論文の概要: Measurement of single-cell elasticity by nanodiamond-sensing of
non-local deformation
- arxiv url: http://arxiv.org/abs/2109.13812v1
- Date: Sat, 25 Sep 2021 08:56:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-13 18:58:15.990581
- Title: Measurement of single-cell elasticity by nanodiamond-sensing of
non-local deformation
- Title(参考訳): 非局所変形のナノダイヤモンドセンシングによる単細胞弾性の測定
- Authors: Yue Cui, Weng-Hang Leong, Chu-Feng Liu, Kangwei Xia, Xi Feng, Csilla
Gergely, Ren-Bao Liu and Quan Li
- Abstract要約: 原子間力顕微鏡による固定HeLa細胞の非局所的変形を図示する。
細胞の弾力性とキャピラリティの競合が観察される。
また,アクチン細胞骨格構造の脱重合による弾性率および表面張力の低下も見出した。
- 参考スコア(独自算出の注目度): 2.8636233325754294
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nano-indentation based on, e.g., atomic force microscopy (AFM), can measure
single cell elasticity with high spatial resolution and sensitivity, but
relating the data to cell mechanical properties depends on modeling that
requires knowledge about the local contact between the indentation tip and the
material, which is unclear in most cases. Here we use the orientation sensing
by nitrogen-vacancy centers in nanodiamonds to chart the non-local deformation
of fixed HeLa cells induced by AFM indentation, providing data for studying
cell mechanics without requiring detailed knowledge about the local contact.
The competition between the elasticity and capillarity on the cells is
observed. We show that the apparent elastic moduli of the cells would have been
overestimated if the capillarity is not considered (as in most previous studies
using local depth-loading data). We also find reduction of both elastic moduli
and surface tensions due to depolymerization of the actin cytoskeleton
structure. This work demonstrates that, under shallow indentation, the
nanodiamond sensing of non-local deformation with nanometer precision is
particularly suitable for studying mechanics of cells.
- Abstract(参考訳): 例えば、原子間力顕微鏡(AFM)に基づくナノインデンテーションは、高い空間分解能と感度で単一細胞の弾力性を測定することができるが、そのデータを細胞力学的特性に関連付けるには、インデンテーション先端と材料との局所的な接触に関する知識を必要とするモデリングに依存する。
ここでは, ナノダイヤモンド中の窒素空孔中心による配向検出を用いて, AFMインデンテーションにより誘導される固定HeLa細胞の非局所的な変形をグラフ化し, 局所接触に関する詳細な知識を必要とせず, 細胞力学を研究するためのデータを提供する。
細胞の弾力性とキャピラリティの競合が観察される。
本研究は, キャピラリティが考慮されない場合, 細胞表面の弾性率を過大評価したことを示す(局所的な深度負荷データを用いた従来の研究と同様に)。
また,アクチン細胞骨格構造の脱重合による弾性率および表面張力の低下も見出した。
この研究は、浅いインデンテーション下では、ナノメートル精度の非局所変形のナノダイアモンドセンシングが、細胞の力学の研究に特に適していることを示している。
関連論文リスト
- The cell signaling structure function [0.16060719742433224]
Live Cell Microscopyは、5-D $(xy,z, channel,time)$の映画を撮影する。
本稿では, 5次元ライブ細胞映画において, 期待パターンの事前知識を必要とせず, トレーニングデータも必要とせず, 細胞シグナル伝達のパターンを見つけるためのアプローチを提案する。
論文 参考訳(メタデータ) (2024-01-04T19:25:00Z) - On the importance of catalyst-adsorbate 3D interactions for relaxed
energy predictions [98.70797778496366]
吸着剤の相対的な位置を無視しながら,OC20データセットの緩和エネルギーを予測できるかどうかを検討する。
結合サイト情報の削除は,期待通りに精度を低下させるが,修正モデルは極めて良好なMAEで緩和エネルギーを予測することができる。
論文 参考訳(メタデータ) (2023-10-10T14:57:04Z) - Simultaneous nanorheometry and nanothermometry using intracellular
diamond quantum sensors [0.0]
動的セル環境下でのナノスケール温度測定とレオメトリーを同時に行うことができるデュアルモード量子センサを提案する。
複素媒体における温度依存性粘弾性のナノスケールセンシングを実証した。
次に, 生体細胞における細胞内力と細胞質レオロジーの相互作用を調べるためにセンサを用いて, アクティブ・トラヒッキングとナノスケール粘弾性の詳細を明らかにした。
論文 参考訳(メタデータ) (2023-06-29T21:18:19Z) - StrainTensorNet: Predicting crystal structure elastic properties using
SE(3)-equivariant graph neural networks [1.9260081982051918]
結晶構造の弾性特性を効率的に予測するための新しいデータ駆動手法を提案する。
このアプローチは、最近のデータ駆動研究に匹敵する精度で重要なスカラー弾性変調をもたらす。
論文 参考訳(メタデータ) (2023-06-22T11:34:08Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳(メタデータ) (2022-10-13T10:00:30Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳(メタデータ) (2022-05-17T13:08:28Z) - Machine learning based prediction of the electronic structure of
quasi-one-dimensional materials under strain [0.0]
準1次元材料の電子構造を予測できる機械学習モデルを提案する。
この技術はナノチューブ、ナノリボン、ナノワイヤ、ナノアセンブリといった重要な材料に適用される。
論文 参考訳(メタデータ) (2022-02-02T09:32:03Z) - How to See Hidden Patterns in Metamaterials with Interpretable Machine
Learning [82.67551367327634]
我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。
具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
論文 参考訳(メタデータ) (2021-11-10T21:19:02Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳(メタデータ) (2021-06-08T10:14:57Z) - IH-GAN: A Conditional Generative Model for Implicit Surface-Based
Inverse Design of Cellular Structures [15.540823405781337]
材料特性に応じた多様な細胞ユニット細胞を生成できる深層生成モデルを提案します。
その結果,(1)特定の材料特性を高精度(相対誤差5%)で満たす各種ユニットセルを生成し,2)高品質のインターフェース接続(インターフェースにおける平均重複面積98.7%)を有する機能グレードの細胞構造を作成し,3)従来のトポロジ最適化可変密度構造に対する構造性能を向上させることができた。
論文 参考訳(メタデータ) (2021-03-03T18:39:25Z) - The role of feature space in atomistic learning [62.997667081978825]
物理的にインスパイアされた記述子は、原子論シミュレーションへの機械学習技術の応用において重要な役割を果たしている。
異なる記述子のセットを比較するためのフレームワークを導入し、メトリクスとカーネルを使ってそれらを変換するさまざまな方法を紹介します。
原子密度のn-体相関から構築した表現を比較し,低次特徴の利用に伴う情報損失を定量的に評価した。
論文 参考訳(メタデータ) (2020-09-06T14:12:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。