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

Titolo: La forma conta: Inferire la motilità delle cellule confluenti da immagini statiche

1. Il Problema

La migrazione cellulare collettiva in tessuti densi è fondamentale per processi fisiologici (come la guarigione delle ferite) e patologici (come la metastasi del cancro e l'asma). Un aspetto critico in questi fenomeni è l'eterogeneità nella motilità cellulare: in un tessuto, alcune cellule possono essere altamente motili (attive) mentre altre sono poco motili o non motili (passive).
Identificare la motilità di singole cellule all'interno di un tessuto denso è una sfida significativa. Sebbene studi precedenti abbiano stabilito che la forma media delle cellule possa predire la dinamica collettiva (ad esempio, transizioni di "jamming" e "unjamming"), rimane poco esplorato se le informazioni statiche (strutturali e geometriche) di una singola cellula possano rivelare la sua motilità individuale. L'obiettivo è determinare se è possibile distinguere tra cellule ad alta motilità e a bassa motilità basandosi esclusivamente su immagini statiche, senza bisogno di tracciare il movimento nel tempo.

2. Metodologia

Gli autori hanno sviluppato un approccio basato su simulazioni computazionali e apprendimento automatico (Machine Learning - ML):

• Modello di Simulazione (Cellular Potts Model - CPM):

  • È stato utilizzato il CPM per generare snapshot statici di strati cellulari confluenti bidimensionali.
  • Il sistema è composto da una miscela di cellule attive (alta motilità) e passive (bassa o nulla motilità).
  • La motilità è implementata tramite un termine attivo nell'Hamiltoniano del sistema, che biasa la direzione di migrazione.
  • Sono stati studiati due scenari principali:
    1. Cellule passive non motili ($\kappa_p = 0$) e cellule attive altamente motili ($\kappa_a = 1500$).
    2. Cellule passive con una motilità finita ma inferiore ($\kappa_p = 150$) e cellule attive con motilità variabile ($\kappa_a > \kappa_p$).

• Estrazione delle Caratteristiche (Feature Extraction):

  • Da ogni snapshot statico, sono state estratte 145 caratteristiche per ogni cellula, divise in quattro categorie:
    1. Forma locale: Proprietà geometriche della singola cellula (area, perimetro, eccentricità, allineamento, ecc.).
    2. Struttura locale: Proprietà strutturali basate sul centro di massa della cellula (momenti di massa, parametri di ordine del legame).
    3. Forma non locale: Proprietà geometriche derivate dai vicini (medi, massimi e minimi delle forme dei vicini).
    4. Struttura non locale: Proprietà strutturali derivate dai vicini (distanze tra centri di massa, ecc.).

• Modello di Classificazione:

  • È stato addestrato un Multilayer Perceptron (MLP), una rete neurale artificiale semplice con un singolo strato nascosto.
  • L'obiettivo era una classificazione binaria: prevedere se una cellula è "attiva" o "passiva" basandosi esclusivamente sulle caratteristiche estratte dallo snapshot statico.
  • Sono state valutate diverse configurazioni di input (tutte le feature, solo feature di forma, solo feature locali, ecc.) per determinare quali informazioni siano più discriminative.

• Analisi dell'Importanza delle Feature:

  • Sono stati utilizzati metodi come SHAP (Shapley Additive Explanations) e PCA (Principal Component Analysis) per identificare quali caratteristiche contribuiscono maggiormente alla previsione.

3. Risultati Chiave

• Sufficienza delle Caratteristiche di Forma Locale:

  • Il risultato più sorprendente è che le caratteristiche di forma locale (proprietà geometriche della singola cellula) sono sufficienti per classificare con alta accuratezza la motilità cellulare.
  • Quando le cellule passive sono non motili, un modello addestrato solo su feature di forma locale raggiunge un'accuratezza quasi identica a quella di un modello addestrato su tutte le 145 feature (inclusi i dati strutturali e dei vicini).
  • Le feature strutturali da sole offrono un'accuratezza significativamente inferiore rispetto alle feature di forma.

• Scenario di Eterogeneità Realistica:

  • Anche quando le cellule passive sono leggermente motili (scenario più realistico), il modello basato su feature di forma locale mantiene un'alta accuratezza, specialmente quando:
    • Il numero di cellule attive è basso.
    • La differenza di motilità tra cellule attive e passive è significativa.
  • Il modello fallisce principalmente quando i coefficienti di diffusione a lungo termine delle due popolazioni sono molto simili.

• Generalizzazione del Modello:

  • Il modello addestrato su un numero specifico di cellule attive ($N_a$) generalizza bene a scenari con numeri diversi di cellule attive, purché la motilità intrinseca delle cellule attive rimanga simile.
  • Un modello addestrato su un numero intermedio di cellule attive ($N_a = 15$) mostra la migliore capacità di generalizzazione su tutto lo spettro di $N_a$.
  • La capacità predittiva diminuisce se la motilità delle cellule attive nel set di test è drasticamente diversa da quella nel set di addestramento.

• Analisi SHAP e PCA:

  • Sebbene SHAP e PCA indichino che le feature più importanti siano una combinazione di forma e struttura (inclusa la distanza dai vicini), la lista delle feature "migliori" varia in base alla configurazione del sistema.
  • Tuttavia, l'approccio semplificato di utilizzare solo le feature di forma locale si è rivelato il più robusto e computazionalmente efficiente, fornendo risultati coerenti indipendentemente dalla configurazione.

4. Contributi e Significato

• Collegamento Morfodinamico a Livello Singola Cellula: Il lavoro stabilisce un collegamento diretto tra la forma istantanea di una singola cellula e la sua dinamica intrinseca (motilità), estendendo i concetti noti a livello collettivo alla scala individuale.
• Implicazioni per la Diagnostica Medica: Poiché le immagini istologiche (biopsie) sono statiche, questo studio suggerisce che è possibile inferire la dinamica cellulare e potenzialmente l'aggressività di un tumore (ad esempio, identificando cellule in transizione epiteliale-mesenchimale o EMT) analizzando solo la morfologia cellulare in una singola immagine.
• Efficienza Computazionale: Dimostra che modelli ML semplici, alimentati da un set ridotto di feature geometriche locali, sono sufficienti per compiti di classificazione complessi in sistemi biologici densi, evitando la necessità di dati dinamici o di tracciamento temporale.
• Validazione Fisica: Conferma che le distorsioni locali nella forma delle cellule, causate dalla presenza di cellule attive in un ambiente passivo, contengono informazioni sufficienti per distinguere i fenotipi, offrendo un nuovo strumento per l'analisi di sistemi di materia attiva.

In sintesi, il paper dimostra che "la forma conta": l'analisi statica della geometria di una singola cellula è uno strumento potente e robusto per prevedere il suo comportamento dinamico in tessuti confluenti eterogenei.