice.

Gli autori evidenziano due vantaggi principali rispetto al tracciamento cellulare tradizionale:

1. Efficienza: Il metodo richiede solo il tracciamento della cellula specifica di interesse, non dell'intera linea cellulare fino alla prima cornice.
2. Output Diretto: Il modello restituisce direttamente il nome della cellula, saltando il passaggio aggiuntivo di confrontare i risultati del tracciamento con un database della linea cellulare.

Lo studio conclude che questo approccio è ampiamente utile per identificare singole cellule di interesse, in particolare in contesti in cui le cellule sono marcate con marcatori fluorescenti (ad esempio, cellule neuronali o muscolari), e che è possibile ottenere una classificazione ad alte prestazioni anche con dati limitati e modelli semplici.