Como um embrião "calcula" sua forma de forma confiável – "célula por célula" – usando apenas interações e mecânicas locais, mas produz um plano corporal global preciso? Estou animado para compartilhar nosso artigo da Nature Methods "MultiCell: aprendizagem geométrica no desenvolvimento multicelular", apresentando #AIxBiology pesquisa liderada por @HaiqianYang e resultado de uma excelente colaboração com Ming Guo, George Roy, Tomer Stern, Anh Nguyen e Dapeng Bi. Um desafio antigo na biologia do desenvolvimento é prever como milhares de células se autoorganizam coletivamente à medida que os tecidos se dobram, dividem e rearranjam. No MultiCell, representamos um embrião em desenvolvimento como um grafo dual que unifica duas visões complementares da mecânica dos tecidos com resolução de célula única: células como pontos móveis (granulares) e células como uma espuma conectada (rede de junção). Isso permite que o modelo aprenda dinâmicas tanto da geometria quanto da conectividade célula-célula. Em filmes de folha de luz 4D de embrião inteiro de gastrulação de Drosophila (~5.000 células), nosso modelo prevê comportamentos-chave das células e o momento dos eventos, incluindo perda de junção, rearranjos e divisões, com alta precisão, em resolução de célula única. Além da previsão, a mesma representação suporta um alinhamento temporal robusto entre embriões e oferece mapas de ativação interpretáveis que destacam os "motores" morfogenéticos do desenvolvimento. O objetivo mais amplo é uma base para a previsão célula a célula em tecidos mais complexos e, eventualmente, para detectar sinais dinâmicas sutis de doenças. Parabéns à equipe por essa colaboração inspiradora com pesquisadores brilhantes para expandir os limites da IA na biologia! Citação: Yang, H., Roy, G., Nguyen, A.Q., Buehler, M.J., et al. MultiCell: aprendizagem geométrica no desenvolvimento multicelular. Nature Methods (2025), DOI: 10.1038/s41592-025-02983-x Links de código/dados estão no manuscrito.