DOI: https://doi.org/10.1038/s41540-026-00648-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41611727
تاريخ النشر: 2026-01-29
المؤلف: Jonas Arruda وآخرون
الموضوع الرئيسي: ميكانيكا الخلايا والتفاعلات
نظرة عامة
في هذه الدراسة، يحقق المؤلفون في هجرة خلايا الدندريت (DC) ضمن بيئات ميكروية مقيدة هندسياً باستخدام شرائح مصغرة، مثل المتاهات وغابات الأعمدة، مع تقنيات تصوير متقدمة. قاموا بدمج البيانات التجريبية في نموذج Cellular Potts لاستكشاف كيفية تأثير القيود المكانية والميكانيكية على ديناميات حركة الخلايا، بما في ذلك السرعة والتغيرات الاتجاهية. بينما يمكن للإحصائيات التقليدية مثل الإزاحة المربعة المتوسطة وتوزيعات زوايا الدوران تحديد الميزات الميكانيكية الرئيسية، إلا أنها تقصر عن التقاط الأنماط الزمانية المكانية المعقدة، مما يعيق استنتاج المعلمات بدقة.
لمعالجة هذه القيود، استخدم الباحثون تقدير الخلفية العصبية مع التعلم في الحلقة لميزات الملخص. يسمح هذا النهج بتطوير تمثيل ملخص متعلم للبيانات، مما يسهل استنتاج المعلمات بشكل قوي ومرن. يعزز الإطار المعتمد على البيانات المقترح معايرة النموذج ويحقق تقدماً كبيراً في التحليل الكمي لهجرة الخلايا في البيئات الميكروية المنظمة، مما يساهم في فهم أعمق للعمليات الميكانيكية الحيوية.
طرق
في هذه الدراسة، حقق المؤلفون في هجرة خلايا الدندريت المشتقة من نخاع العظام (DCs) من خلال بيئة ميكروفلويدية مصممة لمحاكاة الهياكل النسيجية المعقدة. تضمنت الإعدادات التجريبية تعريض DCs لتدرج ثابت من الكيمياء الحيوية CCL19، التي تتفاعل مع مستقبل الكيمياء الحيوية من النوع C-C (CCR7) على DCs الناضجة. كانت الخلايا محصورة داخل شريحة ميكروفلويدية تحتوي على “غابة أعمدة” بفجوات 10 ميكرومتر، مما خلق حواجز مادية كان على DCs التنقل من خلالها. تم استخدام تصوير الفيديو الزمني لتتبع مواقع النواة للخلايا على فترات 30 ثانية، مما سمح بتحليل مسارات هجرتها.
أشارت النتائج إلى أنه بينما اتبعت DCs بشكل عام تدرج الكيمياء الحيوية، كان هناك تباين كبير في استجابتها. من بين 147 خلية تم تتبعها، هاجرت فقط مجموعة فرعية نحو مصدر الكيمياء الحيوية خلال الساعتين الأوليين، بينما فشلت خلايا أخرى في الاستجابة، أو تحركت خارج مجال الرؤية، أو انتقلت على طول المحور z. لتقييم الهجرة بشكل كمي، تم تحليل أربعة مقاييس وصفية: الإزاحة الطبيعية، السرعة، زاوية الدوران، وتوزيعات درجة الزاوية. سهلت هذه المقاييس مقارنة بين الملاحظات التجريبية ونموذج ميكانيكي، مما يعزز الفهم لكيفية توازن DCs بين توجيه الكيمياء الحيوية والقيود المادية المفروضة من بيئتها.
نتائج
في هذا القسم، يقدم المؤلفون تحليلًا شاملاً لكيفية تأثير تدرجات الكيمياء الحيوية والقيود المادية على هجرة خلايا الدندريت (DC) من خلال اختبار في المختبر منظم ونموذج ميكانيكي محوسب يعتمد على إطار Cellular Potts. استخدموا طرقًا خالية من الاحتمالات لاستنتاج المعلمات بسبب عدم وجود دالة احتمال صريحة في نموذج Cellular Potts، مما يمنع استخدام تقنيات بايزي التقليدية مثل سلسلة ماركوف مونت كارلو. قامت الدراسة بتقييم منهجي لأربع استراتيجيات استنتاج قائمة على المحاكاة باستخدام بيانات اصطناعية مع معرفة الحقيقة الأساسية: (i) حساب بايزي تقريبي تسلسلي لمونت كارلو (ABC-SMC) مع إحصائيات ملخص مصنوعة يدويًا (الإزاحة الطبيعية، السرعة، زاوية الدوران، ودرجة الزاوية)؛ (ii) ABC باستخدام شبكة عصبية كمستخرج ميزات لتوقع المتوسط الخلفي (ABC-PM)؛ (iii) ABC مع ملخصات مصممة خصيصًا للاستنتاج (ABC-NPE)؛ و(iv) NPE مع شبكات ملخصات مدربة بشكل مشترك.
