Combining experiments with artificial intelligence algorithms, we propose a new machine learning based approach to extract the cellular force distributions from the microscope images. The full process can be divided into three steps. First, we culture the cells on a special substrate allowing to measure both the cellular traction force on the substrate and the corresponding substrate wrinkles simultaneously. The cellular forces are obtained using the traction force microscopy (TFM), at the same time that cell-generated contractile forces wrinkle their underlying substrate. Second, the wrinkle positions are extracted from the microscope images. Third, we train the machine learning system with GAN (generative adversarial network) by using sets of corresponding two images, the traction field and the input images (raw microscope images or extracted wrinkle images), as the training data. The network understands the way to convert the input images of the substrate wrinkles to the traction distribution from the training. After sufficient training, the network is utilized to predict the cellular forces just from the input images. Our system provides a powerful tool to evaluate the cellular forces efficiently because the forces can be predicted just by observing the cells under the microscope, which is a way simpler method compared to the TFM experiment. Additionally, the machine learning based approach presented here has the profound potential for being applied to diverse cellular assays for studying mechanobiology of cells.

中文翻译：

---

皱纹力显微镜：一种基于机器学习的新方法，可从图像预测细胞力学

将实验与人工智能算法相结合，我们提出了一种新的基于机器学习的方法来从显微镜图像中提取细胞力分布。整个过程可以分为三个步骤。首先，我们在特殊的基质上培养细胞，从而可以同时测量基质上的细胞牵引力和相应的基质皱纹。使用牵引力显微镜（TFM）获得细胞力，与此同时，细胞产生的收缩力会使它们下面的底物起皱。其次，从显微镜图像中提取皱纹位置。第三，我们通过使用对应的两个图像集训练带有GAN（生成对抗网络）的机器学习系统，牵引场和输入图像（原始显微镜图像或提取的皱纹图像）作为训练数据。网络了解从培训将基材折痕的输入图像转换为牵引力分布的方式。经过足够的训练后，该网络仅用于从输入图像中预测细胞力。我们的系统提供了一个强大的工具来有效地评估细胞力，因为仅通过在显微镜下观察细胞即可预测力，这是与TFM实验相比更简单的方法。此外，此处介绍的基于机器学习的方法具有广泛的潜力，可用于研究细胞力学生物学的各种细胞分析。网络了解从培训将基材折痕的输入图像转换为牵引力分布的方式。经过足够的训练后，该网络仅用于从输入图像中预测细胞力。我们的系统提供了一个强大的工具来有效地评估细胞力，因为仅通过在显微镜下观察细胞即可预测力，这是与TFM实验相比更简单的方法。此外，此处介绍的基于机器学习的方法具有广泛的潜力，可用于研究细胞力学生物学的各种细胞分析。网络了解从培训将基材折痕的输入图像转换为牵引力分布的方式。经过足够的训练后，该网络仅用于从输入图像中预测细胞力。我们的系统提供了一个强大的工具来有效地评估细胞力，因为仅通过在显微镜下观察细胞就可以预测力，这是与TFM实验相比更简单的方法。此外，此处介绍的基于机器学习的方法具有广泛的潜力，可用于研究细胞力学生物学的各种细胞分析。我们的系统提供了一个强大的工具来有效地评估细胞力，因为仅通过在显微镜下观察细胞就可以预测力，这是与TFM实验相比更简单的方法。此外，此处介绍的基于机器学习的方法具有广泛的潜力，可用于研究细胞力学生物学的各种细胞分析。我们的系统提供了一个强大的工具来有效地评估细胞力，因为仅通过在显微镜下观察细胞就可以预测力，这是与TFM实验相比更简单的方法。此外，此处介绍的基于机器学习的方法具有广泛的潜力，可用于研究细胞力学生物学的各种细胞分析。