Исследователи из Гарвардского университета создали новаторский вычислительный каркас, который позволяет выявить правила клеточной самоорганизации. Этот подход, использующий автоматическое дифференцирование — ключевой метод для обучения моделей глубокого обучения, — предсказывает, как незначительные изменения в генах или клеточных сигналах влияют на конечную структуру клеточных кластеров.
Исследование, опубликованное 13 августа 2025 года в журнале Nature Computational Science под названием «Инженерия морфогенеза клеточных кластеров с помощью дифференцируемого программирования», упрощает сложный процесс роста клеток, представляя его как оптимизационную задачу, решаемую компьютерами. Автоматическое дифференцирование обеспечивает эффективный расчет сложных функций, позволяя точно определять влияние небольших изменений в генных сетях на поведение целых клеточных коллективов.
Этот вычислительный метод открывает возможности для создания живых тканей с заданными функциями или формами, что имеет большой потенциал для развития регенеративной медицины и тканевой инженерии. Работа, соавторами которой являются аспирант Рамья Дешпанде и постдокторальный исследователь Франческо Моттес под руководством старшего автора Майкла Бреннера, предлагает многообещающий путь к пониманию клеточных основ развития и инженерии роста органов.
Исследование было поддержано Управлением военно-морских исследований и Институтом динамических систем Национального научного фонда. Этот подход может быть использован для проектирования новых биоматериалов и оптимизации форм каркасов для тканевой инженерии, как показано в исследованиях, где моделирование роста клеток внутри пористых каркасов помогло оптимизировать дизайн, превосходящий контрольные образцы.
Кроме того, применение таких алгоритмов выходит за рамки нейронных сетей, включая проектирование самособирающихся коллоидных материалов и улучшение симуляций гидродинамики. Этот метод также может помочь в понимании и контроле развития организмов на клеточном уровне, что является фундаментальной проблемой в биологии.
Исследователи из Гарварда используют передовые методы автоматического дифференцирования для открытия локальных правил взаимодействия и генных сетей, которые приводят к эмерджентным характеристикам на системном уровне в моделях развития. Эти правила, основанные на диффузии морфогенов, клеточной адгезии и механическом напряжении, позволяют компьютерам учиться параметрам, управляющим клеточными взаимодействиями, в виде интерпретируемых генных сетей для сложных сценариев развития.
В сочетании с экспериментальными достижениями в измерении пространственно-временной динамики и экспрессии генов в растущих тканях, этот методологический подход открывает путь к раскрытию клеточных основ развития.