Hvordan kan et embryo pålitelig «beregne» sin form – «celle for celle» – kun ved å bruke lokale interaksjoner og mekanikk, samtidig som det produserer en presis global kroppsplan? Jeg er begeistret for å dele vår Nature Methods-artikkel "MultiCell: geometric learning in multicellular development", hvor vi presenterer #AIxBiology forskning ledet av @HaiqianYang og resultatet av et flott samarbeid med Ming Guo, George Roy, Tomer Stern, Anh Nguyen og Dapeng Bi. En langvarig utfordring innen utviklingsbiologi er å forutsi hvordan tusenvis av celler kollektivt organiserer seg selv når vev folder, deler seg og omorganiserer seg. I MultiCell representerer vi et utviklende embryo som en dual graf som forener to komplementære syn på vevsmekanikk med enkeltcelleoppløsning: celler som bevegelige punkter (granulære) og celler som et sammenhengende skum (koblingsnettverk). Dette lar modellen lære dynamikk både fra geometri og celle–celle-tilkobling. På hel-embryo 4D lyssheet-filmer av Drosophila-gastrulasjon (~5 000 celler) forutsier modellen vår nøkkelcelleatferd og tidspunktet for hendelser, inkludert tap av koblinger, omorganiseringer og delinger, med høy nøyaktighet, ved enkeltcelleoppløsning. Utover prediksjon støtter den samme representasjonen robust tidsjustering på tvers av embryoer og tilbyr tolkbare aktiveringskart som fremhever de morfogenetiske «driverne» for utvikling. Det bredere målet er et fundament for celle-for-celle-prognoser i mer komplekse vev, og til slutt å oppdage subtile dynamiske tegn på sykdom. Kudos til teamet for dette inspirerende samarbeidet med briljante forskere for å flytte grensene for AI for biologi! Sitering: Yang, H., Roy, G., Nguyen, A.Q., Buehler, M.J., m.fl. MultiCell: geometrisk læring i flercellet utvikling. Nature Methods (2025), DOI: 10.1038/s41592-025-02983-x Kode-/datalenker finnes i manuskriptet.