几何细胞分裂规则的深度学习

细胞分裂过程中新细胞壁的位置对于塑造植物组织结构起着关键作用。细胞几何对分裂平面位置的影响曾被各种几何规则所捕捉。因此，链接细胞几何与分裂取向的工作依赖于将观察到的分裂模式与特定规则下的预测进行比较。基于假设驱动方法定义所测试规则的先天限制是其根本性的局限。作为一种替代方案，我们引入一种基于数据的方法来探讨细胞几何与分裂平面位置之间的关系，利用深度神经网络在多维空间中学习复杂关系的能力。采用基于图像的细胞表示，我们展示了如何使用修改后的UNet架构在细胞掩模上操作来学习和预测分裂模式。我们使用合成数据和Arabidopsis thaliana胚胎细胞，评估了该模型在广泛的多样细胞形状和分裂模式上的性能。我们发现，训练后的模型解释了以前在现有几何规则下难以解释的胚胎分裂模式。我们的工作表明，深度神经网络有望理解细胞分裂模式，并生成关于细胞分裂位置控制的新假设。