论文题目：Geometric deep learning reveals the spatiotemporal features of microscopic motion

论文来源：Nature Machine Intelligence

论文链接：https://www.nature.com/articles/s42256-022-00595-0

生命系统中动态过程的特征为其机制解释和与生物功能的联系提供了重要线索。由于最近显微镜技术的进步，现在有可能在生理条件下在多个时空尺度上常规记录细胞、细胞器和单个分子的运动。然而，在拥挤和复杂环境中发生的动态的自动化分析仍然落后于显微图像序列的获取。

Nature Machine Intelligence 的这项研究提出了一个基于几何深度学习的框架，可以在各种生物相关场景中实现动态特性的准确估计。这种深度学习方法依赖于由基于注意力的组件增强的图神经网络。通过处理具有几何先验的对象特征，该网络能够执行多个任务，从将坐标链接到轨迹，到推断局部和全局动态属性。研究通过将其应用于与广泛的生物实验相对应的真实和模拟数据，证明了这种方法的灵活性和可靠性。

图2. 使用 MAGIK 进行轨迹链接。

图3. MAGIK 注意力机制。

​