跳转至

第 10 章 用亚细胞元模型模拟多细胞结构（Modeling Multicellular Structures Using the Subcellular Element Model）

作者

Timothy J. Newman，本章独立作者。时任美国 University of Dundee（邓迪大学，与编者同一所大学）数学系，后转至 Arizona State University（亚利桑那州立大学）生命科学学院。本章是他对"亚细胞元模型"（Subcellular Element Model, SEM）的首次系统化论述——一种"用大量亚细胞元素构造细胞形状"的范式。

内容概述

本章提出一个大胆的方法论选择：不要参数化细胞形状，让形状从模型动力学中涌现。核心思想是：把每个细胞分解为 \(N\) 个"亚细胞元素"（subcellular elements），每个元素是一个粗粒化的"细胞骨架区域"。元素之间通过两阶段势能（短程排斥 + 短程吸引）连接——同一细胞的元素强连接形成细胞；不同细胞的元素弱连接形成粘附。

SEM 的关键设计原则：

  1. 涌现的细胞形状动力学（emergent cell shape dynamics）。
  2. 无缝多尺度可扩展性（seamless multiscalability）——一个细胞用 10⁵ 个元素到 1 个元素都可以。
  3. 简单的底层力学（simple underlying mechanics）——Langevin 方程。
  4. 完全三维。
  5. 灵活的细胞生物学扩展。

章节结构：

  1. Introduction（pp. 221–223）：为什么需要"自适应细胞形状"——convergence and extension、神经元、纤维状细胞。
  2. Mathematical Model（pp. 223–225）：Langevin 方程 + 元素间势能 + 元素间对势（高斯差分）。
  3. Applications（pp. 225+）：单细胞平衡 → ~1000 个细胞的生长集群。
  4. Discussion（pp. 235+）：与 CPM、椭球模型、Palsson-Othmer、Rejniak 浸没边界法的对比。

读者前置知识：本科 Langevin 方程、统计力学（高斯势能）、CPM/GGH 基础（Ch 4-7）。

核心方程与概念

1. SEM 的核心：Langevin 方程

每个元素 \(\alpha_i\)（属于细胞 \(i\)）的位置 \(\mathbf{y}_{\alpha_i}\) 满足过阻尼 Langevin 方程： $$ \gamma \frac{d\mathbf{y}{\alpha_i}}{dt} = -\nabla} \sum_\beta V_{\text{intra}}(|\mathbf{y{\alpha_i} - \mathbf{y}\beta|) - \nabla_{\alpha_i} \sum_{\gamma \in \text{near cells}} V_{\text{inter}}(|\mathbf{y}{\alpha_i} - \mathbf{y}\gamma|) + \mathbf{\eta}_{\alpha_i}(t) $$ 其中 \(\gamma\) 是摩擦系数，\(\mathbf{\eta}\) 是高斯白噪声（满足 \(\langle \eta_m(t) \eta_n(t') \rangle = 2D \delta_{mn} \delta(t - t')\)）。这是理论方程 (T)。

2. 关键概念：双势能

两种势能： - 细胞内势 \(V_{\text{intra}}\)（强）：把同一细胞的元素紧密绑定。 - 细胞间势 \(V_{\text{inter}}\)（弱）：提供细胞-细胞粘附。

通常用两个高斯函数的差： $$ V(r) = V_0 \exp(-r^2/\epsilon_1^2) - U_0 \exp(-r^2/\epsilon_2^2) $$ - 第一项：短程排斥（体积排除）。 - 第二项：中等程吸引（粘附）。 - 在 \(r \to \infty\) 时 \(V \to 0\)（局域性）。

这与 CPM 的 Hamiltonian 设计哲学不同——SEM 用"对势"（pairwise）而不是"表面能"（surface energy）。好处是计算简单（O(N) 算法 + 链表）；坏处是没有显式的"细胞"概念，只有元素。

3. 关键概念：细胞是元素的"云"

不像 CPM 用一个"cell index"标签标识细胞，SEM 中细胞是"被同一组元素构成的云"。这导致： - 元素数量 \(N\) 决定"细胞形状分辨率"：\(N=1\) 是球，\(N=10\) 是粗糙的椭球，\(N=256\) 是光滑的"近球"，\(N=10^4\) 是高分辨率的"形状可变体"。 - 无缝多尺度：同一个 SEM 框架可以从 \(10^6\) 个细胞（每个 1 元素）到几个细胞（每个 10⁵ 元素）。

