The collection of 3D cell tracking data from live images of micro-tissues is a recent innovation made possible due to advances in imaging techniques. As such there is increased interest in studying cell motility in 3D in vitro model systems but a lack of rigorous methodology for analysing the resulting data sets. One such instance of the use of these in vitro models is in the study of cancerous tumours. Growing multicellular tumour spheroids in vitro allows for modelling of the tumour microenvironment and the study of tumour cell behaviours, such as migration, which improves understanding of these cells and in turn could potentially improve cancer treatments. In this paper, we present a workflow for the rigorous analysis of 3D cell tracking data, based on the persistent random walk model, but adaptable to other biologically informed mathematical models. We use statistical measures to assess the fit of the model to the motility data and to estimate model parameters and provide confidence intervals for those parameters, to allow for parametrization of the model taking correlation in the data into account. We use in silico simulations to validate the workflow in 3D before testing our method on cell tracking data taken from in vitro experiments on glioblastoma tumour cells, a brain cancer with a very poor prognosis. The presented approach is intended to be accessible to both modellers and experimentalists alike in that it provides tools for uncovering features of the data set that may suggest amendments to future experiments or modelling attempts.

中文翻译：

---

用于建模 3D 细胞运动的数学框架：在胶质母细胞瘤细胞迁移中的应用

从微组织的实时图像中收集 3D 细胞跟踪数据是最近的一项创新，这得益于成像技术的进步。因此，人们对研究 3D 体外模型系统中的细胞运动的兴趣越来越大，但缺乏分析结果数据集的严格方法。使用这些体外模型的一个例子是在癌症肿瘤的研究中。在体外生长的多细胞肿瘤球体允许对肿瘤微环境进行建模和研究肿瘤细胞行为，例如迁移，从而提高对这些细胞的了解，进而可能改善癌症治疗。在本文中，我们提出了一种基于持久随机游走模型对 3D 细胞跟踪数据进行严格分析的工作流程，但适用于其他具有生物学信息的数学模型。我们使用统计方法来评估模型与运动数据的拟合度，并估计模型参数并为这些参数提供置信区间，以便在考虑数据相关性的情况下对模型进行参数化。我们使用计算机模拟验证 3D 工作流程，然后测试我们的细胞跟踪数据方法，这些数据取自胶质母细胞瘤肿瘤细胞的体外实验，这是一种预后非常差的脑癌。所提出的方法旨在供建模者和实验者使用，因为它提供了用于发现数据集特征的工具，这些特征可能会建议对未来的实验或建模尝试进行修改。我们使用统计方法来评估模型与运动数据的拟合度，并估计模型参数并为这些参数提供置信区间，以便在考虑数据相关性的情况下对模型进行参数化。我们使用计算机模拟验证 3D 工作流程，然后测试我们的细胞跟踪数据方法，这些数据取自胶质母细胞瘤肿瘤细胞的体外实验，这是一种预后非常差的脑癌。所提出的方法旨在供建模者和实验者使用，因为它提供了用于发现数据集特征的工具，这些特征可能会建议对未来的实验或建模尝试进行修改。我们使用统计方法来评估模型与运动数据的拟合度，并估计模型参数并为这些参数提供置信区间，以便在考虑数据相关性的情况下对模型进行参数化。我们使用计算机模拟验证 3D 工作流程，然后测试我们的细胞跟踪数据方法，这些数据取自胶质母细胞瘤肿瘤细胞的体外实验，这是一种预后非常差的脑癌。所提出的方法旨在供建模者和实验者使用，因为它提供了用于发现数据集特征的工具，这些特征可能会建议对未来的实验或建模尝试进行修改。考虑到数据中的相关性，允许对模型进行参数化。我们使用计算机模拟验证 3D 工作流程，然后测试我们的细胞跟踪数据方法，这些数据取自胶质母细胞瘤肿瘤细胞的体外实验，这是一种预后非常差的脑癌。所提出的方法旨在供建模者和实验者使用，因为它提供了用于发现数据集特征的工具，这些特征可能会建议对未来的实验或建模尝试进行修改。考虑到数据中的相关性，允许对模型进行参数化。我们使用计算机模拟验证 3D 工作流程，然后测试我们的细胞跟踪数据方法，这些数据取自胶质母细胞瘤肿瘤细胞的体外实验，这是一种预后非常差的脑癌。所提出的方法旨在供建模者和实验者使用，因为它提供了用于发现数据集特征的工具，这些特征可能会建议对未来的实验或建模尝试进行修改。