🔬 physics

Non-Markovian non-equilibrium modeling of experimental cell-motion trajectories reveals dependence of propulsion-force correlations on solvent viscosity

本研究引入了一种基于广义朗之万方程的非马尔可夫、非平衡模型，用于分析莱氏衣藻（*Chlamydomonas reinhardtii*）和鼠伤毕赤毕赤肠 Salmonella typhimurium）的实验轨迹，揭示了细胞通过使其多指数推进力相关性适应溶剂黏度，从而在中间黏度下实现最大有效扩散率，并能够预测单细胞功率输出。

原作者： Anton Klimek, Prince V. Baruah, Prerna Sharma, Roland R. Netz

发布于 2026-01-27

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Anton Klimek, Prince V. Baruah, Prerna Sharma, Roland R. Netz

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下微小的生物游泳者——比如微小的细菌和藻类——正在一个感觉像是浓稠蜂蜜或稀薄水流的世界中穿行。长期以来，科学家们一直试图用简单的规则来预测这些细胞是如何运动的，这有点像假设汽车无论路况如何总是以同样的速度行驶。但本文指出，这些细胞比这些简单模型所暗示的要聪明得多，也复杂得多。

以下是研究人员发现的故事，用通俗易懂的方式进行了解释：

问题所在：“简单模型”并不匹配

多年来，科学家们一直试图理解单个细胞是如何运动的。他们通常使用一种“玩具模型”（例如主动奥恩斯坦-乌伦贝克过程/Active Ornstein-Uhlenbeck process），该模型假设细胞通过一种会迅速消失且随机的力来推动自己前进。

想象一下，一个人试图在人群中行走时手里拿着一个气球。如果气球瞬间破裂，那个人会踉跄一下然后停下来。旧的模型假设细胞就是这样的：它们推动、推动力消失，然后漂流。

然而，当研究人员仔细观察**沙门氏菌（Salmonella bacteria）和趋异藻（Chlamydomonas algae）**的真实视频录像时，他们看到了不同的情况。细胞不仅仅是推动然后忘记；它们似乎拥有某种“记忆”。它们的推动力并没有立即消失；它会持续、摇摆，并以复杂的方式变化，而旧的简单模型无法捕捉到这一点。

新工具：一个“记忆”方程

为了解决这个问题，团队构建了一个基于“广义朗之万方程（Generalized Langevin Equation）”的新型、更复杂的数学工具。

想象一下，你正试图通过观察一个游泳者在水中的运动来判断其踢腿的力量有多大。

旧的方法： 你根据一个标准规则来猜测踢腿强度。
新的方法： 研究人员使用了一种“逆向工程”技巧。他们知道水如何阻碍运动（摩擦力）。通过观察细胞运动的精确过程，他们可以从数学上“反向推导”，计算出细胞在每一时刻究竟施加了多大的推动力。

这使得他们能够以高清晰度观察“推进力”（即踢腿）。他们发现：

沙门氏菌的推动力以两个截然不同的阶段逐渐消退（就像两次长长的叹息）。
藻类的推动力会在消退前前后摇摆（就像有节奏的蛙泳）。

大惊喜： “金发姑娘”粘度（适中粘度）

研究人员不仅在纯水中观察细胞。他们向水中添加了一种增稠剂（PEG）使水变得更黏稠，以模拟人体内的粘液环境。

他们原本预期，随着水的变稠（粘度增加），细胞会变得越来越慢，就像汽车在深泥中挣扎一样。

但事实并非如此。

相反，他们发现了一个“金发姑娘”区域（指恰到好处的状态）：

太稀： 细胞在运动，但效率不是特别高。
太稠： 细胞感到吃力并减速。
刚刚好（中等粘度）： 细胞的运动速度实际上是最快的，覆盖的距离也最远。

这就像细胞感知到了水的变稠，并决定：“嘿，路变得更滑了，我需要踢得更用力！”它们调整了自己的游泳方式以适应环境。这种适应能力意味着它们的扩散能力（diffusivity）在达到中等粘度时达到顶峰，而不是随着水变稠而稳步下降。

这为什么重要（根据论文所述）

该论文强调了几个关键结论，并未进行过度推演：

细胞具有适应性： 这些微小生物不仅仅是被动移动的物体；它们会根据环境的厚度主动改变自己的推动方式。
功率输出： 研究人员计算了这些细胞游泳时消耗的能量。他们发现沙门氏菌的能量消耗在**阿托瓦特（attowatts，十亿亿分之一瓦）级别，而藻类在飞托瓦特（femtowatts，十万亿分之一瓦）**级别。有趣的是，与它们的速度一样，它们的能量输出也在那个“刚刚好”的粘度下达到顶峰。
更好的预测能力： 由于他们的新模型捕捉到了这些复杂的“记忆”，因此仅凭几秒钟的视频就能预测细胞在长时间内（数小时或数天）会移动多远。旧模型在进行这种长期预测时失败了。

核心结论

这项研究表明，细胞就像熟练的驾驶员，会根据路况调整引擎和转向，而不是仅仅遵循固定的剧本。通过使用一种新的数据驱动方法，研究人员证明了这些微观游泳者在运动中拥有复杂的“记忆”，并且它们在既不太稀也不太稠的环境中表现最佳。这有助于我们理解它们是如何在现实世界中航行的，包括我们体内厚厚的粘液层。

