Wie berechnet ein Embryo zuverlässig seine Form – „Zelle für Zelle“ – nur durch lokale Interaktionen und Mechanik, und erzeugt dennoch einen präzisen globalen Körperplan? Ich freue mich, unser Paper in Nature Methods "MultiCell: geometrisches Lernen in der mehrzelligen Entwicklung" zu teilen, das die #AIxBiology-Forschung unter der Leitung von @HaiqianYang präsentiert und das Ergebnis einer großartigen Zusammenarbeit mit Ming Guo, George Roy, Tomer Stern, Anh Nguyen und Dapeng Bi ist. Eine langjährige Herausforderung in der Entwicklungsbiologie besteht darin, vorherzusagen, wie Tausende von Zellen kollektiv Selbstorganisation betreiben, während Gewebe sich falten, teilen und umsortieren. In MultiCell repräsentieren wir einen sich entwickelnden Embryo als einen dualen Graphen, der zwei komplementäre Ansichten der Gewebemechanik mit Einzelzellauflösung vereint: Zellen als bewegliche Punkte (granular) und Zellen als ein verbundenes Schaumnetz (Junktionsnetzwerk). Dies ermöglicht es dem Modell, Dynamiken sowohl aus der Geometrie als auch aus der Zell-Zell-Konnektivität zu lernen. In 4D-Lichtblattfilmen des gesamten Embryos während der Gastrulation von Drosophila (~5.000 Zellen) sagt unser Modell wichtige Zellverhalten und den zeitlichen Ablauf von Ereignissen mit hoher Genauigkeit voraus, einschließlich Junctionsverlust, Umstellungen und Teilungen, und das mit Einzelzellauflösung. Über die Vorhersage hinaus unterstützt dieselbe Darstellung eine robuste zeitliche Ausrichtung über Embryonen hinweg und bietet interpretierbare Aktivierungskarten, die die morphogenetischen „Treiber“ der Entwicklung hervorheben. Das übergeordnete Ziel ist eine Grundlage für die Vorhersage von Zelle zu Zelle in komplexeren Geweben und schließlich für die Erkennung subtiler dynamischer Signaturen von Krankheiten. Hut ab vor dem Team für diese inspirierende Zusammenarbeit mit brillanten Forschern, um die Grenzen der KI für die Biologie zu erweitern! Zitation: Yang, H., Roy, G., Nguyen, A.Q., Buehler, M.J., et al. MultiCell: geometrisches Lernen in der mehrzelligen Entwicklung. Nature Methods (2025), DOI: 10.1038/s41592-025-02983-x Code-/Datenlinks sind im Manuskript.