利用力学和机器学习建模膜曲率生成
摘要：细胞膜的变形调节了细胞跨膜过程，如胞吐和内吞。经典地，Helfrich连续体模型被用来描述细胞调节膜形变的力和机械参数。虽然这个经典模型有效地捕捉到了曲率生成，但在模拟生物过程时，其中一个核心挑战是在大量合理值中选择一组机械参数（包括弯曲模量和膜张力）。我们使用Helfrich模型从真实机械参数的随机采样生成了一个大规模的合成数据集，并利用这个数据集训练了机器学习模型。这些模型产生了令人满意的结果，能够准确地分类模型行为并根据机械参数预测膜形状。我们还注意到，机器学习中出现的新方法可以利用Helfrich模型的物理洞见来提高性能，并对细胞如何控制膜形变产生更多的洞见。
作者：Sage Malingen and Padmini Rangamani
论文ID：2206.05307
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2022-06-14