4. 元素半径的标度关系

假设 \(N\) 个元素在体积 \(V = (4/3)\pi r_c^3\) 的细胞内密堆积： $$ p_3 \cdot (4/3)\pi r_c^3 = N \cdot (4/3)\pi r_e^3 $$ 其中 \(p_3 = \pi/(3\sqrt{2}) \approx 0.741\) 是 Gauss 密堆积分数。所以 $$ r_e = r_c \cdot (p_3 / N)^{1/3} $$ 这是"细胞大小 → 元素大小"的几何映射。对于 \(r_c = 10\) μm, \(N=256\)：\(r_e \approx 1.4\) μm, 元素间距 \(\approx 2.8\) μm。

5. 单细胞平衡——球形极限

在无噪声时（\(D=0\)），256 元素模拟给出 \(R^2 = (3/5) r_c^2 = 60\) μm²（均匀球）。模拟给出 \(R^2 \approx 57.8\)–\(58.3\) μm²（10 次独立实现），与理论值偏差约 3%——这是因为表面元素"占据更松"（约占 70%）。

6. 表面效应的解析

对 \(N\) 个元素，表面层元素数 \(N_s\) 的比例 \(\sigma = N_s / N\) 满足 $$ p_3 \sigma = p_2^{2/3} \left( 2 - \frac{1}{p_2} \right) $$ 其中 \(p_2 = \pi/(2\sqrt{3}) \approx 0.907\) 是 2D 密堆积分数。对 \(N = 256\)：\(\sigma \approx 70\%\)——这是一个"令人清醒"的事实：即使 256 个元素，70% 都在"表面层"。

7. 内部能量公式

最小能量配置： $$ E_{\min} \approx \Delta V \cdot [9\sigma N + 12(1 - \sigma)N] = \Delta V \cdot N(12 - 3\sigma) $$ 其中 \(\Delta V \sim 0.0063\)（每个相互作用的能量增益）。表面层元素只有 9 个邻居（vs 内部 12 个），导致能量降低。理论值与模拟值在 \(N = 128, 256\) 都吻合。

8. 细胞生长算法

每步：以小概率让"核心元素"做"复制"——在距离 \(r_e\) 处放置一个新元素（若该位置距邻居元素 \(\geq d_{\min}\)）。只允许核心元素复制——表面元素复制会导致"丝状/侵袭性"生长（不适用于大多数组织，但适合神经元、真菌）。

9. 细胞分裂算法

  1. 选择"分裂轴"——沿细胞"长轴"（惯量张量的最大本征向量，或最远元素对连线）。
  2. 沿分裂轴把元素分为两组。
  3. 新建两个细胞，分别继承两组元素。

分裂不模拟有丝分裂的纺锤体细节——只模仿细胞质分裂（cytokinesis）的几何效果。

10. 关键概念：细节与效率的平衡

SEM 的核心优势是"细节可调"——可以从 1 元素（球）到 10⁵ 元素（高分辨率）。对于 \(10^6\) 个元素总预算，模型可以模拟： - \(10^6\) 个细胞（每个 1 元素）— 适合胚胎整体。 - \(10^3\) 个细胞（每个 10³ 元素）— 适合多细胞结构。 - 10 个细胞（每个 10⁵ 元素）— 适合单细胞精细行为。

关键结论

  • 结论 1：SEM 把"细胞形状"从"参数化"变为"涌现"——这是该方法最根本的创新。参数化形状（球、椭球、立方体）无法表达高度非椭球的细胞形状（如神经元、丝状真菌、变形虫）。
  • 结论 2：双势能（短程排斥 + 中程吸引）足以产生"细胞是连贯的 + 细胞间有粘附"的生物物理行为——这一简洁性是 SEM 的最大优势。
  • 结论 3：元素数 \(N\) 是"形状分辨率"的旋钮——\(N = 1\) 退化到球，\(N = 10\) 给出粗糙椭球，\(N = 256\) 给出光滑近球。
  • 结论 4：256 元素细胞模拟的均方半径 \(R^2 \approx 58\) μm² vs 理论值 60 μm²——3% 偏差来自"表面层占 70%"，这反过来给出"细胞内 30% 是真正内部"的直观理解。
  • 结论 5：细胞分裂的"长轴"算法（找最远元素对）是 \(O(N^2)\)——但分裂是稀有事件（与 \(N^2\) 次"局部力学"迭代相比），所以无实际开销。
  • 结论 6：SEM 模拟 1000 个细胞的生长集群是可行的（Fig. 6）——这是该方法在 2007 年的计算能力上限。今天 GPU + 自适应链表可以推到 \(10^4\)–\(10^5\) 元素 × \(10^3\) 细胞。
  • 结论 7：元素尺度（\(r_e \sim 1\) μm）相当于"小片细胞骨架"——这与"actin filament 粗粒化"的物理图景自洽。

