Jak může embryo spolehlivě "vypočítat" svou formu – "buňku po buňce" – pouze pomocí lokálních interakcí a mechanik, a přitom vytvořit přesný celkový tělesný plán? S nadšením představuji náš článek v Nature Methods "MultiCell: geometric learning in multicell development", který představuje výzkum vedený @HaiqianYang #AIxBiology a je výsledkem skvělé spolupráce s Ming Guem, Georgem Royem, Tomerem Sternem, Anh Nguyen a Dapeng Bi. Dlouhodobou výzvou ve vývojové biologii je předpovědět, jak se tisíce buněk kolektivně samoorganizují, když se tkáně skládají, dělí a přeskupují. V MultiCell reprezentujeme vyvíjející se embryo jako duální graf, který spojuje dva doplňující se pohledy na mechaniku tkání s rozlišením jednotlivých buněk: buňky jako pohyblivé body (granulární) a buňky jako propojenou pěnu (spojovací síť). To umožňuje modelu naučit se dynamiku jak z geometrie, tak z propojení buňka mezi buňkami. Na 4D světelných filmech celého embrya o gastrulaci Drosophily (~5 000 buněk) náš model předpovídá klíčové chování buněk a načasování událostí, včetně ztráty spojení, přeskupení a dělení, s vysokou přesností, s rozlišením jednotlivých buněk. Kromě predikce stejná reprezentace podporuje robustní časové zarovnání mezi embryi a nabízí interpretovatelné aktivační mapy, které zdůrazňují morfogenetické "hybné síly" vývoje. Širším cílem je základ pro předpovídání buněk po buněku v složitějších tkáních a nakonec pro detekci jemných dynamických znaků onemocnění. Chvála týmu za tuto inspirativní spolupráci s brilantními výzkumníky, která posouvá hranice AI v biologii! Citace: Yang, H., Roy, G., Nguyen, A.Q., Buehler, M.J. a kol. MultiCell: geometrické učení při mnohobuněčném vývoji. Nature Methods (2025), DOI: 10.1038/s41592-025-02983-x Odkazy na kód/data jsou v rukopisu.