基于时序注意力理解细胞命运决策

理解细胞命运的非基因学决定因素对于开发和改进癌症治疗至关重要，因为在相同的治疗条件下，遗传上相同细胞也可能表现出不同的结果。在本工作中，我们提出了一种用于从癌症细胞群体在化疗治疗下的长期活细胞记录中预测细胞命运的深度学习方法。我们的 Transformer 模型直接从原始图像序列中预测细胞命运，不依赖于预先定义的形态学或分子特征。除了分类任务，我们还引入了一套全面的可解释性框架，用于解释指导模型预测的时序和形态学线索。我们演示了仅凭视频即可预测细胞结果，模型在平衡准确率达到 0.94，F1 分数达到 0.93。注意力和掩码实验进一步表明，细胞命运的预测信号并不唯一地位于细胞轨迹的最末帧中，因为在事件发生前10小时即可进行可靠预测。我们的分析揭示了预测信息在细胞分裂和凋亡序列中的不同的时序分布，以及细胞形态和 p53 信号在决定细胞结果方面的作用。总体而言，这些发现表明注意力驱动的时序模型能够实现准确的细胞命运预测，同时为理解细胞决策中非基因学决定因素提供了可解释的生物学见解。代码已在 https://github.com/bozeklab/Cell-Fate-Prediction 上提供。