挑战和开放性问题

  • 挑战 1：元素间相互作用的物理标定。\(V_0, U_0, \epsilon_1, \epsilon_2\) 是唯象参数——如何从"actin 网络的弹性模量"或"细胞骨架流变学"反推这些参数？ 作者提到这是"正在进行的工作"。
  • 挑战 2：长程相互作用的高效处理。目前 SEM 用链表实现 \(O(N)\) 邻居搜索——但对长程相互作用（如电场、远程信号）需要其他数据结构。
  • 挑战 3：元素数 \(N\) 的自适应。当细胞变形剧烈时，可能需要临时增加 \(N\) 来捕捉细节。但这破坏了"细胞身份"（哪些元素属于哪个细胞）的持久性。
  • 挑战 4：与亚细胞生物化学的接口。每个元素可以携带"内部状态"（如 ATP 浓度、磷酸化水平），但如何与信号转导 ODE（如 Ch 9 的 Tang-Othmer 模型）整合？
  • 挑战 5：与显式粘附分子的整合。当前 \(V_{\text{inter}}\) 是平均的、唯象的。真实的细胞-细胞粘附由 cadherin/integrin 介导，它们的动力学（形成/解离 bond）有具体时间尺度。
  • 挑战 6：力学参数与显微操作的对照。细胞在 AFM（原子力显微镜）单细胞压痕下的响应可以给出 \(E\)、\(\sigma\)——这应当与 SEM 模拟的"压痕实验"做定量对比。
  • 挑战 7：与连续介质力学的接口。当 \(N\) 很大时，SEM 应"渐近"到连续介质模型（如弹性球、粘弹性球）。这一渐近极限的推导尚未完成。
  • 挑战 8：分裂轴的选择。当前算法是"惯量张量最大本征向量"——这忽略了真实的"有丝分裂纺锤体极性"（由细胞骨架和极性蛋白决定）。未来应当把纺锤体动力学纳入 SEM。

个人反思与批判性分析

SEM 是 Ch 4-7（CPM/GGH）和 Ch 8-9（中心基/PIC）之间的方法论桥梁。它放弃了格子（CPM 优势），放弃了 PDE 显式（HDC/PIC 优势）——但换来了"细胞形状自适应"的能力。

几点批判性观察：

  1. "涌现的细胞形状"既是最强优势也是最大风险。作者展示了"形状可以变化"（\(N\) 大时）——但没有给出"形状会自动变成实验观测到的形态"的证据。细胞变形需要外部驱动（如接触引导、趋化）——SEM 在没有这些驱动时只是"球"。

  2. "双势能"的物理意义模糊。\(V_0, U_0\) 是唯象常数——作者自己说"the energy scale has yet to be calibrated with real cells"。没有定量的"细胞杨氏模量"或"细胞间粘附能"来标定这些参数。这与 Ch 8（Drasdo）的 JKR 模型形成对比——JKR 至少用 \(E\) 和 \(W_s\) 这两个有明确物理含义的参数。

  3. "70% 表面元素"是一个反直觉的结果。即使是 256 元素的细胞，70% 都在"表面层"。这意味着 SEM 的"内部核心"很薄——该方法在描述"细胞内部分层结构"（如细胞核 vs 细胞质）时可能不够。这是 SEM 的一个重要局限。

  4. "细胞身份"由元素集合标识，但集合如何持久？。当细胞分裂时，元素被分为两组——这意味着"细胞身份"在分裂时是"自然"分开的。但当细胞变形剧烈时（如穿过狭窄血管），元素可能"逃逸"或"互换"——这破坏了"细胞身份"的拓扑稳定性。

  5. "长程相互作用"的高效实现仍是一个开放问题。当前链表实现只对短程相互作用 \(O(N)\)。对于长程（如电生理、远程化学信号）需要 \(\tilde{O}(N)\) 算法（如 Barnes-Hut、FMM）。