بعد ذلك، طبق المؤلفون خط أنابيب الاستنتاج الخاص بهم لمعايرة النموذج ضد مسارات DC التي تم تتبعها تجريبيًا استجابةً للتحفيز الكيميائي داخل مصفوفة أعمدة بولي ديميثيل سيلوكسان (PDMS) ذات الهيكل الميكروي. قدمت هذه المعايرة رؤى ميكانيكية قيمة حول التفاعل بين الإشارات الكيميائية والحواجز المكانية في توجيه تنقل الخلايا المناعية، مما يبرز أهمية كلا العاملين في عملية الهجرة.
مناقشة
تقدم البحث خط أنابيب متكامل للنمذجة والاستنتاج لتحليل هجرة خلايا الدندريت (DC) باستخدام نموذج Cellular Potts ثنائي الأبعاد الذي يتضمن الإشارات الكيميائية والحركة العشوائية المستمرة. يستخدم هذا النموذج إطارًا عشوائيًا قائمًا على الشبكة، مما يسمح بمحاكاة واقعية لأشكال الخلايا وتشوهاتها. تشمل المعلمات الرئيسية التي تؤثر على أنماط الهجرة قوة جذب الكيمياء الحيوية ($m_{\text{dir}}$)، قوة الحركة العشوائية الداخلية ($m_{\text{rand}}$)، معدل توزيع وقت الانتظار ($\lambda$)، والمنطقة المستهدفة ($a$). تؤسس الدراسة خط أنابيب استنتاج قائم على المحاكاة باستخدام طرق متنوعة، بما في ذلك حساب بايزي تقريبي (ABC) وتقدير الخلفية العصبية (NPE)، لتقدير هذه المعلمات من البيانات التجريبية. تشير النتائج إلى أن NPE يتفوق على طرق ABC التقليدية من حيث الدقة والكفاءة، خاصة في التقاط ديناميات هجرة الخلايا في البيئات المعقدة.
تظهر النتائج من الدراسات المحوسبة أن NPE يوفر استعادة معلمات أفضل مقارنة بـ ABC، خاصة عند التعامل مع تعقيدات حركة الخلايا المتأثرة بتدرجات الكيمياء الحيوية والحواجز المادية. تكشف الدراسة أن الحركة المستمرة للخلايا تؤثر بشكل كبير على ديناميات الهجرة، مع تسهيل إشارات الكيمياء الحيوية المتغيرة زمنيًا التشتت في البيئات التي تحتوي على عقبات. علاوة على ذلك، يبرز البحث أهمية استخدام ملخصات مصممة خصيصًا للاستنتاج، والتي تتكيف مع البيانات وتعزز تقدير المعلمات، بدلاً من الملخصات المصنوعة يدويًا التقليدية التي قد تفتقر إلى التعبير اللازم لاستنتاج موثوق. بشكل عام، يضع هذا العمل أساسًا للدراسات المستقبلية لاستكشاف سلوك الخلايا في بيئات ميكروية أكثر تعقيدًا وواقعية، مما يعزز فهمنا لديناميات الخلايا في السياقات الفسيولوجية والمرضية.
DOI: https://doi.org/10.1038/s41540-026-00648-9
PMID: https://pubmed.ncbi.nlm.nih.gov/41611727
Publication Date: 2026-01-29
Author(s): Jonas Arruda et al.
Primary Topic: Cellular Mechanics and Interactions
Overview
In this study, the authors investigate dendritic cell migration within geometrically constrained microenvironments using microfabricated chips, such as mazes and pillar forests, combined with advanced imaging techniques. They integrated experimental data into a Cellular Potts model to explore how spatial and mechanical constraints influence cell motility dynamics, including speed and directional changes. While traditional summary statistics like mean squared displacement and turning angle distributions can identify key mechanistic features, they fall short in capturing complex spatiotemporal patterns, which hampers accurate parameter inference.
