📄 Quick Note¶

摘要概述¶

本文提出了一个基于 feed-forward neural network 的细胞表型决策框架：把细胞视为一个"计算单元"，以微环境变量（如邻居数、氧浓度）为输入，经一个三层网络的加权和与 sigmoid transfer function 映射到输出层（增殖 P、静息 Q、凋亡 A），取最强响应作为细胞行为。网络权重矩阵 w, W 与阈值 θ, Θ 在细胞分裂时按 Poisson 分布发生突变（平均 p 次突变/分裂），突变为正态扰动 N(0, σ)，从而实现了 implicit fitness ——适应度不由预设函数决定，而由表型与微环境的耦合自然涌现。作者将该框架嵌入 hybrid cellular automaton 的实体瘤生长模型，耦合连续氧场扩散方程 ∂c/∂t = Dc∇²c - f_c(x,t)，在 N=300 网格上比较了 high oxygen 与 low oxygen 两种情形，运行 100 代。核心结论：低氧下肿瘤形态呈指状分支（skeletal fingering）、系统发育深度（phylogenetic depth）增长更快、Shannon 基因型多样性更高（H≈0.7 vs 0.5），但表型反而向单一最激进表型 S=(1,0,0)（完全丧失生长抑制）收敛 ——即"基因型高多样、表型趋同"的解耦现象，对应实验中观察到的低氧筛选高恶性细胞（Graeber 1996, Kim 1997）。

关键图表¶

Fig. 2 (response network 结构)：三层前馈网络示意图——输入层接收微环境（邻居数 n、氧浓度 c），经隐层到输出层 (P, Q, A)；将细胞信号通路类比为神经网络，权重 w/W 对应受体/调控基因的表达强度。这是整个框架的形式化定义，理解后续突变与选择的基础。

Fig. 4 (tumour morphology + oxygen field)：t=20/60/100 时高/低氧两种情形的空间分布，红=增殖、绿=静息、蓝=死亡。高氧下肿瘤呈光滑圆形，低氧下呈指状分支且以死亡细胞为主，增殖细胞只存在于分支尖端；下方面板显示低氧下早期即形成氧梯度与坏死核心。直观展示了微环境如何驱动形态分化。

Fig. 5 + Fig. 6 + Fig. 7（进化动力学三联图）：Fig.5 平均系统发育深度（低氧增长更快）、Fig.6 Shannon 基因型多样性指数（低氧 H≈0.7 > 高氧 H≈0.5）、Fig.7 平均表型时间演化（低氧下初始表型约 t≈60 灭绝，被激进表型 S=(1,0,0) 占据约 70%；高氧下初始表型缓慢衰减、多种低丰度表型并存）。三图共同呈现"基因型多样但表型趋同"这一反直觉结论。

与我的关联¶

作为用 SMC G&R（应力介导的生长重塑）做血管壁长期演化的工作，本文的 implicit fitness + 表型-基因型解耦 思路值得借鉴：血管平滑肌细胞在机械应力微环境下的表型切换（contractile vs synthetic）可类比为其"response network"在应力场输入下的输出，而长期 G&R 累积的细胞表型分布多样性，正是本文方法试图刻画的对象。其 agent-based + 连续场耦合（细胞离散、氧浓度连续 PDE）的混合建模范式与我的 FEniCS 连续介质框架可形成方法学对照。