Cientistas da Escola de Engenharia e Ciências Aplicadas John A. Paulson, da Universidade de Harvard, criaram um inovador quadro computacional projetado para desvendar as complexas regras que regem a auto-organização celular. Esta abordagem pioneira utiliza a diferenciação automática, uma técnica essencial no treinamento de modelos de aprendizado profundo, para prever como pequenas alterações em genes ou sinais celulares podem influenciar o arranjo final de aglomerados celulares.
Publicado em 13 de agosto de 2025, na revista Nature Computational Science, sob o título "Engineering morphogenesis of cell clusters with differentiable programming", o estudo simplifica o complexo processo de crescimento celular, tratando-o como um problema de otimização que pode ser resolvido por computadores. A diferenciação automática permitiu o cálculo eficiente de funções complexas, possibilitando a identificação precisa de como alterações mínimas em redes genéticas afetam o comportamento de coletivos celulares inteiros.
Esta metodologia computacional abre novas possibilidades para o design de tecidos vivos com funções ou formas específicas, prometendo avanços significativos em áreas como a medicina regenerativa e a engenharia de tecidos. A capacidade de prever o impacto de mudanças genéticas ou de sinalização celular no desenvolvimento de aglomerados celulares tem o potencial de acelerar a criação de órgãos bioengenheirados e terapias personalizadas.
Pesquisas anteriores já demonstravam o potencial da modelagem computacional na engenharia de tecidos para otimizar o design de biomateriais e prever o crescimento celular em arcabouços. A nova estrutura de Harvard, ao integrar a diferenciação automática, eleva essa capacidade, permitindo uma compreensão mais profunda e um controle mais preciso sobre os processos morfogênicos.
A pesquisa foi co-liderada pelo estudante de pós-graduação Ramya Deshpande e pelo pesquisador pós-doutoral Francesco Mottes, com a supervisão do autor sênior Michael Brenner, Professor Catalisador de Matemática Aplicada e Física Aplicada na SEAS. O trabalho alinha-se com o crescente campo da "biologia diferenciável", que utiliza programas diferenciáveis para modelar mecanismos biofísicos e baseados em dados, combinando equações matemáticas específicas de domínios com componentes de aprendizado de máquina.