Исследование физических свойств клеток молочной железы человека методами статистической термодинамики, количественной фазовой микроскопии и с примене
Автор: Никитюк А.С., Князев Н.А., Громова О.А., Бурмистрова О.С., Роготнев А.А.
Журнал: Российский журнал биомеханики @journal-biomech
Статья в выпуске: 2 т.30, 2026 года.
Бесплатный доступ
Исследование физических свойств клеток играет ключевую роль в понимании механизмов канцерогенеза и метастазирования. В данной работе представлен комплексный подход к оценке онкостатуса и метастатического потенциала клеток молочной железы человека, основанный на сочетании методов количественной фазовой микроскопии, статистической термодинамики и машинного обучения. В качестве модельных объектов использовались нераковые клетки MCF10A, неагрессивные метастатические клетки MCF7 и агрессивные метастатические MDAMB231. Для каждого фенотипа были получены фазовые изображения и трекдиаграммы, на основе которых проведен морфометрический, мультифрактальный и механический анализ. Результаты выявили статистически значимые различия между группами клеток по ряду параметров. Установлено, что такие безразмерные характеристики, как фрактальная размерность контура и коэффициент асимметрии фазового изображения, являются эффективными диагностическими маркерами. Мультифрактальный анализ динамических сигналов позволил достоверно идентифицировать неагрессивные раковые клетки MCF7. Для анализа механического отклика использована статистикотермодинамическая модель, идентифицировавшая параметры, характеризующие деформационное поведение клеток под сдвиговой нагрузкой. Обнаружен «парадокс жесткости», заключающийся в немонотонной зависимости модуля сдвига от метастатического потенциала. Для его разрешения предложен интегральный индекс агрессивности, продемонстрировавший монотонное изменение от нормальных к высокоагрессивным клеткам. Дополнительно показана высокая эффективность сверточной нейронной сети в задаче классификации фазовых изображений с точностью выше 90%. Результаты подтверждают перспективность предложенного подхода для бесметочной диагностики рака на клеточном уровне.
Механобиология, рак молочной железы, биофизическое фенотипирование, математическое моделирование, модель клетки, статистическая термодинамика, количественная фазовая микроскопия
Короткий адрес: https://sciup.org/146283367
IDR: 146283367 | УДК: 531/534: [57+61] | DOI: 10.15593/RZhBiomeh/2026.2.06
Investigation of the physical properties of breast cancer cells via statistical thermodynamics, quantitative phase microscopy, and machine learning
The study of cellular physical properties is crucial for understanding the mechanisms of carcinogenesis and metastasis. This paper presents a comprehensive approach for assessing the oncological status and metastatic potential of human breast cells by integrating quantitative phase microscopy, statistical thermodynamics, and machine learning. The study used noncancerous MCF10A, lowmetastatic MCF7, and highly metastatic MDAMB231 cell lines as models. Phase images and track diagrams were obtained for each phenotype, followed by morphometric, multifractal, and mechanical analysis. The results revealed statistically significant differences between cell groups across a range of parameters. Dimensionless characteristics, such as the contour fractal dimension and the skewness of the phase image, were identified as effective diagnostic markers. Multifractal analysis of dynamic signals allowed for reliable identification of nonaggressive MCF7 cancer cells. A statisticalthermodynamic model was applied to analyze the mechanical response, identifying parameters that characterize cell deformation under shear stress. A "stiffness paradox" was discovered, showing a nonmonotonic dependence of the shear modulus on metastatic potential. To resolve this paradox, an integral Aggressiveness Index was proposed, which demonstrated a monotonic change from normal to highly aggressive cells. Furthermore, the high efficiency of a MobileNetV2 convolutional neural network in classifying phase images was demonstrated, with an accuracy exceeding 90 %. These findings confirm the potential of the proposed approach for labelfree cancer diagnostics.