CellFIT: A Cellular Force-Inference Toolkit Using Curvilinear Cell Boundaries
Notice bibliographique
Résumé
Mechanical forces play a key role in a wide range of biological processes, from embryogenesis to cancer metastasis, and there is considerable interest in the intuitive question, "Can cellular forces be inferred from cell shapes?" Although several groups have posited affirmative answers to this stimulating question, nagging issues remained regarding equation structure, solution uniqueness and noise sensitivity. Here we show that the mechanical and mathematical factors behind these issues can be resolved by using curved cell edges rather than straight ones. We present a new package of force-inference equations and assessment tools and denote this new package CellFIT, the Cellular Force Inference Toolkit. In this approach, cells in an image are segmented and equilibrium equations are constructed for each triple junction based solely on edge tensions and the limiting angles at which edges approach each junction. The resulting system of tension equations is generally overdetermined. As a result, solutions can be obtained even when a modest number of edges need to be removed from the analysis due to short length, poor definition, image clarity or other factors. Solving these equations yields a set of relative edge tensions whose scaling must be determined from data external to the image. In cases where intracellular pressures are also of interest, Laplace equations are constructed to relate the edge tensions, curvatures and cellular pressure differences. That system is also generally overdetermined and its solution yields a set of pressures whose offset requires reference to the surrounding medium, an open wound, or information external to the image. We show that condition numbers, residual analyses and standard errors can provide confidence information about the inferred forces and pressures. Application of CellFIT to several live and fixed biological tissues reveals considerable force variability within a cell population, significant differences between populations and elevated tensions along heterotypic boundaries.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».