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

Resumo Técnico

1. Problema e Contexto

A migração celular coletiva em tecidos densos é fundamental para processos fisiológicos (como cicatrização e embriogênese) e patológicos (como metástase do câncer e asma). Um desafio central é a heterogeneidade na motilidade celular: em tecidos doentes, pode haver uma mistura de células altamente móveis (ativas) e células pouco móveis ou imóveis (passivas).

• O Desafio: Identificar a motilidade de células individuais em meio a um tecido denso e confluinte é extremamente difícil apenas observando imagens estáticas (histológicas), que são o padrão-ouro na patologia clínica.
• A Lacuna: Trabalhos anteriores estabeleceram que a forma média das células pode prever dinâmicas coletivas (como transições de "jamming" e "unjamming"). No entanto, a capacidade de usar informações estáticas (forma e estrutura) para inferir as propriedades dinâmicas de células individuais em um ambiente heterogêneo permanecia pouco explorada.

2. Metodologia

Os autores desenvolveram uma abordagem baseada em simulação computacional e aprendizado de máquina (ML) para resolver esse problema:

• Modelo de Simulação (Cellular Potts Model - CPM):

  • Utilizaram o CPM para simular uma camada celular bidimensional confluinte composta por uma mistura de células ativas (alta motilidade) e passivas (baixa ou nenhuma motilidade).
  • O Hamiltoniano do modelo inclui termos de adesão, área, perímetro e um termo ativo ($H_{active}$) que impulsiona a motilidade.
  • Cenários Testados:
    1. Células passivas imóveis ($\kappa_p = 0$) vs. ativas móveis ($\kappa_a = 1500$).
    2. Células passivas com motilidade finita ($\kappa_p = 150$) vs. ativas com motilidade variável ($\kappa_a > \kappa_p$).
  • Gera-se "snapshots" (instantâneos) estáticos das simulações após a equilibração.

• Extração de Características (Features):

  • Em vez de usar as imagens brutas, extraíram 145 características físicas de cada célula e de seus vizinhos.
  • As características foram divididas em quatro categorias:
    1. Forma Local: Propriedades geométricas da célula individual (área, perímetro, excentricidade, eixos, alinhamento).
    2. Forma Não-Local: Propriedades geométricas baseadas nos vizinhos (médias, máximos e mínimos de alinhamento e distâncias).
    3. Estrutura Local: Métricas baseadas no centro de massa (parâmetros de ordem de ligação, momentos de distância).
    4. Estrutura Não-Local: Métricas estruturais dos vizinhos.

• Modelo de Aprendizado de Máquina:

  • Utilizaram um Perceptron Multicamada (MLP) (uma rede neural simples com uma camada oculta) para classificar cada célula como "ativa" ou "passiva".
  • O modelo foi treinado e testado usando apenas as características extraídas de um único snapshot estático.
  • A performance foi avaliada pela acurácia (taxa de previsões corretas).
  • Técnicas de interpretabilidade (SHAP e PCA) foram usadas para identificar quais características eram mais importantes para a classificação.

3. Resultados Principais

• Predição com Base na Forma Local:

  • O resultado mais significativo é que apenas as características de forma local (da própria célula) são suficientes para prever com alta acurácia se uma célula é ativa ou passiva.
  • A acurácia do modelo usando apenas forma local é quase idêntica àquela obtida usando todas as 145 características (incluindo estrutura e vizinhos).
  • Características estruturais isoladas (sem forma) tiveram desempenho significativamente pior.

• Regimes de Desempenho:

  • O modelo funciona melhor quando a fração de células ativas é baixa e a diferença de motilidade entre os tipos celulares é grande.
  • Mesmo quando as células passivas possuem alguma motilidade (cenário mais realista), o modelo consegue classificar corretamente, desde que a motilidade das células ativas seja significativamente superior.
  • A falha do modelo ocorre apenas quando os coeficientes de difusão de longo prazo das células ativas e passivas são muito semelhantes.

• Generalização:

  • O modelo treinado em um número específico de células ativas generaliza bem para outros números de células ativas, especialmente se treinado com um número intermediário (ex: 15 células ativas).
  • A generalização para diferentes razões de motilidade ($\gamma = \kappa_p/\kappa_a$) é robusta, desde que a motilidade das células ativas no conjunto de teste não seja drasticamente diferente da do treinamento.

• Análise de Importância (SHAP/PCA):

  • Embora a forma local seja suficiente, as análises de SHAP e PCA indicam que, quando se usa todo o conjunto de dados, as características mais importantes são uma combinação de forma e estrutura (especificamente distâncias entre vizinhos).
  • No entanto, a lista de "melhores características" varia dependendo da configuração do sistema, tornando a seleção automática de features menos eficiente computacionalmente do que simplesmente usar todas as características de forma local.

4. Contribuições Chave

1. Prova de Conceito para Inferência Individual: Demonstram que é possível inferir a dinâmica (motilidade) de células individuais a partir de dados puramente estáticos (imagens de microscopia), superando a limitação de estudos anteriores focados apenas em dinâmicas coletivas.
2. Suficiência da Forma Local: Estabelecem que a geometria instantânea de uma única célula carrega informações suficientes sobre seu fenótipo de motilidade, sem a necessidade de analisar complexas redes de vizinhança ou dados temporais.
3. Robustez do Modelo Simples: Mostram que um modelo de ML simples (MLP) treinado apenas em características geométricas locais é robusto e generaliza bem para diferentes cenários de heterogeneidade celular.

5. Significado e Implicações

• Aplicações Biomédicas: Este trabalho oferece um potencial caminho para analisar imagens histológicas estáticas (rotineiras em diagnósticos de câncer) para estimar a progressão de doenças, como a transição epitélio-mesênquima (EMT) parcial ou total, identificando subpopulações de células altamente invasivas sem a necessidade de imagens de vídeo ou rastreamento temporal.
• Conexão Física-Biológica: Reforça a ligação entre morfologia e dinâmica (morphodynamic link), sugerindo que a forma celular é um "parâmetro de ordem" não apenas para o tecido como um todo, mas também para o comportamento intrínseco de cada célula.
• Eficiência Computacional: A abordagem proposta é computacionalmente eficiente e baseada em características interpretáveis, o que facilita sua adoção em ferramentas de diagnóstico assistido por computador.

Em resumo, o artigo valida que "a forma importa": a geometria estática de uma célula em um tecido denso contém a assinatura de sua motilidade, permitindo a distinção entre células agressivas e inativas através de algoritmos de aprendizado de máquina aplicados a imagens estáticas.