  6. 与 Ch 12（Zaman 椭球模型）的对比。Zaman 用椭球作为细胞形状——椭球有 3 个主轴长度，是 6 个参数。SEM 用 \(N\) 个元素——对 \(N = 256\)，参数是 \(3 \times 256 = 768\) 个位置 + 势能参数。SEM 的自由度远高于椭球模型——这意味着 SEM 更灵活但更难标定。

  7. "元素作为细胞骨架粗粒化"的物理图景。Newman 把元素视为"约 0.1 μm 大小的细胞骨架区域"——这与"细胞骨架 ≈ actin 网络 + 微管 + 中间纤维"的真实生物学图景一致。这是 SEM 的一个物理的合法化——比 GGH 的"格子点"或"中心基"的"球"更接近生物实在。

  8. 与 Ch 9（Dallon PIC）的对比。Ch 9 把细胞视为 Lagrangian 粒子、化学场视为 Eulerian 场——明确区分"细胞"和"场"。SEM 把"细胞"也分解为元素——模糊了"细胞"和"细胞骨架"之间的界限。这是更"细粒度"的建模——但也意味着"细胞身份"变得不那么"原子化"。

  9. 本书的方法谱地位。SEM 位于 Ch 1（HDC, 连续场+离散细胞）→ Ch 2-3（LGCA/CPM, 格子元胞）→ Ch 4-7（GGH, 能量最小化格子）→ Ch 8-9（中心基, 球形或点）→ 本章 SEM → Ch 11-13（粘弹性椭球）这一方法谱中。SEM 是"格子/中心/形状"三种范式的混合——它用元素（不是格子、不是球、不是 PDE），通过势能（不是 Hamiltonian、不是 JKR）相互作用。

  10. "细节越多越好"的方法论反思。Newman 反复强调 SEM 的"无缝多尺度"——这是工程师的角度。但从生物学家角度，"细节越多"意味着"参数越多"和"可证伪性越低"。这种"工程 vs 生物学"的方法论张力是单细胞建模领域的核心矛盾之一。

重要参考文献

[X1] Glazier J.A., Graner F. Simulation of the differential adhesion driven rearrangement of biological cells. Phys. Rev. E 1993;47(3):2128-2154. DOI: 10.1103/PhysRevE.47.2128

[X2] Palsson E., Othmer H.G. A model for individual and collective cell movement in Dictyostelium discoideum. Proc. Natl. Acad. Sci. USA 2000;97(19):10448-10453. DOI: 10.1073/pnas.97.19.10408

[X3] Drasdo D., Höhme S. A single-cell-based model of tumor growth in vitro: monolayers and spheroids. Phys. Biol. 2005;2(3):133-147. DOI: 10.1088/1478-3975/2/3/001

[X4] Rejniak K.A. An immersed boundary framework for modelling blood flow and clot formation. J. Comput. Phys. 2007;226(1):523-553. DOI: 10.1016/j.jcp.2007.04.022

[X5] Newman T.J. Modeling multi-cellular systems: from gene regulation to emergent behavior. PhD thesis, University of Alberta, 2002.

[X6] Alberts B., Johnson A., Lewis J., Raff M., Roberts K., Walter P. Molecular Biology of the Cell, 4th ed. Garland Science, 2002. ISBN: 978-0815340720

[X7] Keller R. Mechanisms of convergence and extension by cell intercalation. Phil. Trans. R. Soc. Lond. B 2000;355(919):897-922. DOI: 10.1098/rstb.2000.0627

[X8] Boal D. Mechanics of the Cell. Cambridge University Press, 2002. ISBN: 978-0521796810

[X9] Howard J. Mechanics of Motor Proteins and the Cytoskeleton. Sinauer Associates, 2001. ISBN: 978-0878933334

[X10] Newman T.J., Barkema G.T. Monte Carlo method for statistical mechanics. (cited in this chapter)

[X11] Newman T.J. A Monte Carlo method for statistical mechanics. (cited in this chapter regarding sector/linked-list algorithms)

[X12] Gardiner C.W. Handbook of Stochastic Methods for Physics, Chemistry, and the Natural Sciences. Springer, 2004. ISBN: 978-3540208822

[X13] Newman T.J., Antonelli F., Sidorova E. (cited in this chapter regarding surface energy analysis)