技术摘要：实验细胞运动轨迹的非马尔可夫非平衡建模

问题陈述
细胞运动是一个基本的非平衡过程，对于感染、转移和适应等生物功能至关重要。虽然存在各种建模方法（例如主动奥恩斯坦-乌伦贝克过程、主动布朗运动），但它们通常依赖于粗粒化假设，这些假设无法捕捉推进力的特定非平衡特征，或者无法应用于具有非高斯统计特性的系统。在分析单细胞轨迹时，一个重大的挑战是无法在没有先验结构假设的情况下，仅从单次轨迹测量中同时推导出流体动力学摩擦核 ( $\Gamma_v(t)$ ) 和推进力相关性 ( $\Gamma_R(t)$ )。此外，现有模型往往难以在解决短时动力学的同时，准确预测长时扩散系数，且推进特性对溶剂粘度的依赖关系在单细胞水平上仍不明确。

方法论
作者引入了一种基于广义朗之万方程 (GLE) 的数据驱动型非平衡单细胞运动模型。该方法包含以下步骤：

实验数据： 对单个莱氏衣藻 (Chlamydomonas reinhardtii) 和沙门氏菌 (Salmonella typhimurium) 进行了高分辨率视频显微成像。轨迹是在限制在非粘附表面之间的稀释悬浮液中记录的，以确保聚焦稳定性并最小化壁面摩擦。
流体动力学假设： 基于对水中球形/椭球形物体的理论预测以及观察到的细胞速度/形状，作者假设在观测时间尺度内摩擦核是频率无关的。这简化了 GLE 中的摩擦项为一个 $\delta$ 函数，即 $\Gamma_v(t) = 2\delta(t)/\tau_m$ ，其中 $\tau_m$ 是惯性时间。
力提取： 通过反转 GLE，作者利用离散导数直接从测得的轨迹中提取推进力 $F_R(t)$ 。
模型拟合： 将提取的力相关性拟合到特定的函数形式，而不预设推进机制的模型。
- 对于沙门氏菌，使用双指数衰减模型。
- 对于莱氏衣藻，使用振荡双指数模型，以解释鞭毛摆动频率。
粘度变化： 系统地增加溶剂粘度（使用聚乙二醇 PEG，浓度为 0–10 wt%），以研究推进特性的适应性。
预测： 利用拟合的模型通过速度自相关函数的积分，解析地计算均方位移 (MSD) 和长时有效扩散系数 ( $D$ )，从而将预测延伸至实验观测窗口之外。

核心贡献

非马尔可夫力相关性： 本研究成功地从实验数据中提取了真实的非平衡推进力相关性 $\Gamma_R(t)$ ，揭示了标准文献模型无法捕捉到的多指数相关性。
数据驱动建模： 该方法避免了预设推进力的模型；相反，由数据决定模型结构（例如，区分细菌的标准主动 OU 行为与衣藻的振荡行为）。
粘度适应性： 模型证明了细胞会根据溶剂粘度调整其推进力特性，这体现在扩散系数对粘度的非单调依赖关系上。
功率输出估计： 该框架允许基于提取的力相关性和速度来估计单细胞功率输出（能量耗散）。

结果

力相关性： 提取的推进力相关性表现出长记忆性（衰减时间达秒级），显著长于鞭毛摆动周期（~0.01–0.02 s）。沙门氏菌的相关性符合双指数衰减，而莱氏衣藻则表现出叠加在指数衰减上的强短时振荡。
扩散系数最大值： 与增加粘度会导致细胞速度和扩散系数单调下降的预期（假设推进力恒定）相反，研究发现两种细胞类型的有效扩散系数 ( $D$ ) 在中间粘度处存在最大值。
功率输出： 估计的功率输出对于沙门氏菌在阿托瓦特 (aW) 量级，对于莱氏衣藻则在飞瓦 (fW) 量级。与扩散系数类似，功率输出在中间粘度处也呈现最大值，这表明细胞在感知到更高粘度时会投入更多能量用于推进。
模型验证： 数据驱动模型能够准确预测单个细胞及系综平均的 MSD，与实验数据相匹配，并能延伸至无法直接测量的长时标。预测的莱氏衣藻长时扩散系数与通过集体细胞密度扩张推导出的文献值一致。

意义与主张
论文声称，其数据驱动建模方法提供了一种稳健的方法，仅通过空间轨迹即可推断出复杂的单细胞推进机制细节，而无需假设特定的推进力特性。发现中间粘度处的扩散系数最大值，意味着这些细胞会主动调整其推进力特性以适应环境，这一发现对于理解诸如沙门氏菌等病原体如何穿越粘性生物屏障（如肠道中的黏液层）至关重要。作者指出，虽然这种适应机制（是主动感觉响应还是机械性后果）仍需进一步研究，但这种非线性粘度依赖性对于生物功能具有高度相关性。最后，该模型处理高斯和非高斯系统并结合定位噪声的能力，使其适用于广泛的生物体，并有望在未来用于模拟密集悬浮液中的集体效应。