Como é que um embrião "computacionalmente" fiável forma o seu corpo - "célula a célula" - utilizando apenas interações locais e mecânica, e ainda assim produz um plano corporal global preciso? Estou entusiasmado por partilhar o nosso artigo na Nature Methods "MultiCell: aprendizagem geométrica no desenvolvimento multicelular", apresentando a pesquisa #AIxBiology liderada por @HaiqianYang e o resultado de uma grande colaboração com Ming Guo, George Roy, Tomer Stern, Anh Nguyen e Dapeng Bi. Um desafio de longa data na biologia do desenvolvimento é prever como milhares de células se auto-organizam coletivamente à medida que os tecidos se dobram, dividem e rearranjam. No MultiCell, representamos um embrião em desenvolvimento como um gráfico dual que unifica duas visões complementares da mecânica dos tecidos com resolução de célula única: células como pontos móveis (granulares) e células como uma espuma conectada (rede de junções). Isso permite que o modelo aprenda dinâmicas tanto da geometria quanto da conectividade célula-célula. Em filmes de luz de 4D de embriões inteiros de gastrulação de Drosophila (~5.000 células), o nosso modelo prevê comportamentos celulares chave e o tempo dos eventos, incluindo perda de junções, rearranjos e divisões com alta precisão, em resolução de célula única. Além da previsão, a mesma representação suporta um alinhamento temporal robusto entre embriões e oferece mapas de ativação interpretáveis que destacam os "motoristas" morfogenéticos do desenvolvimento. O objetivo mais amplo é estabelecer uma base para previsões célula a célula em tecidos mais complexos e, eventualmente, para detectar assinaturas dinâmicas subtis de doenças. Parabéns à equipa por esta colaboração inspiradora com investigadores brilhantes para expandir os limites da IA para a biologia! Citação: Yang, H., Roy, G., Nguyen, A.Q., Buehler, M.J., et al. MultiCell: aprendizagem geométrica no desenvolvimento multicelular. Nature Methods (2025), DOI: 10.1038/s41592-025-02983-x Os links de código/dados estão no manuscrito.