מבקטריות נודדות ועד תאים מסתובבים בגופנו—יצורים חיים נעשים לעיתים נדירות באותו אופן בדיוק. לכל פרט יש את הנטיות שלו, אך ניסויים בדרך כלל תופסים רק קטעים קצרים ורועשים של תנועתם. המחקר הזה מראה איך להפוך מסלולים מפורקים כאלה לתמונה ברורה של עד כמה אוכלוסייה באמת מגוונת, באמצעות כלי סטטיסטי שעובד גם כאשר התנועה נראית אקראית והרשומות כוללות רק מיקומים, לא מהירויות.
צפייה בהרבה נוסעים זעירים
מיקרוסקופים מודרניים ומצלמות יכולים לעקוב אחרי נהרות של תאים, מיקרואורגניזמים או חלקיקים "פעילים" אחרים כשהם זוחלים, שוחים או מחליקים. בפועל, עם זאת, כל תא עלול להיעלם מהשדה החזיתי לאחר זמן קצר כי הוא יוצא מהשדה או נחסם על ידי שכנים. במקום כמה סרטים ארוכים של אותו פרט, המדענים מקבלים מסלולים רבים וקצרים ממספר גדול של חלקיקים. בנוסף, גם מיקרובים או תאים זהים מבחינה גנטית לא תמיד נעים באותה הצורה: חלקם שומרים כיוון יותר, חלקם מתנהגים באופן יותר אקראי, וחלקם מגיבים שונה לסביבה. התעלמות מהאינדיבידואליות הזו עלולה להוביל למסקנות מטעות לגבי התנהגות הקבוצה כולה.
ממסלולים אקראיים לחוקים נסתרים Figure 1. חלקיקים נעים רבים מספקים מסלולים קצרים החושפים דפוס יסודי של שונות בתנועתם.
כדי להבין תנועה כזו, חוקרים מתארים אותה לעתים קרובות באמצעות מודלים מסוג "לאנגביו": חוקים מתמטיים המטפלים בתנועה כשילוב של טרנדים סדירים ובעטות אקראיות. עבור מערכות פעילות רבות, לא מספיק להסתכל רק על שינויי המיקום, כיוון שהמהירויות הבסיסיות מתנדנדות בזמן ומעבירות זיכרון לתנועה. הדבר גורם לכך שהמיקומים הנצפים אינם מרקוביים, כלומר הצעד הבא תלוי ביותר מהצעד הנוכחי בלבד. שיטות סטנדרטיות שמעריכות פרמטרי מודל משינוי צעד-צעד עלולות להטות את התוצאות, במיוחד כשמדודים רק מיקומים והמהירויות האמיתיות נותרות מוסוות. המחברים מראים ששיטות תבולניות עשויות לשגות באופן שיטתי בהערכת כמויות מפתח, כגון כמה מהר חלקיקים משנים כיוון או כמה חזקות הבעטות האקראיות.
דרך חכמה יותר לקרוא נתונים רועשים
הליבה של המאמר היא שיטה חדשה לאפיון כמה סבירים פרמטרי מודל נתונים נתון של מסלול מוקלט. במקום להעמיד פנים שמהירויות מחושבות בגזירה קדמית פועלות כמו מהירויות אינטנטניות אמיתיות, השיטה מתחשבת בקפדנות בכך שהתנועה שנצפתה הוצללה על גבי חלונות זמן קצרים. מבחינה מתמטית, הדבר מוביל לתיאור שבו ה"מהירויות הסקלניות" האלו מונעות על ידי רעש בצבע מסוים עם קורלציות קצרות טווח. על ידי לכידת הקורלציות האלה במטריצה קומפקטית עם מבנה פשוט, המחברים גוזרים נוסחת הסתברות שניתן להעריכו במהירות, אפילו עבור מסלולים ארוכים עם נקודות רבות של נתונים.
התבוננות מהפרט אל האוכלוסייה Figure 2. מסלולים קצרים ורועשים מצטברים לפרופיל אוכלוסייה חד יותר על ידי שקלול כל פרמטרי התנועה האפשריים לפי הסבירות שלהם.
לאחר שהם יכולים לרשום עד כמה כל מסלול הוא סביר עבור ערכי פרמטרים נתונים, המחברים לוקחים צעד נוסף ומאפשרים לפרמטרים אלה להשתנות מפרט לפרט. הם מתייחסים לכל האוכלוסייה כמצטברת מתוך התפלגות לא ידועה ואז שואלים איזו התפלגות מסבירה בצורה הטובה ביותר את כל המסלולים הנצפים יחד. כדי לפתור את זה הם משתמשים בסכימת ציפייה–מקסימיזציה, הנעה בין הערכת ההסתברויות של ערכי פרמטר שונים לכל מסלול ועד לעדכון התפלגות האוכלוסייה הכוללת. גישת "ההסתברות המלאה" הזו עדיפה על שיטות פשוטות בשני שלבים שממותחות תחילה כל מסלול בנפרד ואז מתאימות התפלגות להערכות הנקודתיות האלה, במיוחד כשמסלולים קצרים וחוסר הוודאות לגבי כל פרט גבוה.
לדעת כמה בטוחים אנחנו
מעבר להצעת תמונה מיטבית של שונות האוכלוסייה, המסגרת גם מציעה דרך לכמת עד כמה תמונה זו לא ודאית. על ידי בחינת כמה חדה ההסתברות סביב המקסימום שלה, המחברים מחשבים מטריצת הססיאן שההופכיתה מעריכה את הפיזור הצפוי של פרמטרי האוכלוסייה המוסקות בחזרות ניסוייות. זה מניב אזורי אמון שמראים עד כמה ההתפלגות המוסקת עשויה להשתנות עקב כמות נתונים סופית. מבחני סימולציה, כולל מודלים של חלקיקים פעילים עם מהירויות מועדפות ונטיות סיבוביות, מראים שהשיטה משחזרת באופן אמין את ההטרוגניות המוטלת ככל שהדגימה נעשית צפופה יותר והמסלולים ארוכים יותר.
מה המשמעות לזה לחקר תנועה חיה
במלים פשוטות, המאמר מציג מתכון להפרדה בין שתי מקורות אקראיות בנתוני תנועה: התנודות האקראיות של כל פרט לאורך הזמן והשונויות הממשיות בין פרטים באוכלוסייה. על ידי טיפול נכון במסלולים קצרים שמכילים רק מיקומים ובמהירויות החבויות מאחוריהם, השיטה נותנת תמונה ברורה וכנה יותר של כמה מגוונת קבוצה של חלקיקים או תאים נעים באמת, וכמה בטוחים אנו בתמונה זו. זה פותח דרך למודלים מונחי-נתונים מפורטים יותר של מערכות מוטיליות מורכבות, מתאים נודדים ברקמות ועד חלקיקים נעים בעצמם בחומרים מהונדסים.
ציטוט: 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
מילות מפתח: חומר פעיל, ניידות תאים, מיצוי סטוכסטי, הטרוגניות אוכלוסייה, ניתוח מסלולים
