Onderzoekers van de John A. Paulson School of Engineering and Applied Sciences (SEAS) van Harvard University hebben een revolutionair computationeel raamwerk ontwikkeld dat de regels ontrafelt die ten grondslag liggen aan de zelforganisatie van cellen. Deze innovatieve aanpak, die gebruikmaakt van automatische differentiatie – een techniek die essentieel is voor het trainen van deep learning-modellen – voorspelt hoe kleine aanpassingen in genen of cellulaire signalen het uiteindelijke ontwerp van celclusters beïnvloeden.
Het onderzoek, gepubliceerd op 13 augustus 2025 in Nature Computational Science onder de titel "Engineering morphogenesis of cell clusters with differentiable programming", transformeert het complexe proces van celgroei naar een optimalisatieprobleem dat door computers kan worden opgelost. Door automatische differentiatie toe te passen, kan het team efficiënt complexe functies berekenen, waardoor de precieze impact van veranderingen in gennetwerken op het gedrag van celcollectieven kan worden gedetecteerd. Dit computationele model biedt een veelbelovende weg voor het ontwerpen van levende weefsels met specifieke functies of vormen, wat aanzienlijke vooruitgang belooft op het gebied van regeneratieve geneeskunde en weefseltechniek.
Dit baanbrekende werk, mede geleid door promovendus Ramya Deshpande en postdoctoraal onderzoeker Francesco Mottes, met senior auteur Michael Brenner, bouwt voort op de principes van 'differentiable programming'. Deze benadering integreert wiskundige vergelijkingen met machine learning-componenten om biologische systemen te modelleren. Het onderzoek van het Brenner-team, dat al jaren automatische differentiatie toepast op problemen buiten neurale netwerken, zoals het ontwerpen van zelfassemblerende colloïdale materialen en het verbeteren van vloeistofdynamica simulaties, toont de veelzijdigheid van deze techniek aan.
De methode maakt het mogelijk om de parameters van celinteracties te leren in de vorm van interpreteerbare gennetwerken voor complexe ontwikkelingsscenario's. Dit kan leiden tot het creëren van levende weefsels met specifieke eigenschappen, een doel dat voorheen vaak een proces van vallen en opstaan was. De bevindingen bieden niet alleen een dieper inzicht in de cellulaire fundamenten van ontwikkeling, maar openen ook deuren naar het technologisch sturen van orgaangroei, wat een langgekoesterde ambitie is in de computationele bio-engineering.
De toepassing van computationele methoden in weefseltechniek en regeneratieve geneeskunde is een snel evoluerend veld. Recente ontwikkelingen, zoals het optimaliseren van scaffold-ontwerpen door celgedrag te simuleren, onderstrepen het belang van deze computationele benaderingen. Het vermogen om de impact van kleine genetische of signaalveranderingen op celcollectieven te voorspellen, zoals aangetoond in dit onderzoek, is cruciaal voor het ontwerpen van functionele weefsels. Dit kan uiteindelijk leiden tot gepersonaliseerde behandelstrategieën en de ontwikkeling van geavanceerde therapieën voor een breed scala aan medische aandoeningen. De onderzoekers hopen dat hun methoden, momenteel een proof-of-concept, gecombineerd met experimenten, wetenschappers in staat zullen stellen om de ontwikkeling van organismen op cellulair niveau te begrijpen en te controleren.