Nature Communications | 利用深度学习表征大豆锈病的形态动力学！

细胞形状变化（形态动力学）的量化可以揭示关键的发育转变和行为策略，以及通过与已知药物表型映射的比较来揭示药物的作用模式。尽管自动化图像分析的最新进展已经普及了超出平均增长率和代谢通量的静态描述，但动力学的结合可以提供更完整的系统描述，也可能有助于机械模型的开发和验证。本研究开发了这样一个框架，并用它来解释杀菌剂如何影响大豆锈病菌的形态动力学，它是导致全球大豆作物锈病的病原体。孢子落在大豆叶子上，长出芽管，使用附着胞穿透植物，随后形成吸器摄取营养，如图1a所示。这种鲜为人知的病原体可导致高达80%的经济破坏性产量损失，并且抗性正在快速发展。

2021年12月5日，国际权威学术期刊Nature Communications发表了英国帝国理工学院Robert Endres团队的最新相关研究成果，题为Physics-informed deep learning characterizes morphodynamics of Asian soybean rust disease的研究论文。

药品和农业生物杀菌剂通常是通过对数百种化合物进行大规模的表型筛选来发现的，在这种情况下，对整个生物体的可见效应进行比较，以衡量疗效和可能的作用方式。但是，此类分析通常仅限于人工定义的静态特征。本研究引入了一个新的框架，可以直接从图像中表征细胞-药物相互作用的形状变化（形态动力学），并用它来解释亚洲大豆锈病病原菌的扰动发育。科研人员使用两个具有条件相关参数的模型来描述二维形状空间（形态空间）上的种群发育：一个自上而下的Fokker-Planck模型在Waddington型景观上的扩散性发展，以及一个自下而上的尖端生长模型。结果发现了各种景观，描述了生长过程中的表型转变，并确定了导致这种变化的尖端生长机制中可能的扰动。这证明了无监督学习和生物物理建模的广泛适用性。

图 1：亚洲大豆锈病病原体的形态动力学通过全球形态空间上的条件依赖性动力学表征

图2：通过卷积自动编码器学习的全局形态空间

图3：PINN学习的形态动力学景观

图 4：生长区的持久随机游走模型拟合图像数据

更多精彩内容，点击下方“往期回顾”