Как эмбрион надежно "вычисляет" свою форму - "клетка за клеткой" - используя только локальные взаимодействия и механику, но при этом создает точный глобальный план тела? Я рад поделиться нашей статьей в Nature Methods "MultiCell: геометрическое обучение в многоклеточном развитии", представляющей исследование #AIxBiology, возглавляемое @HaiqianYang, и результатом отличного сотрудничества с Мингом Гуо, Джорджем Роем, Томером Штерном, Анх Нгуен и Дапенгом Би. Долгосрочной задачей в области эмбриональной биологии является предсказание того, как тысячи клеток коллективно самоорганизуются, когда ткани сгибаются, делятся и перестраиваются. В MultiCell мы представляем развивающийся эмбрион как двойной граф, который объединяет два взаимодополняющих взгляда на механику тканей с разрешением на уровне отдельных клеток: клетки как движущиеся точки (гранулярные) и клетки как связанная пена (сеть соединений). Это позволяет модели изучать динамику как из геометрии, так и из связности клеток. На 4D световых пленках всего эмбриона во время гаструляции дрозофилы (~5,000 клеток) наша модель предсказывает ключевые клеточные поведения и временные рамки событий, включая потерю соединений, перестановки и деления с высокой точностью на уровне отдельных клеток. Кроме предсказания, то же представление поддерживает надежное временное выравнивание между эмбрионами и предлагает интерпретируемые карты активации, которые подчеркивают морфогенетические "движущие силы" развития. Более широкая цель - создать основу для прогнозирования клетка за клеткой в более сложных тканях и, в конечном итоге, для обнаружения тонких динамических признаков заболеваний. Поздравляю команду с этим вдохновляющим сотрудничеством с блестящими исследователями, чтобы продвинуть границы ИИ для биологии! Цитирование: Yang, H., Roy, G., Nguyen, A.Q., Buehler, M.J., и др. MultiCell: геометрическое обучение в многоклеточном развитии. Nature Methods (2025), DOI: 10.1038/s41592-025-02983-x Ссылки на код/данные находятся в рукописи.