Prediction of Cellular Identities from Trajectory and Cell Fate Information

Resumo Técnico: Predição de Identidades Celulares a partir de Trajetória e Informação de Destino Celular

Definição do Problema
Determinar identidades celulares em sequências de imagens é uma tarefa crítica, porém desafiadora, na biologia do desenvolvimento, particularmente para analisar linhagem celular, fenótipos e expressão gênica em nível de célula única. A identificação convencional baseia-se no rastreamento celular (cell tracking), um processo complexo e demorado onde toda a sequência de imagens é processada para detectar células e rastreá-las de volta ao primeiro quadro. Este método exige a comparação dos resultados de rastreamento com priors de linhagem invariantes para atribuir identidades. O desafio é exacerbado pelas baixas relações sinal-ruído em dados de microscopia e pela resolução temporal esparsa, mesmo em organismos estereotipados como o nematódeo C. elegans. Embora a classificação de objetos de imagem tenha alcançado um desempenho super-humano em outros domínios, a aplicação de metodologias semelhantes à identidade nuclear em dados de fluorescência é difícil devido à semelhança visual dos núcleos. No entanto, a embriogênese inicial de C. elegans exibe padrões de posição e migração estereotipados com variabilidade altamente determinística, sugerindo que a classificação baseada em características espaço-temporais pode ser viável.

Metodologia
O estudo propõe uma abordagem baseada em aprendizado de máquina para identificar células em embriões de C. elegans utilizando um conjunto limitado de características espaço-temporais derivadas de núcleos celulares individuais, em vez de uma linhagem completa.

• Dados: Os autores utilizaram 24 sequências de imagens confocais 3D (4D) de tempo de vida de C. elegans selvagem, com uma resolução temporal de 1,25 minuto por quadro. O conjunto de dados incluiu núcleos celulares pré-detectados e rastreados até o estágio de ~350 células. As imagens foram rotacionadas para uma orientação canônica (Anterior-Posterior, Esquerda-Direita, Dorsal-Ventral).
• Extração de Características: De um grupo inicial de 781 células únicas, os autores filtraram células presentes em vários embriões com relações mãe/filha definidas, resultando em 334 células únicas. As características de entrada incluíram:
  • Trajetória ('Traj'): Coordenadas espaço-temporais $(t, x, y, z)$ ou $(x, y, z)$. Para células com tempo de vida inferior a 50 quadros, as trajetórias foram preenchidas (padded).
  • Tempo de Início ('SF'): Tempo de nascimento relativo ao fim do estágio de 4 células.
  • Tempo de Vida ('LF'): Duração da existência da célula.
  • Orientações de Divisão: Vetores representando o local de nascimento em relação à célula mãe ('DM') e as orientações das duas células filhas ('DD').
• Modelos: Três arquiteturas de aprendizado de máquina foram avaliadas:
  1. Random Forest: Um método de conjunto (ensemble) tradicional.
  2. Perceptron Multicamadas (MLP): Uma rede de camada oculta única com ativação ReLU e conexões residuais.
  3. Long Short-Term Memory (LSTM): Projetado para capturar dependências temporais. Duas variantes foram testadas: uma que aceita trajetórias $(x, y, z)$ (LSTM) e uma que aceita trajetórias $(t, x, y, z)$ (LSTMt).
• Protocolo de Treinamento: O estudo empregou uma estratégia de validação cruzada de 6 dobras em 24 amostras de embriões para ajustar hiperparâmetros (taxa de aprendizado, decaimento de peso, dropout, tamanho do lote), com as 4 amostras restantes reservadas para o teste final. As características de trajetória foram preenchidas com valores negativos para tempos de vida mais curtos.

Resultos Principais

• Acurácia de Classificação: Todos os modelos alcançaram alta acurácia, sendo que os melhores modelos (Random Forest e LSTMt) atingiram 93,2% no conjunto de teste usando conjuntos completos de características. Mesmo modelos usando apenas características de trajetória atingiram mais de 85% de acurácia.
• Importância das Características: Um estudo de ablação de características revelou que a adição da orientação de divisão em relação à célula mãe ('DM') causou o salto mais significativo na acurácia de validação (de ~88% para ~92% para Random Forest).
• Interpretabilidade: A análise da importância das características no modelo Random Forest identificou DMx (a orientação da divisão ao longo do eixo X) como a característica mais crítica. Isso se alinha ao conhecimento biológico, pois a maioria das células em C. elegans passa por divisões Anterior-Posterior (A-P), que determinam o sufixo 'a' ou 'p' nas convenções de nomenclatura das células.
• Desempenho do Modelo: Os modelos LSTM e LSTMt superaram o MLP, provavelmente devido à sua capacidade de capturar dependências temporais. No entanto, o modelo Random Forest também teve um desempenho excepcionalmente bom, sugerindo que o tamanho do conjunto de dados exige modelos mais simples para evitar o overfitting.

Significância e Alegações
O artigo afirma apresentar a primeira abordagem baseada em aprendizado de máquina para identificar células de C. elegans usando apenas as características espaço-temporais de núcleos individuais. A principal significância reside na demonstração de que a identidade celular pode ser prevista diretamente a partir de características simples (trajetória, tempo de início, tempo de vida e orientação de divisão) sem a necessidade de um rastreamento de linhagem completo e complexo de volta ao ancestral raiz.

Os autores destacam duas vantagens principais sobre o rastreamento celular tradicional:

1. Eficiência: O método requer apenas o rastreamento da célula de interesse específica, não de toda a linhagem de volta ao primeiro quadro.
2. Saída Direta: O modelo produz o nome da célula diretamente, evitando a etapa adicional de comparar os resultados de rastreamento com um banco de dados de linhagem.

O estudo conclui que esta abordagem é amplamente útil para identificar células de interesse individuais, particularmente em contextos onde as células são marcadas com marcadores fluorescentes (por exemplo, células neuronais ou musculares), e que uma classificação de alto desempenho é alcançável mesmo com dados limitados e modelos simples.