利用生物组织模型中的信息量化局部结构与细胞重排之间的联系

机器学习技术已被用于量化无序玻璃形成材料中局部结构特征与局部动力学活动变化之间的关系。迄今这些方法已应用于一系列标准（Arrhenius 与超 Arrhenius）玻璃形成体，其中关于“软点”的工作表明构型的线性振动响应与非线性形变能垒之间存在联系。此处我们研究 Voronoi 模型，其受致密上皮单层的启发，并展现出随温度降低其动力学弛豫时间的反常、亚 Arrhenius 标度行为。尽管存在这些差异，我们发现重排的可能性在该模型组织中可变化数个数量级，并提取出一个局部结构量“软度（softness）”，其准确预测了弛豫时间的温度依赖关系。我们使用信息论度量来量化软度决定即将发生的拓扑重排的程度；我们发现软度捕获了可从结构获得的关于重排的几乎全部信息，且该信息在模型的固态相中较大，并随状态变量变化进入流态相时而迅速减小。