Miten alkio voi luotettavasti "laskea" muotonsa – "solu solulta" – käyttäen vain paikallisia vuorovaikutuksia ja mekaniikkaa, mutta samalla tuottaa tarkan globaalin kehon suunnitelman? Olen innoissani voidessani jakaa Nature Methods -artikkelimme "MultiCell: geometric learning in multicellular development", jossa esitellään #AIxBiology @HaiqianYang:n johtamaa tutkimusta ja erinomaisen yhteistyön tulosta Ming Guon, George Royn, Tomer Sternin, Anh Nguyenin ja Dapeng Bin kanssa. Pitkäaikainen haaste kehitysbiologiassa on ennustaa, miten tuhannet solut kollektiivisesti järjestäytyvät itsejärjestäytyneinä, kun kudokset laskostuvat, jakautuvat ja järjestäytyvät uudelleen. MultiCellissä esitetään kehittyvä alkio dualisena graafina, joka yhdistää kaksi täydentävää näkemystä kudosmekaniikaan yksisoluresoluutiolla: solut liikkuvina pisteinä (rakeisina) ja solut yhdistetyinä vaahtoina (liitosverkosto). Tämä antaa mallille mahdollisuuden oppia dynamiikkaa sekä geometriasta että solu–solu-yhteydestä. Koko alkion 4D-valolevyvideoissa Drosophila-gastrulaatiosta (~5 000 solua) mallimme ennustaa keskeisiä solujen käyttäytymistä ja tapahtumien ajoitusta, mukaan lukien liitosmenetykset, uudelleenjärjestelyt ja jakautumiset, erittäin tarkasti yksittäisen solun tarkkuudella. Ennustamisen lisäksi sama esitys tukee vahvaa ajan kohdistusta alkioiden välillä ja tarjoaa tulkittavia aktivaatiokarttoja, jotka korostavat kehityksen morfogeneettiset "ajureet". Laajempi tavoite on perusta solukohtaiselle ennustamiselle monimutkaisemmissa kudoksissa ja lopulta taudin hienovaraisten dynaamisten tunnusmerkkien havaitsemiseksi. Kiitokset tiimille tästä inspiroivasta yhteistyöstä loistavien tutkijoiden kanssa, joiden tavoitteena on rikkoa tekoälyn rajoja biologiassa! Lähde: Yang, H., Roy, G., Nguyen, A.Q., Buehler, M.J. ym. MultiCell: geometrinen oppiminen monisoluisessa kehityksessä. Nature Methods (2025), DOI: 10.1038/s41592-025-02983-x Koodi-/datalinkit löytyvät käsikirjoituksesta.