2024年1月8日，芝加哥大学詹姆斯-弗兰克研究所的科研人员在Cell上发表了题为Machine learning interpretable models of cell mechanics from protein images的研究论文。
细胞的形态和功能源于细胞质内复杂的机械化学系统。目前，还没有系统的策略可以从细胞的分子成分推断出细胞的大规模物理特性。这是理解细胞粘附和迁移等过程的障碍。
该研究开发了一个数据驱动的建模管道来学习粘附细胞的机械行为。作者首先训练神经网络，从细胞骨架蛋白的图像中预测细胞力。令人吃惊的是，单个焦点粘附（FA）蛋白（如zyxin）的实验图像就足以预测作用力，并能推广到未见过的生物机制。利用这一观察结果，作者开发了两种方法--一种受物理学制约，另一种则与物理学无关--来构建数据驱动的细胞力连续模型。这两种方法都揭示了细胞力是如何被两种不同的长度尺度编码的。除了粘附细胞力学，作者的工作还可作为将神经网络整合到细胞生物学预测模型中的案例研究。