To address these limitations, the researchers employed neural posterior estimation with in-the-loop learning of summary features. This approach allows for the development of a learned summary representation of the data, facilitating robust and flexible parameter inference. The proposed data-driven framework enhances model calibration and significantly advances the quantitative analysis of cell migration in structured microenvironments, thereby contributing to a deeper understanding of mechanobiological processes.
Methods
In this study, the authors investigated the migration of bone marrow-derived dendritic cells (DCs) through a microfluidic environment designed to mimic complex tissue structures. The experimental setup involved exposing DCs to a stable gradient of the chemokine CCL19, which interacts with the C-C chemokine receptor type 7 (CCR7) on mature DCs. The cells were confined within a microfluidic chip featuring a “pillar forest” with 10 μm gaps, creating physical barriers that DCs had to navigate. Time-lapse videomicroscopy was employed to track the nuclear positions of the cells at 30-second intervals, allowing for the analysis of their migration trajectories.
The results indicated that while DCs generally followed the chemokine gradient, there was significant variability in their responses. Out of 147 tracked cells, only a subset migrated towards the chemokine source within the first two hours, with others either failing to respond, moving out of the field of view, or shifting along the z-axis. To quantitatively assess migration, four descriptive measures were analyzed: normalized displacement, velocity, turning angle, and angle degree distributions. These metrics facilitated a comparison between experimental observations and a mechanistic model, enhancing the understanding of how DCs balance chemokine guidance with the physical constraints imposed by their environment.
Results
In this section, the authors present a comprehensive analysis of how chemokine gradients and physical constraints affect dendritic cell (DC) migration through a structured in vitro assay and a mechanistic in silico model based on the Cellular Potts framework. They employed likelihood-free methods for parameter inference due to the absence of an explicit likelihood function in the Cellular Potts model, which precludes the use of traditional Bayesian techniques such as Markov chain Monte Carlo. The study systematically evaluated four simulation-based inference strategies using synthetic data with known ground truth: (i) approximate Bayesian computation sequential Monte Carlo (ABC-SMC) with hand-crafted summary statistics (normalized displacement, velocity, turning angle, and angle degree); (ii) ABC utilizing a neural network as a feature extractor for posterior mean prediction (ABC-PM); (iii) ABC with summaries specifically designed for inference (ABC-NPE); and (iv) NPE with jointly trained summary networks.
The authors subsequently applied their inference pipeline to calibrate the model against experimentally tracked DC trajectories in response to chemotactic stimulation within a microstructured polydimethylsiloxane (PDMS) pillar array. This calibration provided valuable mechanistic insights into the interplay between chemical signals and spatial barriers in guiding immune cell navigation, highlighting the importance of both factors in the migration process.
Discussion
The research presents an integrative modeling and inference pipeline for analyzing dendritic cell (DC) migration using a 2D Cellular Potts model that incorporates chemotactic signaling and persistent random motion. This model employs a lattice-based stochastic framework, allowing for realistic cell shape simulations and deformations. Key parameters influencing migration patterns include chemokine attraction strength ($m_{\text{dir}}$), intrinsic random motion strength ($m_{\text{rand}}$), waiting-time distribution rate ($\lambda$), and target area ($a$). The study establishes a simulation-based inference pipeline utilizing various methods, including approximate Bayesian computation (ABC) and neural posterior estimation (NPE), to estimate these parameters from experimental data. The findings indicate that NPE outperforms traditional ABC methods in terms of accuracy and efficiency, particularly in capturing the dynamics of cell migration in complex environments.
The results from in silico studies demonstrate that NPE provides superior parameter recovery compared to ABC, especially when dealing with the intricacies of cell movement influenced by chemokine gradients and physical barriers. The study reveals that persistent cell motion significantly affects migration dynamics, with temporally modulated chemokine cues facilitating dispersal in environments with obstacles. Furthermore, the research highlights the importance of using inference-tailored summaries, which adapt to the data and enhance parameter estimation, over traditional hand-crafted summaries that may lack the necessary expressiveness for reliable inference. Overall, this work lays a foundation for future studies to explore cell behavior in more complex and realistic microenvironments, advancing our understanding of cellular dynamics in physiological and pathological contexts.