基于模拟的复杂空间环境中细胞迁移动力学推断

免疫细胞如何在拥挤组织中找到道路

我们的免疫细胞常常需要挤过致密、迷宫般的组织才能到达感染部位或淋巴结。这项研究提出一个看似简单但影响深远的问题：这些细胞如何在如此拥挤的环境中导航？以及我们如何从嘈杂的显微镜数据中可靠地推断它们的行为？作者通过将精确设计的实验室“迷宫”与先进的计算机模拟和现代机器学习工具相结合，展示了一种解码复杂环境中细胞运动规则的新方法。

为免疫细胞构建微小迷宫

为了探究环境如何塑造运动，研究者把注意力集中在树突状细胞上——这些免疫哨兵必须从外周组织迁移到淋巴结，受称为趋化因子的化学引力引导。他们制造了一个微加工芯片：由硅胶橡胶（PDMS）制作的规则排列柱子构成的平坦“柱状森林”，柱间间隙为窄窄的10微米，模拟真实组织中的狭小空间。芯片一侧装有数以万计的树突状细胞；另一侧放置了趋化因子CCL19的源，形成横跨柱阵的稳定梯度。利用时间流逝显微镜，他们每30秒追踪一次单个细胞的细胞核，记录这些细胞试图向趋化因子源移动的过程。

把生物学变成虚拟实验

为了解释这种多样性，团队构建了一个详细的细胞迁移计算模型，采用了一种被称为细胞波茨模型（Cellular Potts model）的框架。该方法不将细胞视为简单点，而是在网格上把每个细胞表示为一个延展的补丁，使其能改变形状、在柱间挤压以及响应化学信号。模型包含四个关键要素：细胞被趋化梯度拉动的强度（mdir）、细胞在当前运动方向上的持久性（mrand）、细胞重新定向的频率（用速率λ表示）和其有效大小（a）。通过调整这些参数并运行模拟，模型产生的合成轨迹可以与柱状森林中记录到的细胞路径直接比较。

为何人工挑选的测量不足以说明问题

传统上，研究者用若干熟悉的统计量来概括此类运动数据——细胞移动了多远（位移）、移动速度如何（速度）以及其方向随时间如何改变（转角）。作者首先在一种称为近似贝叶斯计算（ABC）的方法中使用了这些人工设计的度量，ABC搜索能使模拟轨迹与实验轨迹相似的参数集合。他们发现，尽管这些摘要捕捉到总体趋势，但遗漏了数据中大量细粒度结构。因此，某些模型参数，尤其是控制随机持久性和重新定向时机的参数，仍然约束得很差甚至存在偏差。此外，ABC为达到可接受拟合需要数十万次模拟和数小时的计算时间。

让神经网络学习什么是重要的

为克服这些局限，研究转向了一类较新的方法，称为神经后验估计（NPE）。在这里，神经网络直接在大量模拟数据与其对应参数的配对上进行训练。网络的一部分自动从整组细胞轨迹中学习其自身紧凑的“摘要特征”；另一部分学习这些特征如何映射回可能的参数值。关键在于，这些学到的特征是为了精确参数推断而被显式优化的，而非为了便于人类解释。作者随后在ABC框架中重用这些学得的摘要，创建了一个将ABC的稳健性与神经网络灵活性相结合的混合流程。

新方法揭示的细胞导航机制

借助校准后的模型，研究者探讨了趋化信号与物理障碍如何共同影响迁移。推断出的细胞大小表明树突状细胞能够有效缩小并变形以通过10微米的间隙，这与其已知的柔韧性一致。模拟显示，即使没有趋化因子的引导，持久的随机运动也是细胞扩散范围的重要驱动因素；当强方向性提示与高持久性共同作用时，柱状森林也可能困住细胞。令人意外的是，模型预测短时间早期激活的趋化信号在某些情况下能比恒定信号帮助更多细胞到达目标，因为持续的吸引可能使细胞在障碍物中绕圈而难以逃脱。

这对生物学和建模意味着什么

对非专业读者而言，核心信息有两点。首先，组织中的免疫细胞迁移不仅仅是跟随化学痕迹；它源于引导信号、细胞自身的运动倾向与周围物理布局之间的微妙相互作用。其次，从成像数据中提取这些规则需要让计算机学习哪些数据模式最具信息量，而不是仅依赖简单的人工设计测量。通过整合微工程实验、具形状解析能力的模拟和基于神经网络的推断，这项工作为研究多种细胞类型如何穿越复杂环境提供了一个强有力的范式，具有从理解免疫监视到设计更好抗癌疗法等潜在应用前景。

引用: Arruda, J., Alamoudi, E., Mueller, R. et al. Simulation-based inference of cell migration dynamics in complex spatial environments. npj Syst Biol Appl 12, 20 (2026). https://doi.org/10.1038/s41540-026-00648-9

关键词: 细胞迁移, 树突状细胞, 趋化因子梯度, 基于模拟的推断, 微流体柱状森林