Hoe berekent een embryo betrouwbaar zijn vorm - "cel voor cel" - alleen met lokale interacties en mechanica, en produceert het toch een nauwkeurig globaal lichaamsplan? Ik ben enthousiast om ons Nature Methods-artikel "MultiCell: geometrisch leren in multicellulaire ontwikkeling" te delen, waarin #AIxBiology-onderzoek wordt gepresenteerd onder leiding van @HaiqianYang en het resultaat van een geweldige samenwerking met Ming Guo, George Roy, Tomer Stern, Anh Nguyen en Dapeng Bi. Een langdurige uitdaging in de ontwikkelingsbiologie is om te voorspellen hoe duizenden cellen zich collectief zelforganiseren terwijl weefsels vouwen, delen en herschikken. In MultiCell vertegenwoordigen we een zich ontwikkelend embryo als een duale grafiek die twee complementaire perspectieven van weefselmechanica met een enkele celresolutie verenigt: cellen als bewegende punten (korrelig) en cellen als een verbonden schuim (verbinding netwerk). Dit stelt het model in staat om dynamiek te leren van zowel geometrie als cel-celconnectiviteit. Op 4D lichtbladfilms van het hele embryo van Drosophila gastrulatie (~5.000 cellen) voorspelt ons model belangrijke celgedragingen en de timing van gebeurtenissen, waaronder het verlies van verbindingen, herschikkingen en delingen met hoge nauwkeurigheid, op een enkele celresolutie. Naast voorspelling ondersteunt dezelfde representatie robuuste tijdsafstemming tussen embryo's en biedt interpreteerbare activatiekaarten die de morfogenetische "drijvers" van ontwikkeling benadrukken. Het bredere doel is een basis voor cel-voor-celvoorspelling in complexere weefsels, en uiteindelijk voor het detecteren van subtiele dynamische handtekeningen van ziekte. Kudos aan het team voor deze inspirerende samenwerking met briljante onderzoekers om de grenzen van AI voor biologie te verleggen! Citaat: Yang, H., Roy, G., Nguyen, A.Q., Buehler, M.J., et al. MultiCell: geometrisch leren in multicellulaire ontwikkeling. Nature Methods (2025), DOI: 10.1038/s41592-025-02983-x Code/data links zijn in het manuscript.