哈佛大學約翰·A·保爾森工程與應用科學學院（John A. Paulson School of Engineering and Applied Sciences）的研究團隊，利用自動微分（automatic differentiation）技術，開發出一個創新的計算框架，旨在揭示細胞自我組織的規則，並預測基因或細胞信號的微小變動如何影響細胞集群的最終形態。這項突破性研究成果已於2025年8月13日發表在《自然計算科學》（Nature Computational Science）期刊，論文題為「利用可微分程式設計工程化細胞集群的形態發生」（Engineering morphogenesis of cell clusters with differentiable programming）。
該研究將複雜的細胞生長過程轉化為電腦可解決的優化問題。透過自動微分這項訓練深度學習模型的核心技術，研究團隊能夠高效計算複雜函數，精確捕捉基因網絡的細微變化對整個細胞群體行為的影響。這種計算方法為設計具有特定功能或形狀的活體組織開闢了道路，對再生醫學和組織工程領域具有重大潛力，有望加速客製化組織的製造。
此研究由研究生 Ramya Deshpande 和博士後研究員 Francesco Mottes 共同領導，資深作者為 Michael Brenner 教授。他們的研究成果不僅有助於理解發育生物學的細胞基礎，更為工程化器官生長提供了新的途徑。自動微分技術在此研究中被應用於計算生物學，以理解和控制細胞的集體行為，這項工作是 Michael Brenner 教授研究團隊長期致力於將應用數學方法應用於科學和工程領域的廣泛問題的延伸。
此計算框架的潛力在於能夠預測基因網絡的參數如何影響細胞集群的最終形態，使科學家能夠更精確地設計和控制生物組織的生長過程。研究人員可以設定期望的組織特性，然後利用此框架反向工程化細胞以達成目標。這項技術的發展為未來精準醫療和客製化組織的製造奠定了基礎，並與再生醫學領域的最新進展相呼應，有望推動再生醫學的突破性發展。