В MIT научили нейросеть предсказывать развитие живого организма на клеточном уровне

Инженеры из Массачусетского технологического института создали модель глубокого обучения, способную предсказывать, как именно будут перемещаться, делиться и складываться тысячи отдельных клеток в процессе формирования эмбриона плодовой мушки. По сообщению MIT News, подход может быть распространен на более сложные ткани и органы, что в перспективе поможет ученым выявлять ранние признаки заболеваний.

На ранних стадиях развития ткани и органы начинают формироваться через перемещение, деление и рост десятков тысяч клеток. Команда MIT представила метод, который предсказывает эти изменения с точностью до минуты. Результаты работы, опубликованные в журнале Nature Methods, демонстрируют модель, способную отслеживать геометрические свойства отдельных клеток, такие как их положение и контакты с соседями.

От точечного облака к мыльной пене

Традиционно развитие эмбриона моделируют двумя способами: как «точечное облако», где каждая клетка — это точка, или как «пену», где клетки представлены пузырьками, скользящими друг относительно друга. Авторы работы — Мин Го и аспирант Хайцянь Ян — решили не выбирать, а объединить оба подхода.

«Существуют споры о том, моделировать ли клетки как точечное облако или как пену, — говорит Ян. — Но по сути это разные способы представления одного и того же базового графа, элегантного способа моделирования живых тканей. Объединив их в один граф, мы можем выделить больше структурной информации, например, как клетки соединяются друг с другом во время перестройки».

В основе новой модели лежит «двойная графовая» структура, представляющая эмбрион одновременно и как движущиеся точки, и как пузырьки. Это позволило захватить более детальные геометрические свойства, такие как положение ядра клетки, факт контакта с соседом или момент деления.

Компромисс «точки или пузырьки» — это классическая инженерная дилемма, и решение MIT её элегантно обходит. По сути, они создали «гибридный» граф, который учитывает и топологию (кто с кем соседствует), и геометрию (как именно меняется форма). В биологии развития это может стать стандартом де-факто, потому что позволяет работать с данными, которые раньше считались слишком шумными или неполными. Ирония в том, что для понимания сложнейшего биологического процесса — формирования жизни — используется относительно простая концепция из компьютерной науки.

Точность 90% на первом часу развития

Модель была обучена на видеозаписях высокой четкости процесса гаструляции у плодовых мушек, предоставленных коллегами из Мичиганского университета. Эти записи длительностью в час фиксировали развитие с разрешением на уровне одной клетки и содержали маркировку краев и ядер отдельных клеток — данные исключительной детализации.

Исследователи обучили модель на данных из трех видео из четырех, чтобы она могла «изучить», как взаимодействуют и меняются клетки. Модель смогла предсказать с точностью 90%, как каждая из примерно 5000 клеток будет складываться, смещаться и перестраиваться каждую минуту в течение первого часа развития.

«Общая форма плодовой мушки на этой стадии примерно эллипсоидальная, но на поверхности во время гаструляции происходят гигантские динамические процессы, — объясняет Го. — Она превращается из полностью гладкой в структуру с множеством складок под разными углами. И мы хотим предсказать всю эту динамику, момент за моментом, клетка за клеткой».

Перспективы: от рыбки данио до диагностики астмы

Ученые надеются применить модель для предсказания клеточного развития у других видов, таких как данио-рерио и мыши, чтобы выявить общие для разных видов закономерности. Более амбициозная цель — использование метода для распознавания ранних паттернов заболеваний.

Например, ткань легких у людей с астмой существенно отличается от здоровой. Как развивается предрасположенная к астме ткань — процесс неизвестный, и новый метод потенциально может его раскрыть.

«Астматические ткани демонстрируют иную клеточную динамику при наблюдении in vivo, — говорит соавтор Хайцянь Ян. — Мы предполагаем, что наша модель сможет уловить эти тонкие динамические различия и дать более полное представление о поведении ткани, потенциально улучшив диагностику или методы скрининга лекарств».

Дальнейшие планы команды включают адаптацию модели для работы с более сложными тканями и органами. Ключевой вызов — масштабирование подхода для обработки данных о миллионах клеток и более длительных временных промежутках. Если это удастся, мы получим не просто инструмент для фундаментальной науки, а платформу для предиктивной медицины.