Forscher der Harvard University haben ein neuartiges computergestütztes Gerüst entwickelt, das die grundlegenden Regeln der zellulären Selbstorganisation aufdecken kann. Diese innovative Methode nutzt die automatische Differenzierung, eine Technik, die für das Training von Deep-Learning-Modellen unerlässlich ist, um vorherzusagen, wie sich geringfügige Änderungen in Genen oder zellulären Signalen auf die endgültige Struktur von Zellverbänden auswirken.
Die im Fachjournal Nature Computational Science am 13. August 2025 veröffentlichte Studie mit dem Titel „Engineering morphogenesis of cell clusters with differentiable programming“ zielt darauf ab, den komplexen Prozess des Zellwachstums in ein Optimierungsproblem zu übersetzen, das von Computern gelöst werden kann. Durch den Einsatz der automatischen Differenzierung berechnet das Team effizient komplexe Funktionen, die das Verhalten von Zellkollektiven steuern. Dieser Ansatz ermöglicht die präzise Erfassung, wie sich kleine Anpassungen in Gennetzwerken auf das Verhalten ganzer Zellverbände auswirken.
Diese computergestützte Methode könnte die Entwicklung von lebenden Geweben mit spezifischen Funktionen oder Formen ermöglichen und birgt erhebliches Potenzial für Fortschritte in der regenerativen Medizin und der Gewebeeingenieurwissenschaft. Die Ergebnisse bieten einen vielversprechenden Weg zum Verständnis der zellulären Grundlagen der Entwicklung und eröffnen neue Möglichkeiten für die Steuerung des Organwachstums.
Die Forschung wurde von der Doktorandin Ramya Deshpande und dem Postdoktoranden Francesco Mottes geleitet, wobei Professor Michael Brenner als leitender Autor fungierte. Die Fähigkeit, die Regeln der Zellorganisation zu entschlüsseln, ist ein bedeutender Fortschritt, da sie es Wissenschaftlern ermöglicht, die komplexen Prozesse zu verstehen, die der Bildung von Organen und Gliedmaßen zugrunde liegen. Bisher war die präzise Gestaltung einzelner Zellen für ein gewünschtes kollektives Ergebnis oft ein langwieriger Prozess des Ausprobierens.
Die von Harvard angewandten Physiker betrachten die Steuerung der zellulären Organisation und Morphogenese als ein Optimierungsproblem, das mit leistungsstarken neuen Werkzeugen des maschinellen Lernens gelöst werden kann. Die automatische Differenzierung, die das Rückgrat des Trainings von Deep-Learning-Modellen im Bereich der künstlichen Intelligenz bildet, ermöglicht es dem Computer, die genauen Auswirkungen kleiner Änderungen im Gennetzwerk auf das Verhalten des gesamten Zellkollektivs zu erkennen.
Die Forscher haben bereits gezeigt, dass diese Methode verwendet werden kann, um die Symmetrie eines wachsenden Zellverbunds zu brechen und chemische Gradienten zu erzeugen, die das Wachstum steuern. Diese Arbeit hat auch wichtige Implikationen für das Human Cell Atlas-Projekt, eine globale wissenschaftliche Zusammenarbeit zur Kartierung jeder Zellart im menschlichen Körper. Während der Atlas darauf abzielt, zu katalogisieren, welche Zelle zu einem bestimmten Zeitpunkt was tut, bietet diese neue Forschung einen dynamischen Rahmen, um zu verstehen, wie diese Zellen im Laufe der Zeit organisiert bleiben.
Durch die Identifizierung einfacher, universeller Regeln, die das Zellverhalten und die Gewebestruktur steuern, könnten die Ergebnisse zukünftige Bemühungen leiten, Zellen nicht nur zu beschreiben, sondern auch ihr Verhalten in Gesundheit und Krankheit vorherzusagen. Die computergestützten Methoden in der Gewebeeingenieurwissenschaft und regenerativen Medizin sind entscheidend für die Optimierung von Scaffold-Designs und die Simulation des Zellverhaltens in verschiedenen Gerüstarchitekturen. Dies unterstützt die Entwicklung innovativer und effizienter Lösungen für die Biofabrikation, die Fortschritte in diesem dynamischen Feld vorantreiben.