Warum kleine Bewegungen große Geheimnisse verraten können
Von umherstreifenden Bakterien bis zu wandernden Zellen in unserem Körper: Lebewesen bewegen sich selten exakt gleich. Jede Individuum hat eigene Eigenheiten, doch Experimente erfassen oft nur kurze, verrauschte Ausschnitte ihrer Bewegung. Diese Studie zeigt, wie sich solche fragmentierten Bahnen in ein klares Bild der tatsächlichen Diversität einer Population verwandeln lassen, mit einem statistischen Werkzeug, das auch dann funktioniert, wenn die Bewegung zufällig erscheint und nur Positionen, nicht Geschwindigkeiten, aufgezeichnet werden.
Viele winzige Reisende beobachten
Moderne Mikroskope und Kameras können Schwärme von Zellen, Mikroorganismen oder anderen „aktiven Partikeln“ verfolgen, während sie kriechen, schwimmen oder gleiten. Praktisch verschwindet jedoch oft jedes einzelne Teilchen nach kurzer Zeit aus dem Sichtfeld oder wird von Nachbarn verdeckt. Statt einiger langer Filme desselben Individuums erhalten Forschende viele kurze Bahnen vieler verschiedener Partikel. Hinzu kommt, dass sich selbst genetisch identische Mikroben oder Zellen nicht identisch verhalten: Einige sind hartnäckiger, andere sprunghafter, wieder andere reagieren unterschiedlich auf ihre Umgebung. Diese Individualität zu ignorieren kann zu irreführenden Schlüssen über das Verhalten der gesamten Gruppe führen.
Von zufälligen Bahnen zu verborgenen Regeln Figure 1. Viele unterschiedliche sich bewegende Partikel liefern kurze Bahnen, die ein zugrundeliegendes Muster an Vielfalt in ihrer Bewegung offenbaren.
Um solche Bewegungen zu verstehen, beschreiben Forschende sie oft mit „Langevin“-Modellen: mathematischen Regeln, die Bewegung als Kombination aus regulären Trends und zufälligen Stößen behandeln. Für viele aktive Systeme reicht es nicht, nur Positionsänderungen zu betrachten, weil die zugrundeliegenden Geschwindigkeiten zeitlich schwanken und der Bewegung Gedächtnis verleihen. Dadurch werden die beobachteten Positionen nicht-markowsch, das heißt der nächste Schritt hängt von mehr als nur dem aktuellen ab. Standardansätze, die Modellparameter aus Schritt-zu-Schritt-Änderungen schätzen, können dann verzerrt werden, besonders wenn nur Positionen gemessen und wahre Geschwindigkeiten verborgen bleiben. Die Autor:innen zeigen, dass naive Methoden systematisch wichtige Größen wie die Richtungswechselrate oder die Stärke der zufälligen Stöße falsch abschätzen können.
Eine klügere Art, verrauschte Daten zu lesen
Kernpunkt der Arbeit ist eine neue Methode, um zu approximieren, wie wahrscheinlich ein gegebener Parametersatz ist, gegeben eine aufgezeichnete Trajektorie. Anstatt so zu tun, als verhalten sich grobe, mit endlichen Differenzen berechnete Geschwindigkeiten wie wahre momentane Geschwindigkeiten, berücksichtigt die Methode sorgfältig, dass beobachtete Bewegung über kurze Zeitfenster geglättet wurde. Mathematisch führt das zu einer Beschreibung, in der diese „Sekanten-Geschwindigkeiten" von gefärbtem Rauschen mit spezifischen kurzreichweitigen Korrelationen getrieben werden. Indem diese Korrelationen in einer kompakten Matrix mit einfacher Struktur erfasst werden, leiten die Autor:innen eine Likelihood-Formel her, die schnell ausgewertet werden kann, selbst für lange Bahnen mit vielen Datenpunkten.
Vom Individuum zur Population zoomen Figure 2. Kurze verrauschte Trajektorien fügen sich zu einem schärferen Populationsprofil zusammen, indem alle möglichen Bewegungsparameter nach ihrer Likelihood gewichtet werden.
Sobald sich ausdrücken lässt, wie wahrscheinlich eine einzelne Bahn für einen Parametersatz ist, gehen die Autor:innen einen Schritt weiter und lassen diese Parameter von Partikel zu Partikel variieren. Sie behandeln die gesamte Population als Stichprobe aus einer unbekannten Verteilung und fragen, welche Verteilung alle beobachteten Bahnen am besten erklärt. Zur Lösung verwenden sie ein Expectation–Maximization-Schema, das abwechselt zwischen der Abschätzung, wie wahrscheinlich verschiedene Parameterwerte für jede Trajektorie sind, und der Aktualisierung der Gesamtverteilung der Population. Dieser „vollständige Likelihood“-Ansatz übertrifft einfachere Zwei-Schritt-Methoden, die zuerst jede Bahn einzeln anpassen und dann eine Verteilung an diese Punktschätzungen anpassen — insbesondere wenn Trajektorien kurz sind und die Unsicherheit für jedes Individuum groß ist.
Wissen, wie sicher wir sind
Über die Bereitstellung einer Best-Fit-Abbildung der Populationsvariabilität hinaus bietet das Rahmenwerk auch eine Möglichkeit, die Unsicherheit dieser Abbildung zu quantifizieren. Indem die Schärfe der Likelihood um ihr Maximum untersucht wird, berechnen die Autor:innen eine Hessische Matrix, deren Inverse die erwartete Streuung der inferierten Populationsparameter über wiederholte Experimente abschätzt. Das liefert Konfidenzbereiche, die zeigen, wie stark die inferierte Verteilung aufgrund endlicher Daten verschoben sein könnte. Tests an simulierten Daten, einschließlich Modellen aktiver Partikel mit bevorzugten Geschwindigkeiten und Rotationsneigungen, zeigen, dass die Methode die vorgegebene Heterogenität zuverlässig zurückgewinnt, wenn die Abtastung feiner wird und die Trajektorien länger.
Was das für das Studium lebender Bewegung bedeutet
In einfachen Worten präsentiert der Artikel ein Rezept, um zwei Quellen von Zufälligkeit in Bewegungsdaten auseinanderzuhalten: die zufälligen Schwankungen jedes Individuums über die Zeit und die echten Unterschiede zwischen Individuen einer Population. Durch korrektes Handhaben kurzer, nur positionsbasierter Bahnen und der dahinter verborgenen Geschwindigkeiten liefert die Methode ein klareres, ehrlicheres Bild davon, wie vielfältig eine Gruppe bewegter Partikel oder Zellen wirklich ist und wie sicher diese Einschätzung ist. Das ebnet den Weg für detailliertere, datengetriebene Modelle komplexer motiler Systeme, von migrierenden Zellen im Gewebe bis zu selbstangetriebenen Partikeln in konstruierten Materialien.
Zitation: Albrecht, J., Opper, M. & Großmann, R. A Likelihood Approach for Inference of Population Heterogeneity in Particle Ensembles with Second-Order Langevin Dynamics.
Commun Phys9, 165 (2026). https://doi.org/10.1038/s42005-026-02670-z
