Machine learning-based characterization of single-particle behavior with synthetic experiment videos

Abstract

[EN] This Bachelor thesis concentrates on examining the movement of individual particles within living cells, utilizing videos of experiments. This work is linked to the participation in the 2nd Anomalous Diffusion (AnDi) Challenge. In it, raw videos from various regions or FOVs of an experiment are available. This experiment constitutes a specific biological scenario defined by a model of interactions and a set of parameters describing the dynamic interaction of particles and the environment. The aim is to employ Machine Learning models and video tracking algorithms to participate in the two tasks of the challenge.

The first task is the Ensemble Task, focusing on providing ensemble-level predictions by recognizing the underlying models used to simulate particle behavior in the experiment. This spans five phenomenological models: Single-state model (SSM), Multi-state model (MSM), Dimerization model (DIM), Transient-confinement model (TCM), and Quenched-trap model (QTM), alongside the distribution of diffusion coefficients and exponents across different experimental conditions.

On the other hand, the Single-trajectory Task involves a more detailed examination of individual particle trajectories in each FOV. Here, the objective is to identify changing points within trajectories and characterize the diffusion coefficients, exponents, and environmental constraints.

[ES] Esta Trabajo de fin de grado se centra en examinar el movimiento de partículas individuales dentro de células vivas, utilizando videos de experimentos. Este trabajo es parte de la participación en el 2nd Anomalous Diffusion (AnDi) Challenge. En ella, disponemos de videos sin procesar de varias regiones o FOVs de un experimento. Dicho experimento es un escenario biológico específico definido mediante un modelo de interacciones y un conjunto de parámetros que describen la interacción dinámica de las partículas y el entorno. El objetivo es emplear varios modelos de aprendizaje automático y algoritmos de seguimiento de video para participar en las dos tareas de la competición.

La primera tarea es la Ensemble Task, que se centra en proporcionar predicciones a nivel de conjunto reconociendo los modelos subyacentes utilizados para simular el comportamiento de las partículas en el experimento. Esto abarca cinco modelos fenomenológicos: modelo de estado único (SSM), modelo de estado múltiple (MSM), modelo de dimerización (DIM), modelo de confinamiento transitorio (TCM) y modelo de trampa enfriada (QTM), junto con la distribución de coeficientes de difusión y exponentes en diferentes condiciones experimentales. La segunda, la Single-trajectory Task implica un análisis más detallado de las trayectorias de partículas individuales en cada FOV. Aquí, el objetivo es identificar puntos de cambio dentro de las trayectorias y caracterizar los coeficientes de difusión, exponentes y restricciones ambientales.