Comment un embryon "calcule-t-il" de manière fiable sa forme - "cellule par cellule" - en n'utilisant que des interactions et des mécanismes locaux, tout en produisant un plan corporel global précis ? Je suis ravi de partager notre article dans Nature Methods "MultiCell : apprentissage géométrique dans le développement multicellulaire", présentant des recherches en #AIxBiology dirigées par @HaiqianYang et le résultat d'une grande collaboration avec Ming Guo, George Roy, Tomer Stern, Anh Nguyen et Dapeng Bi. Un défi de longue date en biologie du développement est de prédire comment des milliers de cellules s'auto-organisent collectivement alors que les tissus se plient, se divisent et se réarrangent. Dans MultiCell, nous représentons un embryon en développement comme un graphe dual qui unifie deux vues complémentaires de la mécanique des tissus avec une résolution à l'échelle cellulaire : les cellules comme points mobiles (granulaires) et les cellules comme une mousse connectée (réseau de jonctions). Cela permet au modèle d'apprendre les dynamiques à partir de la géométrie et de la connectivité entre cellules. Sur des films en lumière de feuille 4D de gastrulation de Drosophila (~5 000 cellules), notre modèle prédit des comportements cellulaires clés et le timing des événements, y compris la perte de jonction, les réarrangements et les divisions avec une grande précision, à la résolution de cellule unique. Au-delà de la prédiction, la même représentation soutient un alignement temporel robuste entre les embryons et offre des cartes d'activation interprétables qui mettent en évidence les "moteurs" morphogénétiques du développement. L'objectif plus large est de poser une base pour la prévision cellule par cellule dans des tissus plus complexes, et finalement pour détecter des signatures dynamiques subtiles de maladies. Bravo à l'équipe pour cette collaboration inspirante avec des chercheurs brillants pour repousser les limites de l'IA pour la biologie ! Citation : Yang, H., Roy, G., Nguyen, A.Q., Buehler, M.J., et al. MultiCell : apprentissage géométrique dans le développement multicellulaire. Nature Methods (2025), DOI : 10.1038/s41592-025-02983-x Les liens vers le code/données se trouvent dans le manuscrit.