Hur kan ett embryo pålitligt "beräkna" sin form – "cell för cell" – med endast lokala interaktioner och mekanik, men ändå producera en exakt global kroppsplan? Jag är glad att dela vår artikel om Nature Methods "MultiCell: geometric learning in multicellular development", där vi presenterar #AIxBiology forskning ledd av @HaiqianYang och resultatet av ett utmärkt samarbete med Ming Guo, George Roy, Tomer Stern, Anh Nguyen och Dapeng Bi. En långvarig utmaning inom utvecklingsbiologin är att förutsäga hur tusentals celler kollektivt självorganiserar sig när vävnader veckas, delar sig och omorganiseras. I MultiCell representerar vi ett utvecklande embryo som en dual graf som förenar två kompletterande vyer av vävnadsmekanik med enkelcellsupplösning: celler som rörliga punkter (granulära) och celler som ett sammanhängande skum (junctionnätverk). Detta låter modellen lära sig dynamik både från geometri och cell–cell-koppling. På helembryo 4D-ljusbladsfilmer av Drosophila-gastrulation (~5 000 celler) förutspår vår modell nyckelbeteenden i cellerna och tidpunkten för händelser, inklusive förlust av junction, omarrangemang och delningar, med hög noggrannhet, vid enkelcellsupplösning. Utöver förutsägelse stödjer samma representation robust tidsjustering över embryon och erbjuder tolkbara aktiveringskartor som belyser de morfogenetiska "drivkrafterna" bakom utveckling. Det bredare målet är en grund för cell-för-cell-prognoser i mer komplexa vävnader, och så småningom att upptäcka subtila dynamiska sjukdomssignaturer. Berövad teamet för detta inspirerande samarbete med briljanta forskare för att tänja på gränserna mellan AI och biologi! Citat: Yang, H., Roy, G., Nguyen, A.Q., Buehler, M.J., m.fl. MultiCell: geometrisk inlärning i flercellig utveckling. Nature Methods (2025), DOI: 10.1038/s41592-025-02983-x Kod-/datalänkar finns i manuskriptet.