在胚胎发育过程中，细胞呈现出复杂的形式和功能。细胞群产生模式，赋予生物组织形式、功能和完整性。这是一个复杂的过程，目前还没有被很好地理解。

由罗一民教授领导的一项新研究提出了新方法，可以更清楚地了解细胞动态，这可以更好地了解许多发育过程以及癌细胞如何侵入组织。结果发表在《PRX Life》上。

细胞是活性物质的一种形式，即一个由彼此相互作用并消耗周围环境能量的个体组成的系统，但它们共同形成了一个更大的结构。这一类别包括广泛的生物系统，例如鸟群、鱼群、单层细胞、细菌菌落等，所有这些都表现出有趣的现象。

但不同的活性物质系统的行为方式存在很大差异。事物越小，它们就越神秘。与鸟群或鱼群不同，预测细胞的模式要困难得多。虽然鸟群的模式可以清楚地描绘出来，但细胞的轨迹很容易因其环境中的力量而变得模糊。

“当物体变得更小时，它们会受到更多的随机波动，”机械工程和材料科学助理教授罗说。“当你试图识别细胞运动时，通常会在显微镜下进行。这些相互作用非常复杂，因为细胞会变形，然后与其他细胞发生生化相互作用，并且它们移动非常缓慢。”

这只是一个并发症。另一个是罗的实验室正在观察和成像的细胞的绝对数量。

“大多数人想象的大概有几百个，而我们却有几千个，”她说。“因此，第二个诅咒和祝福是，如果你有大量的观察，你可以以某种方式抵消观察中的不确定性。从技术上讲，你观察的越多，你就越能将信号与噪声隔离开来。”

但罗说，用非常大的数据集来校准你的模型是非常困难的。

统来搜索邻居。为了找到目标小区 i(红色圆圈)的邻居，将搜索半径为 r 的小区。通过仅搜索连接到 i 所在正方形单元的相邻正方形，简化了计算过程。该工作流程通过模拟生成各种物理参数，以与实验计算的数量进行比较。

细胞主要在达到非常高的密度时排列形成组织。为了准确地对此进行建模，研究人员需要考虑细胞间的相互作用以及周围环境的影响。为此，罗和她的团队开发了一种混合程序，将统计学习方法与基于物理的模型相结合。结果是一种更有效的方法，避免通过模拟测试所有功能组合。

“我们提出了这种方法，使用数据驱动的方式来选择称为探索性数据分析(EDA)的功能，”她说，并补充说该过程已经使用了几十年。“通过 EDA，您可以处理数据以查看它告诉您什么，然后尝试将其实现到模型中。”

通过计算包括细胞行为的关键特征，例如某些波动和特定类型的细胞间相互作用，研究人员可以更准确地校准其基于物理的模型。此外，他们开发的用于自动化模型构建和校准的计算工具可以应用于其他活性物质系统。

“这是一个非常通用的框架，”她说。“这种方法比基于物理的模型更灵活，但比纯粹的数据驱动方法更合理且劳动力密集度更低。”