Data-driven geometric phase in biological locomotion

Resumo Técnico: Fase Geométrica Baseada em Dados na Locomoção Biológica

Definição do Problema
A fase geométrica, um conceito enraizado na teoria de calibre (gauge theory), quantifica a locomoção líquida (deslocamento e rotação) em meios dissipativos ao longo de um período de deformação de forma. Embora seja teoricamente bem estabelecida para sistemas como micro-nadadores (regidos pelo fluxo de Stokes) e locomoção cinemática mais ampla (ex: cobras, vermes), aplicar esta teoria a dados biológicos reais apresenta desafios significativos. Os dados de forma biológica são tipicamente ruidosos, esparsos, fracamente periódicos e limitados em duração (abrangendo apenas alguns ciclos de batimento). Métodos tradicionais de redução de dimensionalidade linear, como a Análise de Componentes Principais (PCA), falham em definir uma "fase isócrona" (fase assintótica) adequada para a extração consistente da fase geométrica, oferecendo apenas uma "protofase". Além disso, os cálculos teóricos padrão exigem leis mecânicas explícitas (ex: equações de Stokes, teoria da força de resistência), que muitas vezes são desconhecidas ou difíceis de parametrizar para sistemas biológicos específicos.

Metodologia
Os autores propõem um arcabouço de Autoencoder de Koopman (KAE) orientado por teoria e baseado em dados para recuperar o ciclo limite imerso em dados biológicos imperfeitos e extrair a fase geométrica sem assumir leis mecânicas específicas. A metodologia procede da seguinte forma:

1. Teoria do Operador de Koopman & Arquitetura de Autoencoder:
   O sistema reformula a dinâmica de forma não linear como um sistema linear de dimensão infinita. Um autoencoder profundo é construído onde:

   • O encoder ($\phi$) aproxima a autofunção principal de Koopman, mapeando dados de forma de alta dimensão $q \in \mathbb{R}^N$ para um espaço latente 2D $z \in \mathbb{C}$.
   • A dinâmica latente é restringida para seguir uma evolução linear ($\dot{z} = i\omega z$), extraindo efetivamente um ciclo limite estável.
   • O decoder ($\psi$) reconstrói a órbita de forma suavizada a partir do espaço latente.
   • Uma matriz de Koopman $K$ é imposta no espaço latente para modelar a evolução temporal, acomodando a contração estocástica em direção ao ciclo limite através de um parâmetro de Floquet $\gamma$.

2. Função de Perda:
   A rede é treinada para minimizar uma função de custo composta $L_{tot} = L_{rec} + L_{pred} + L_{lin} + L_{rad}$, que compreende:

   • Perda de reconstrução ($L_{rec}$): Garante que o decoder recupere com precisão a forma de entrada.
   • Perda de predição ($L_{pred}$): Garante que o próximo passo previsto no espaço latente mapeie corretamente para o espaço de forma.
   • Restrição de linearidade ($L_{lin}$): Impõe a dinâmica linear no espaço latente.
   • Restrição de raio ($L_{rad}$): Força a trajetória latente a convergir para um círculo unitário.

3. Extração da Fase Geométrica:
   Uma vez identificado o ciclo limite no espaço latente, a fase do oscilador $\Theta$ é definida. O campo de calibre $A(\Theta)$ (representando a conexão mecânica) é expandido como uma série de Fourier em termos da fase do oscilador. A fase geométrica $W_C$ é então computada integrando este campo de calibre sobre o ciclo limite, baseando-se exclusivamente na estrutura de calibre em vez de equações de dinâmica de fluidos.

4. Função de Sensibilidade da Fase Geométrica (PSF Geométrica):
   Os autores introduzem uma nova grandeza, a PSF Geométrica ($Z_W$), derivada da função de sensibilidade da fase do oscilador ($Z_1$) e do campo de calibre. Esta função quantifica o desvio na fase geométrica (translação e rotação) resultante de uma perturbação local na variável de forma. Ela é calculada puramente a partir do ciclo limite baseado em dados e da estrutura de calibre.

Resultos Principais
O método foi validado e aplicado a três conjuntos de dados distintos:

• Dados Sintéticos: Usando um modelo de ciclo limite ruidoso de uma bifurcação de Hopf supercrítica, o KAE reconstruiu detalhes finos da forma de onda e extraiu um ciclo limite limpo no espaço latente, superando o PCA 2D, que produziu trajetórias dispersas. A métrica de pull-back revelou o dobramento não linear do espaço de forma sobre o círculo unitário latente.
• Zebrafish e Espermatozoide de Touro: Aplicado a dados de forma de flagelo (esparsos no tempo, com amplitudes variadas), o KAE extraiu ciclos limites estáveis. As fases geométricas resultantes (trajetórias) foram suaves e consistentes, apesar da esparsidade dos dados e da ausência de equações de fluxo de Stokes assumidas.
• Caenorhabditis elegans (Nematódeo): Aplicado a dados de rastejamento com grandes flutuações e características de arrasto anisotrópico. O método extraiu com sucesso o ciclo limite e a fase geométrica sem assumir a teoria da força de resistência.

Análise da PSF Geométrica:
A PSF Geométrica calculada revelou insights mecânicos distintos para cada organismo:

• Espermatozoide de Zebrafish: A sensibilidade foi relativamente uniforme ao longo do flagelo, com pico na região média.
• Espermatozoide de Touro: A sensibilidade máxima ocorreu na região distal, correlacionando-se com maiores amplitudes de batimento distal.
• Nematódeo: A sensibilidade máxima para translação progressiva e lateral localizou-se na cabeça, refletindo a dominância do arrasto normal sobre o arrasto tangencial durante o rastejamento.
• Dependência de Fase: A análise mostrou que perturbações de forma modulam mais eficazmente a propulsão frontal quando a cabeça aponta na direção do nado, enquanto o direcionamento é mais eficaz quando a cabeça aponta para longe, destacando diferentes estratégias ideais para progressão versus curva.

Significância e Alegações
O artigo afirma apresentar um arcabouço robusto para a extração de fase geométrica de dados de locomoção biológica sob restrições severas (ruído, esparsidade, ciclos limitados) sem conhecimento prévio de leis mecânicas.

• Contribuição Teórica: Ele preenche a lacuna entre a teoria de locomoção de calibre e dados do mundo real ao utilizar a teoria do operador de Koopman para definir uma fase isócrona adequada, superando as limitações de métodos lineares como o PCA.
• Inovação Metodológica: A introdução da PSF Geométrica permite a caracterização direta de mecânicas subjacentes (ex: anisotropia de arrasto, concentração de controle) a partir de observações esparsas, servindo como uma ferramenta para entender o direcionamento e a manobrabilidade.
• Generalidade: Embora demonstrado em movimento 2D, os autores afirmam que o método se estende naturalmente para deformações 3D e dinâmicas mais complexas (ex: sistemas de múltiplos flagelos ou múltiplas pernas) via redução de Koopman para toros de ciclo limite estáveis.
• Escopo: O trabalho demonstra que a estrutura geométrica pode ser explorada para inferir estrutura física a partir de observações imperfeitas quando as leis governantes detalhadas são inacessíveis, oferecendo uma alternativa significativa aos modelos de aprendizado de máquina que exigem grandes conjuntos de dados limpos.