Preview

PDF, English Download (16MB) | Terms of use

Abstract

Living cells possess capabilities to detect and respond to mechanical features of their surroundings. In traction force microscopy, the traction of cells on an elastic substrate is made visible by observing substrate deformation as measured by the movement of embedded marker beads. Describing the substrates by means of elasticity theory, we can calculate the adhesive forces, improving our understanding of cellular function and behavior. In this dissertation, I combine analytical solutions with numerical methods and machine learning techniques to improve traction prediction in a range of experimental applications. I describe how to include the normal traction component in regularization-based Fourier approaches, which I apply to experimental data. I compare the dominant strategies for traction reconstruction, the direct method and inverse, regularization-based approaches and find, that the latter are more precise while the former is more stress resilient to noise. I find that a point-force based reconstruction can be used to study the force balance evolution in response to microneedle pulling showing a transition from a dipolar into a monopolar force arrangement. Finally, I show how a conditional invertible neural network not only reconstructs adhesive areas more localized, but also reveals spatial correlations and variations in reliability of traction reconstructions.

Translation of abstract (German)

Lebende Zellen sind in der Lage, mechanische Einflüsse ihrer Umgebung wahrzunehmen und auf diese zu reagieren. In der Zellkraftmikroskopie wird die Zughaftung von Zellen auf elastischen Substraten anhand der Substratverformung sichtbar gemacht, die durch die Bewegung von eingebetteten Markierungskügelchen gemessen wird. Werden Substrate mit Hilfe der Elastizitätstheorie beschrieben, können wir die Adhäsionskräfte berechnen und so unser Verständnis der Zellfunktionen und des Zellverhaltens vertiefen. In dieser Dissertation kombiniere ich analytische Lösungen mit numerischen Methoden und Techniken des maschinellen Lernens, um die Vorhersage der Zugspannung in einer Reihe von experimentellen Anwendungen zu verbessern. Ich beschreibe, wie die normale Zugkraftkomponente in regularisierungsbasierte Fourier-Ansätze einbezogen werden kann, die ich auf experimentelle Daten anwende. Ich vergleiche die vorherrschenden Strategien zur Kraftrekonstruktion, die direkte Methode und inverse, regularisierungsbasierte Ansätze, und lege dar, dass letztere präziser und erstere resistenter gegenüber Rauscheffekten sind. Ich demonstriere, wie eine punktkraftbasierte Rekonstruktion verwendet werden kann, um die Entwicklung des Kräftegleichgewichts als Reaktion auf das Ziehen mit Mikronadeln zu untersuchen, wobei ein Übergang von einer dipolaren zu einer monopolaren Kraftanordnung zu erkennen ist. Schließlich lege ich da, wie ein konditionales, invertierbares neuronales Netzwerk nicht nur adhäsive Bereiche lokalisierter rekonstruiert, sondern auch räumliche Korrelationen und Variationen in der Zuverlässigkeit von Traktionsrekonstruktionen aufzeigt.