几何深度学习揭示微观运动的时空特征

对生命系统中动力学过程的刻画为其机制解释及与生物功能的联系提供了重要线索。得益于显微技术的最新进展，如今已能够在生理条件下常规记录细胞、细胞器及单个分子在多个时空尺度上的运动。然而，在拥挤且复杂环境中发生的动力学过程的自动分析仍滞后于显微图像序列的获取。在此，我们提出一种基于几何深度学习的框架，可在多种与生物学相关的场景中实现动力学性质的准确估计。该深度学习方法依赖于一个由注意力组件增强的图神经网络。通过处理带有几何先验的目标特征，该网络能够执行多项任务，从将坐标连接为轨迹到推断局部与全局动力学性质。我们通过将其应用于对应广泛生物实验的真实与模拟数据，展示了该方法的灵活性与可靠性。