Från kringströvande bakterier till vandrare bland kroppens celler rör sig levande organismer sällan på exakt samma sätt. Varje individ har sina egenheter, men experiment fångar ofta bara korta, brusiga utdrag av deras rörelse. Denna studie visar hur man kan omvandla sådana fragmenterade spår till en tydlig bild av hur varierad en population egentligen är, med ett statistiskt verktyg som fungerar även när rörelsen ser slumpmässig ut och endast positioner — inte hastigheter — registreras.
Att följa många små resenärer
Moderna mikroskop och kameror kan följa stim av celler, mikroorganismer eller andra ”aktiva partiklar” när de kryper, simmar eller glider. I praktiken kan dock varje cell försvinna ur sikte efter kort tid eftersom den lämnar synfältet eller täcks av grannar. Istället för några få långa filmer av samma individ får forskare många korta spår från många olika partiklar. Dessutom rör sig inte ens genetiskt identiska mikrober eller celler likadant: vissa är mer ihärdiga, andra mer oberäkneliga, och vissa reagerar olika på omgivningen. Att ignorera denna individualitet kan leda till missvisande slutsatser om hur hela gruppen beter sig.
Från slumpmässiga spår till dolda regler Figure 1. Många olika rörliga partiklar ger korta spår som avslöjar ett underliggande mönster av mångfald i deras rörelse.
För att förstå sådan rörelse beskriver forskare ofta den med ”Langevin”-modeller: matematiska regler som behandlar rörelse som en kombination av ordnade trender och slumpmässiga ryck. För många aktiva system räcker det inte att bara titta på positionsförändringar, eftersom underliggande hastigheter fluktuerar i tiden och inför minne i rörelsen. Det gör de observerade positionerna icke-Markovska, vilket betyder att nästa steg beror på mer än bara det nuvarande. Standardmetoder som uppskattar modellparametrar från steg-till-steg ändringar kan då bli snedvridna, särskilt när endast positioner mäts och de verkliga hastigheterna förblir dolda. Författarna visar att naiva metoder systematiskt kan felbedöma viktiga storheter som hur snabbt partiklar byter riktning eller hur starka de slumpmässiga rycken är.
En smartare metod för att läsa brusiga data
Kärnan i artikeln är ett nytt sätt att approximera hur sannolikt ett givet parameteruppsättning är, givet en inspelad bana. Istället för att låtsas att grova, finita-differenshastigheter beter sig som sanna momentana hastigheter tar metoden noggrant hänsyn till att den observerade rörelsen har jämnats ut över korta tidsfönster. Matematiskt leder detta till en beskrivning där dessa ”sekant-hastigheter” drivs av färgat brus med specifika kortsiktiga korrelationer. Genom att fånga dessa korrelationer i en kompakt matris med enkel struktur härleder författarna en sannolikhetsformel som kan utvärderas snabbt, även för långa spår med många datapunkter.
Från individer till populationer Figure 2. Korta brusiga banor kombineras till en tydligare populationsprofil genom att väga alla möjliga rörelseparametrar efter deras sannolikhet.
När de kan skriva ner hur sannolikt ett enskilt spår är för en given uppsättning parametrar går författarna ett steg längre och låter dessa parametrar variera från partikel till partikel. De behandlar hela populationen som utdragen ur en okänd fördelning och frågar sedan vilken fördelning som bäst förklarar alla observerade spår samtidigt. För att lösa detta använder de ett expectation–maximeringschema som alternerar mellan att uppskatta hur sannolika olika parametervärden är för varje bana och att uppdatera den övergripande populationsfördelningen. Detta ”fulla sannolikhets” tillvägagångssätt överträffar enklare tvåstegsmetoder som först passar varje spår separat och sedan passar en fördelning till dessa punktuppskattningar, särskilt när banorna är korta och osäkerheten om varje individ är stor.
Att veta hur säkra vi är
Utöver att ge en bästa-passa bild av populationsvariabilitet erbjuder ramen också ett sätt att kvantifiera hur osäker den bilden är. Genom att undersöka hur skarpt sannolikheten toppar kring sitt maximum beräknar författarna en Hessianmatris vars invers uppskattar den förväntade spridningen av de härledda populationsparametrarna över upprepade experiment. Detta ger konfidensregioner som visar hur mycket den härledda fördelningen kan förskjutas på grund av begränsade data. Tester på simulerade data, inklusive modeller av aktiva partiklar med föredragna hastigheter och rotationsbeteenden, visar att metoden pålitligt återfinner den pålagda heterogeniteten när sampelstorleken ökar och banorna blir längre.
Vad detta betyder för studiet av levande rörelser
I enkla termer presenterar artikeln ett recept för att skilja mellan två källor till slump i rörelsedata: de slumpmässiga skakningarna hos varje individ över tid och de verkliga skillnaderna mellan individer i en population. Genom att korrekt hantera korta, positionsenliga spår och de dolda hastigheterna bakom dem ger metoden en klarare, ärligare bild av hur varierad en grupp rörliga partiklar eller celler verkligen är, och hur säker man kan vara på den bilden. Detta banar väg för mer detaljerade, datadrivna modeller av komplexa motila system, från migrerande celler i vävnader till självpådrivna partiklar i konstruerade material.
Citering: 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
Nyckelord: aktiv materia, cellmotilitet, stokastisk modellering, populationsheterogenitet, bananalys
